QwenLM、画像や動画の思考・推論に特化した「QVQ-Max」初版を公開

従来のマルチモーダルAIは、画像のラベルを読み上げることは得意でも、図形問題の解法を導き出すような深い思考は苦手としていました。

昨年12月に試験公開された「QVQ-72B-Preview」には多くの課題が残されていましたが、Qwenチームは3月27日、視覚的な根拠に基づいて推論する新モデル「QVQ-Max」の初期バージョンを正式公開しました。

思考時間を延ばすほど正解率が向上

QVQ-Maxの最大の特徴は、画像や映像の中身を認識するだけでなく、その視覚情報を手掛かりに論理的な推論を行える点にあります。

難関マルチモーダル数学ベンチマーク「MathVision」において、思考プロセスの最大長を延ばすにつれて正解率が継続的に向上することが確認されました。時間をかけてじっくり考えさせることで、複雑な図形やグラフの解釈精度が高まる仕組みです。

静止画やチャートの解析に加え、動画クリップから次の展開を予測することも可能です。用途としては、図表付きの数学や物理の問題解説、データ分析の補助、プログラミング支援のほか、手書きスケッチのブラッシュアップや服装提案といった日常的なタスクが想定されています。

スクリーン操作エージェントへの布石

開発チームは、今回のリリースが最初のステップに過ぎないと説明しています。

今後の改善点として、まず「グラウンディング（視覚的根拠付け）」技術を強化し、画像の誤認を防ぐ検証精度を引き上げる計画です。

さらにその先には、スマートフォンやPCの画面を認識して操作したり、ゲームをプレイしたりできる「ビジュアルエージェント」への進化を見据えています。外部ツールの呼び出し検証や画像生成と組み合わせ、テキストチャットを超えた操作性の実現を目指します。

なぜ重要か

私たちは、テキスト中心だった「推論重視型モデル（Reasoning Model）」の波が、いよいよ本格的に視覚領域へ波及してきたと捉えています。

OpenAIのo1のように思考時間をかけて精度を上げるアプローチが、図表や幾何学問題でも有効だと実証された意義は大きいです。設計図の確認やデータシートの読み込みをこなしたい開発者や専門職にとって、単なる画像説明を超えた実用的なツールになり得ます。

一方で課題も明確です。視覚情報を抱えたまま長時間の思考ステップを踏むため、レイテンシと計算コストの増大は避けられません。また、初期段階の観察を誤れば、どれだけ思考を深めても結論が破綻するリスクがあります。現時点では学習支援や図表の壁打ち相手として試す価値は十分にありますが、PCの自動操作を安心して任せられる段階にはまだ少し時間がかかりそうです。