Qwen VLo：阿里推出的マルチモーダル統合モデル（理解×生成） 58

Qwen VLoとは？

Qwen VLoは、アリババクラウドのTongyi Qianwenが2025年6月27日に発表したマルチモーダルモデルで、画像生成と編集、スタイル変換、複雑な指示の実行、複数画像の理解と生成、画像検出とアノテーション、テキストからの直接的な画像生成などの機能をサポートしています。

コア機能

• 高品質な画像生成と編集：テキストや画像のプロンプトに基づいて画像を生成・修正でき、複雑なシーンを段階的に構築したりリアルタイムで調整したりすることができ、簡単な指示で多言語の画像を生成できます。

• 動的解像度適応：動的解像度技術を採用しており、ポスター、イラスト、ウェブバナー、SNSカバーなどさまざまなシーンに適した画像を生成できます。

• プログレッシブ生成：左から右、上から下へと段階的に画像を構築し、生成中にコンテンツを継続的に最適化し、画面の調和と統一性を確保します。

• オープン指示編集：「ゴッホ風に変更」「19世紀の古い写真風にして」「晴れた空を追加」など、自然言語でクリエイティブな要望を伝えることができ、モデルが柔軟に対応して期待に沿った結果を出力します。

• 多言語指示：中国語、英語など複数の言語の指示をサポートし、世界中のユーザーが利用しやすくなっています。

技術的特徴

• 視覚と言語の深い融合：画像の内容を理解し、高品質な再創作が可能で、生成時に意味の一貫性を保ち、細部の捕捉能力に優れています。

• 強力な視覚編集能力：複雑な編集指示を処理でき、単一の指示で複数の種類の変更を完了しつつ、主体の構造とコンテキストの正確性を確保します。

応用シナリオ

• デザインとクリエイティブ：デザイナー、マーケティング担当者、教育者向けにツールを提供し、アートスタイルの変換、シーン再構築、ディテール最適化などをサポートし、迅速なクリエイティブ実現を支援します。

• 多言語コンテンツ制作：異なる言語背景を持つユーザーのコンテンツ制作ニーズに応えます。

さらに、Qwen VLoの入力と出力は任意の解像度とアスペクト比の画像をサポートしており、さまざまな使用シーンに適応します。ユーザーは生成プロセスをリアルタイムで確認し調整することができます。現在、このモデルは依然としてプレビュー段階です。

よくある質問

質問1：Qwen VLoは、以前のマルチモーダルモデルと比べて、生成能力において何が優れていますか？

回答：Qwen VLoの優位性は、詳細の捕捉がより正確で、生成コンテンツの意味的连贯性が高いこと。アートスタイル変換などのクリエイティブ指示に応答し、複雑なタスクを完了できること。プログレッシブ生成メカニズムにより视觉效果が向上し、制作がより柔軟になることです。

質問2：Qwen VLoはどのような画像操作が可能ですか？

回答：Qwen VLoは次のようなことができます：画像の直接生成；背景の変更や要素の追加などの画像修正；ジブリ風、3D風などのスタイル変換；検出やセグメンテーションなどの画像感知ローカリゼーション；複数操作の複雑な指示の処理と多段階タスクの完了；動的アスペクト比画像の生成（極端なアスペクト比機能はまだ提供されていません）；自身で生成した内容の再理解、例えば動物の品種の識別など。

質問3：Qwen VLoのプレビュー段階にはどのような制限がありますか？

回答：プレビュー段階では、Qwen VLoは生成が不正確である、原文の画像と一致しない、指示に従わない、意図理解が不安定などの問題が発生する可能性があります。

ブログ：https://qwenlm.github.io/blog/qwen-vlo/