オープンソース視覚決定モデル「Valen」：画像から行動確率を即座に出力

Valen（万瀾）は、AIエージェントの高速な反射神経として機能するオープンソースの軽量マルチモーダル意思決定モデルだ。テキスト生成を介さず、テキスト、画像、動画を入力として受け取り、あらかじめ定義された候補アクションに対する確率スコアを直接出力する。

現在のエージェント開発では、些細な画面認識にも大規模なマルチモーダルモデルが使われがちだが、自己回帰によるテキスト生成は遅く、コストもかさむ。Valenは直感的な「System One」の意思決定に特化しており、高速かつ高頻度な判断処理を肩代わりする。

何ができるのか

Valenは入力された状態と指示に対して、候補ごとの構造化された確率を返す。

用意されている質問形式は3種類ある。特定の条件が成立しているかを0から1の確率で判定する述語判定、複数の候補肢に確率を割り振る選択判定、そして記述レベルに応じて重み付け平均値と確信度を算出するスコアリング判定だ。

この設計は、瞬時の判断が求められるエージェントの現場で真価を発揮する。GUIエージェントによるポップアップ検知やボタンのクリック判定、倉庫ロボットによる障害物の回避や停止の判断、ゲームボットによる迷路や倉庫番の最適ルート選択などに適している。

問い合わせチケットの自動ルーティング実験では、選択肢に該当なしを追加することで範囲外の要求を人間側に適切にエスカレーションし、200件のテストにおいて誤った自動承認を8件から1件にまで削減できたとしている。

仕組みと動作環境

ValenはQwen3.5をバックボーンに採用し、Mixerアーキテクチャと共有状態推論を組み合わせて数百万件のサンプルで教師あり微調整（SFT）を行っている。

モデルサイズは0.8B、2B、4Bの3種類。テキストトークンを逐次生成しないため、単一ステップの意思決定は122ミリ秒から128ミリ秒前後で完了し、4並列のゲーム環境でも1.24秒以内で処理を終える。

公開リソースも充実している。Hugging Faceでモデル重みが配布されているほか、Python、JavaScript、C++向けのONNXランタイム、さらにllama.cppやOllama向けのGGUF形式が揃う。サーバー運用向けにはvLLMやSGLang用のDocker環境も用意されている。

ローカルGPUがなくても、APIキー不要の無料WebエンドポイントやWebチャットを通じてすぐに挙動を試せる。Claude CodeやCursor向けのスキルプラグインや、GPTやClaudeなど主要LLMと精度やレイテンシを直接比較できるJevalKitツールも同梱されている。

なぜ重要か

GUI自動化やロボティクス、ゲームエージェントを構築している開発者なら、今すぐ試す価値がある。画面内の特定の変化を確認するためだけに巨大な基盤モデルを呼び出すのは、レイテンシ的にもコスト的にも無駄が大きい。Valenのような超小型モデルを反射層として挟む構成は極めて実用的だ。

テキスト生成と意思決定処理を完全に切り離したアプローチは非常に合理的だと考える。あらかじめ候補を定義できないオープンエンドなタスクには向かないという制約はあるものの、高速な反射層と深い思考層をきれいに分担させることで、エージェント全体の動作は劇的に洗練されるはずだ。