Qwen: Qwen3 VL 235B A22B Instruct

Qwen3 VL 235B A22B Instructは、Qwenによるオープンウェイトのマルチモーダルモデルで、プロバイダーによって2025年9月23日にリリースされました。Qwen3 VLファミリーに属し、指示チューニング済みのバリアントであり、生の研究実験ではなく一般的な視覚言語タスクを対象としています。ウェイトがオープンであるため、実行している内容を検査でき、単一のホスト型エンドポイントを超えたデプロイオプションを検討できます。

このモデルはテキストと画像を入力として受け取り、テキストを返します。コンテキストウィンドウは262144トークンで、最大出力は32768トークンです。プロバイダーは、強力なテキスト生成と画像および動画にわたる視覚理解を統合したものと説明しており、Instructモデルは視覚的質問応答、ドキュメント解析、チャートや表の理解といった一般的な視覚言語用途を対象としています。知識カットオフは2025年3月31日であるため、それ以降の内容はモデルがトレーニング中に学習した範囲外です。

これらの機能は、かなり特定のジョブ群を示しています。スクリーンショット、写真、図に対する視覚的質問応答は明らかな用途です。ドキュメント解析は長いコンテキストと画像入力の組み合わせに適合します。複数ページのスキャンや密なレイアウトを積極的にチャンク分割せずに渡せるためです。チャートや表の理解は、ソースがクリーンなCSVではなくレンダリングされた図である分析ワークフローに適しています。長いテキストタスクも単独で機能するため、1つのモデルで、一部のリクエストが画像を含み他が純粋なテキストである混在パイプラインを処理できます。

モデルID「qwen/qwen3-vl-235b-a22b-instruct」を使用して、api14のOpenAI互換APIを通じて呼び出します。サポートされるパラメータは、frequency_penalty、logit_bias、logprobs、max_tokens、min_p、presence_penalty、repetition_penalty、response_format、seed、stop、structured_outputs、temperature、tool_choice、tools、top_k、top_logprobs、top_pです。ツール呼び出しと構造化出力の両方が利用可能であり、モデルを関数呼び出しループに組み込んだり、応答をスキーマに制約したりできます。サンプリング制御は通常のtemperatureとtop_pに加えてmin_p、top_k、repetition_penaltyをカバーし、seedとlogprobsおよびtop_logprobsは、必要なときに再現性とトークンレベルの検査を提供します。

コミットする前に、2つの実用的な制約に注意する価値があります。32768トークンの出力上限は262144トークンの入力ウィンドウを大きく下回るため、大きなドキュメントを1回で文字起こしするなど、非常に長い生成回答を必要とするタスクは呼び出しを分割する必要があります。また、2025年3月31日の知識カットオフは、最近の出来事に関する質問に対して、検索や、より新しいトレーニングデータを持つ別のモデルが必要になる可能性があることを意味します。ワークロードがテキストのみで、画像入力の恩恵を受けない場合、テキストに特化したモデルの方がより単純に適合するかもしれません。