アリババは最近、QVQ-72Bという新しい多モーダル推論モデルを発表しました。このモデルはQwen2-VL-72Bをベースに構築されており、強力な言語能力と視覚能力を融合することで、より複雑な推論と分析タスクを処理できます。これは、アリババが多モーダルAI分野で新たなブレークスルーを達成したことを意味します。QVQ-72Bは、視覚推論、数学、科学の問題において顕著な性能向上を示しており、特に複数ステップの推論タスクにおいてその能力を発揮します。つまり、このモデルはテキスト情報だけでなく、画像情報も理解し、複数ステップを経て処理できるということです。

Qwenチームは先日、最新開発のマルチモーダル推論モデルQVQのオープンソース化を発表しました。これは、人工知能における画像理解と複雑な問題解決能力において重要な一歩を踏み出したことを意味します。このモデルはQwen2-VL-72Bをベースに構築されており、言語と視覚情報を組み合わせることでAIの推論能力を向上させることを目指しています。MMMU評価において、QVQは70.3の高得点を獲得し、また複数の数学関連ベンチマークテストにおいて、Qwen2-VL-72B-Instructと比較して顕著な性能向上を示しました。

阿里云百煉大規模モデルサービスプラットフォームは最近、「音声ビデオリアルタイムインタラクション」機能をリリースしました。これにより、ユーザーはプログラミング知識がなくても、多様なAIアプリケーションを簡単に構築できるようになりました。この新機能により、ユーザーはAIモデルをWeb、iOS、Androidアプリケーションに迅速に統合し、他の人と共有することができます。ユーザーは簡単な手順でインテリジェントエージェントアプリケーションを構築できます。まずインテリジェントエージェントアプリケーションを作成し、次に阿里云百煉プラットフォームで必要なテキスト、音声、またはビジュアル理解の大規模モデルを選択して設定します。プラットフォームには200種類以上の、以下のような大規模モデルが用意されています。

近年、機械学習モデルはビジョンと言語タスクにおいて需要が高まっていますが、多くのモデルは膨大な計算資源を必要とし、個人デバイスでは効率的に動作しません。特にノートパソコン、コンシューマー向けGPU、モバイルデバイスなどの小型デバイスは、ビジョン言語タスクの処理において大きな課題に直面しています。Qwen2-VLを例にとると、優れた性能を誇る一方で、ハードウェア要件が高く、リアルタイムアプリケーションでの利用可能性を制限しています。そのため、リソースの少ない環境でも動作する軽量モデルの開発が求められています。

通義千問チームは、Qwen2の発表から3ヶ月後、Qwenファミリーの最新メンバーであるQwen2.5シリーズ言語モデルの正式なオープンソースリリースを発表しました。これは、汎用言語モデルQwen2.5、プログラミングと数学分野に特化したQwen2.5-CoderおよびQwen2.5-Mathモデルを含む、おそらく史上最大規模のオープンソースリリースと言えるでしょう。

9月2日、通義千問は、第二世代のビジョン言語モデルQwen2-VLをオープンソース化し、阿里雲百煉プラットフォーム上で2B、7Bの2つのサイズとその量子化バージョンモデルのAPIを公開、ユーザーが直接呼び出せるようにしました。Qwen2-VLモデルは複数の面で性能の大幅な向上を実現しています。異なる解像度と異なるアスペクト比の画像を理解でき、DocVQA、RealWorldQA、MTVQAなどのベンチマークテストで世界トップレベルの性能を達成しています。

アリババクラウドが、新しいAIモデルQwen2-VLを発表しました。これは、視覚コンテンツを理解する強力な機能を備え、最長20分の動画をリアルタイムで分析し、動画の内容を要約したり、関連する質問に答えたり、オンラインチャットをサポートします。サードパーティのベンチマークテストでは、Qwen2-VLはMetaのLlama3.1、OpenAIのGPT-4o、AnthropicのClaude3Haiku、GoogleのGemini-1.5Flashなどを含むいくつかの指標で凌駕しています。

アリババ集団の達摩院傘下、通義千問チームは2024年8月30日、最新成果であるQwen2-VLモデルの大幅なアップデートを発表しました。Qwen2-VLモデルは、画像認識、動画処理、多言語対応において顕著な性能向上を実現し、主要性能指標において新たな基準を打ち立てました。