表示
超・人工知能研究所 Super AI Research Lab トップへ超・人工知能研究所AI Research Lab / ぱそ太郎工事中

since
平成38年9月29日

← 検索結果に戻る

長い文書と動画をまたいで扱う視覚言語モデルの設計

Qwen3-VL

保存した記事を見るこのブラウザに保存します。無料会員で端末間の同期・フォルダ整理
著者の公式図・デモ

複数画像と動画を処理するQwen3-VLのアーキテクチャ。

出典:Qwen Team / Qwen3-VL Technical Report ↗

概要

  • テキスト、画像、動画が交互に現れる最大256Kトークンの入力を想定したモデル系列である。
  • 複数層の視覚特徴、時間・縦・横の位置表現、文字の動画時刻を組み合わせる。
  • 確認できた本文の範囲では、個別ベンチマークの得点表を示せないため、実務用途では根拠箇所の照合が必要である。
補足:編集した模式図で仕組みを確認する

VISUAL EXPLAINER

図でつかむ、Qwen3-VLの仕組み

左から右へ読む
  1. 01文章・画像・動画
  2. 02視覚情報をトークンへ変換
  3. 03長い文脈の中で統合
  4. 04質問への回答・位置の理解

たとえば複数の画像や動画の情報を、質問文と同じ文脈に入れて読む。

もともとの課題・処理

画像・動画の内容を、長い文章の文脈とまとめて扱うことが課題。

この研究のアプローチ

視覚情報と長いテキスト文脈を統合して扱う。

原論文の説明をもとにした模式図です。処理の細部は省略しています。

研究の背景

現場の判断材料は、文章だけでなく図、表、写真、動画として分かれている。視覚言語モデルはこれらを一緒に読めるが、長い入力では必要な場面や記述を見失わずに結び付けることが難題となる。

Qwen3-VLの報告は、長い文章と画像・動画が交互に現れる入力を扱いながら、文章だけの質問にも対応するモデル系列を対象にする。規模や推論方法が異なる複数の型が提示されている。

手法

画像や動画は視覚エンコーダーで特徴へ変え、結合部を通して言語モデルに渡す。DeepStackは視覚エンコーダーの浅い層から深い層までの情報を、言語モデルの対応する層へ加える仕組みである。interleaved MRoPEは、時間と画像内の縦横位置を表す信号を分散して配置する。

動画ではフレーム群の前に「3.0秒」のような文字の時刻を置く。例えば長い点検動画と手順書を入力し、「部品を外した時刻と指示箇所」を尋ねると、モデルは時刻と文章を踏まえて回答を生成する。学習は結合部の調整から始め、入力長を8K、32K、256Kへ伸ばす。

新規性

Qwen3-VLは、画像と動画の時間・縦・横の位置情報を表すinterleaved MRoPE、視覚エンコーダーの複数層を言語モデルへ渡すDeepStack、動画フレーム群に文字の時刻を付ける方式を組み合わせる。

著者らは文字だけの能力と視覚の能力を両立させる学習配分も採用し、テキスト、画像、動画が交互に現れる最大256Kトークンの入力を想定して訓練した。

従来手法との違い

前世代のQwen2.5-VLでは時間・縦・横の位置情報を異なる埋め込み部分へ割り振り、動画の時刻も位置情報に結び付けていた。Qwen3-VLは三方向の情報を各周波数帯へ交互に配置し、動画では文字列の時刻を付ける。

DeepStackは視覚エンコーダーの中間層を言語モデルの層へ加える設計で、追加の画像トークン列を長くせず複数段階の特徴を使う。報告された性能向上は、こうした変更とデータ・学習工程の変更を合わせた結果として読む必要がある。

実験結果

著者らはMMMU、MathVista、MathVisionなどの画像を含む推論課題や、文章・長い入力・動画の課題で性能を報告する。提示された学習設定では、入力長8,192で結合部を調整し、その後32,768、262,144まで段階的に伸ばした。系列には2Bから32Bの密なモデルと、30B-A3B、235B-A22Bの専門家混合型がある。

確認できた本文の範囲では、ここで挙げた各評価課題の具体的な得点表は確認できない。したがって、著者らの総括する優位性を特定の点差へ置き換えたり、256K入力での検索精度を数値化したりはできない。

応用の可能性

編集上の応用案 · 論文が実証した用途とは区別しています。

編集上の応用案:設備保守の長い記録を、作業動画の抜粋画像、時刻付きの出来事、点検表、作業手順書とともに入力し、特定の操作が手順書のどこに対応するかを調べる。出力は操作の時刻、対応する記述、確認すべき不一致の候補である。

担当者はモデルが挙げた時刻の映像と文書の該当箇所を開いて照合する。時刻付き動画理解と複数ページの読解を、一つの具体的な照会作業で測る用途として考える。

応用先の候補からNauhに相談できます。

導入時の検証

導入時の検証案 · 対象データでの再評価が必要です。

導入時の検証案:実際の手順書、図表、短い動画から、正解の文書箇所と時刻が分かる質問を作る。比較基準には文章のみで検索する手順と、動画を人が見て確認する手順を置く。

回答の正誤だけでなく、示された時刻とページの一致率、根拠がない断定の件数、入力長別の処理時間を記録する。同じ質問を短い入力と長い入力で試し、資料を増やした時に根拠の取り違えが増えないか調べる。

限界と課題

確認できた本文の範囲では、最大256Kトークンへの訓練工程や対象分野は説明される一方、各実務文書での誤答率や日本語の保守記録に限った成績は示されていない。長い入力を受け付けることと、離れた根拠を正しく結び付けることは別の評価項目である。

編集上の検証課題は、時刻の取り違え、図表と本文の対応、OCRによる文字の誤読、複数資料間の矛盾処理である。用途ごとに根拠箇所を照合し、モデル規模ごとの待ち時間も測る。

応用先の候補
研究内容と応用案に基づく分類です。業界での導入実績を示すものではありません。

出典

元のタイトル・要旨を確認する(英語)

Qwen3-VL Technical Report

We introduce Qwen3-VL, the most capable vision-language model in the Qwen series to date, achieving superior performance across a broad range of multimodal benchmarks. It natively supports interleaved contexts of up to 256K tokens, seamlessly integrating text, images, and video. The model family includes both dense (2B/4B/8B/32B) and mixture-of-experts (30B-A3B/235B-A22B) variants to accommodate diverse latency-quality trade-offs. Qwen3-VL delivers three core pillars: (i) markedly stronger pure-text understanding, surpassing comparable text-only backbones in several cases; (ii) robust long-context comprehension with a native 256K-token window for both text and interleaved multimodal inputs, enabling faithful retention, retrieval, and cross-referencing across long documents and videos; and (iii) advanced multimodal reasoning across single-image, multi-image, and video tasks, demonstrating leading performance on comprehensive evaluations such as MMMU and visual-math benchmarks (e.g., MathVista and MathVision). Architecturally, we introduce three key upgrades: (i) an enhanced interleaved-MRoPE for stronger spatial-temporal modeling across images and video; (ii) DeepStack integration, which effectively leverages multi-level ViT features to tighten vision-language alignment; and (iii) text-based time alignment for video, evolving from T-RoPE to explicit textual timestamp alignment for more precise temporal grounding. Under comparable token budgets and latency constraints, Qwen3-VL achieves superior performance in both dense and Mixture-of-Experts (MoE) architectures. We envision Qwen3-VL serving as a foundational engine for image-grounded reasoning, agentic decision-making, and multimodal code intelligence in real-world workflows.

論文本体の取得範囲に基づく解説。AIが作成した未校閲の記事です。性能の数値は著者の評価条件に依存します。応用例と検証計画は編集上の提案です。解説更新:2026-09-29