Qwen2-VL

Qwen（通義千問）シリーズの視覚言語モデルで、高解像度の画像や長尺の動画を詳細に解析する能力を持ちます。文書理解、物体検出、複雑な視覚的推論を得意としています。本研究の評価対象に含まれましたが、概念の定義と応用のギャップを示すポチョムキン率においては、他のモデルと同様に高い数値を示し、視覚理解モデルにおいても「見せかけの理解」が課題であることが示唆されました。