Ep.596 Qwen3-VL登場──“見る・考える・動く”を大幅刷新（2025年10月2日配信）

名古屋ではたらく社長のITニュースポッドキャスト · Oct 1, 2025 · 4m

9月23日、Qwenは新世代のビジョンランゲージモデル「Qwen3-VL」を発表しました。公式ブログとリポジトリでは、“シリーズ史上最強”を掲げ、テキスト理解と生成、視覚認識と推論、長コンテキスト、空間・動画理解、さらにはエージェント連携までを横断的に引き上げたと説明しています。

ラインアップの中心は「Qwen3-VL-235B-A22B」。この旗艦は用途に応じて、深く考えてから答える「Thinking」と、軽快に応答する「Instruct」の2系統を提供。Qwenは主要ベンチマークでGemini 2.5 Proを上回る項目があると主張し、両バリアントをオープンに利用できる形で打ち出しました。もっとも、重量級の235Bモデルは実運用でも相応のインフラを要し、ローカル推論は現実的でないサイズ感です。

技術面の強化点は、視覚情報の“読み取り”から“推論”への橋渡しが丁寧になったことです。従来の物体・文字認識にとどまらず、動画の時間的文脈や空間的な位置関係を捉え、指示に沿って複数ステップで解決策を組み立てる力を高めた、とQwenは説明しています。これにより、現場マニュアルの画面指示、マーケットリサーチの画像比較、製造現場の外観検査ログ解析といった“視て考える”業務が幅広く自動化しやすくなります。…