アリババが100以上の「Qwen 2.5」をオープンソース化、動画生成AIも発表

アリババクラウドは開催した年次イベント「雲栖大会（Apsara Conference）」にて、大規模モデル群「Qwen 2.5」の100種類以上を一挙にオープンソース化しました。パラメータ規模は0.5Bから72Bまで幅広く揃っています。

何ができるのか

今回のQwen 2.5は、数学的推論とプログラミング性能が大きく強化されており、29言語以上に対応しています。言語だけでなく音声や画像などのマルチモーダルに対応し、コード特化型や数学特化型モデルも用意されています。

あわせて発表された視覚モデル「Qwen2-VL」は、20分を超える長尺動画の内容を理解し、動画に基づいた質問応答が可能です。高度な推論と意思決定能力を備え、スマートフォンや自動車、ロボットへの組み込みを想定しています。

動画生成の分野では、「通義万相（Tongyi Wanxiang）」ブランドから新しいテキスト動画生成モデルが登場しました。DiT（Diffusion Transformer）アーキテクチャを採用し、中国語と英語のテキスト指示から実写風や3Dアニメ風の映像を作れるほか、静止画を動画に変換することもできます。

開発者向けには、要件定義からコーディング、バグ修正までを支援するツール「AI Developer」を公開しました。さらに商用の最上位モデル「Qwen-Max（Qwen2.5-Max）」も刷新され、言語理解やコーディングで世界最高水準の性能に達したと説明しています。

入手と利用方法

公開範囲は非常に広く、事前学習済みのベースモデル、対話向けに調整された指示チューニングモデルに加え、様々な精度で量子化されたモデルも揃っています。開発者が自前で圧縮作業を行う必要がありません。

0.5Bなどの軽量モデルは一般的なPCやモバイル端末上でそのまま動作し、72Bモデルはクラウド環境での高精度な推論に適しています。

全オープンソースモデルはHugging FaceおよびアリババのModelScope上で公開されており、重みを直接ダウンロードして利用できます。アリババによると、Qwenシリーズの累計ダウンロード数はすでに4000万回を超え、派生モデルは5万件以上に達しています。

なぜ重要か

ローカル環境で自前のAIエージェントやコーディング支援環境を作りたい人にとって、端から端まで揃ったサイズと公式の量子化版がすぐに手に入る利便性は絶大です。クローズドAPIに依存せず、最高レベルのコード・数学性能を手元で扱えます。

業界全体で見ても、MetaのLlamaが主導してきたオープンソース勢力図に大きな風穴を開ける動きと言えます。これだけの規模感と実用的なバリエーションを一度に投入してきた戦略は、オープンAIエコシステムにおける存在感を決定づけるものだと考えられます。