Qwen-VLは、アリババクラウドが発表した汎用型ビジョン言語モデルであり、強力なビジョン理解能力とマルチモーダル推論能力を備えています。ゼロショット画像記述、ビジュアルクエスチョン・アンサーリング、テキスト理解、画像ランドマーク位置特定などのタスクに対応し、複数のビジョンベンチマークテストにおいて、最先端レベルに到達またはそれを上回っています。Transformer構造を採用し、70億パラメータ規模で事前学習されており、448x448ピクセルの解像度をサポートし、画像とテキストのマルチモーダル入出力のエンドツーエンド処理が可能です。Qwen-VLの強みは、汎用性の高さ、多言語対応、きめ細やかな理解力などです。画像理解、ビジュアルクエスチョン・アンサーリング、画像アノテーション、画像テキスト生成などのタスクに幅広く適用できます。