Qwen3-VL
알리바바의 Qwen 팀이 최신 비전-언어 모델인 Qwen3-VL을 공개했습니다. 이 모델은 최대 256K 토큰의 텍스트, 이미지, 비디오를 원활하게 통합하는 인터리브드 컨텍스트를 지원하며, 순수 텍스트 이해, 장문 컨텍스트 이해, 그리고 MMMU 및 MathVista와 같은 시각-수학 벤치마크를 포함한 다양한 작업에서 고급 멀티모달 추론 능력을 제공합니다.
Qwen3-VL은 향상된 공간-시간 모델링을 위한 interleaved-MRoPE, 비전-언어 정렬을 강화하는 DeepStack 통합, 그리고 정확한 비디오 접지를 위한 명시적 텍스트 기반 시간 정렬과 같은 주요 아키텍처 업그레이드를 특징으로 합니다. 연구자들은 Hugging Face Hub에서 2B에서 32B까지의 밀집 모델과 30B-A3B/235B-A22B의 MoE(Mixture-of-Experts) 변형을 사용할 수 있습니다. 또한, 시각적 코딩, 모바일/PC GUI 에이전트, 고급 공간 인식, 32개 언어를 지원하는 확장된 OCR 등 다양한 분야에서 뛰어난 성능을 발휘하는 “Instruct” 및 “Thinking” 에디션도 포함되어 있습니다.
관련 URL: