JEV-9Bが画像入力をサポート。1 GPU で 0.2 秒の判断速度。
この記事のポイント
- Qwen3.5-9Bの重みをそのまま使う
- 画像判定と推論を1つのモデルで
- GPU1枚で0.2秒の判定が可能
数字で見る
この記事に出てくる数字
| 推論速度 | 0.2s |
|---|---|
| タスク成功率 | 95% |
どこで使えるか
画像判定やロボット制御を自前で組む人向け。0.2秒の判断速度で1GPUで動作。 Hugging Faceで公開済み GPU1枚で0.2s。--max-num-seqs 8推奨
スポンサーリンク
解説
かみくだいて説明します
autotrustが9月23日に公開したJEV-9Bは、Qwen3.5-9Bという言語モデルの重みをそのまま使いながら、画像を見て次の行動を決めるアダプターを足したモデルです。
画像を見てすぐ動くんですか。System 1とSystem 2が一緒に動くと聞いていますが、具体的にどう使い分けているんですか?
System 1は反射的な判断で、例えば信号を見て即座にブレーキを踏むようなものです。System 2はQwen3.5-9Bそのもので、じっくり考える生成と推論を担当します。同じ重み一つで、リクエストごとにどちらかを選ぶ仕組みです。
なるほど。重みは一つで切り替えるんですね。技術者が現場で組み込む場合、動かすのに特別な環境は要りますか。
vLLMというエンジン一つで動きます。言語部分の重みはQwen3.5-9Bとビット単位で同じなので、修正なしでそのまま画像判断のAdapterを乗せて走らせられます。
修正なしで走ると。実際にブラウザを操作するデモでは、どれくらいの成功率と速度が出たんですか。
60件のランダムなマルチステップタスクで、95%が完了しました。ショップや設定、メールの操作で、1回クリックするたびに おおよそ0.2秒です。テキスト情報なしで番号だけのボックスからでも判断できますが、成功率は37%に下がります。
番号だけでも動くんですね。では、失敗した時はどうなるんですか。ロボットアームのデモも聞きましたが、そこでの精度はどうでしたか。
ブラウザ操作では色を選ぶステップを飛ばして空のカートで決済を進める失敗が見られました。ロボットアームでは165ミリ秒で判断し、10回中10回成功しましたが、外した時は3から5センチほど目標から外れました。
165ミリ秒で10回中10回成功。次世代モデルの話も出ていましたが、JEV-27Bは具体的にどこが変わるんですか。
JEV-27BはJEV-1.13に近づき、見たことのないタスクへの転移が良くなり、System 2の推論能力が強化されています。
未知のタスクにも強くなるんですか。最後に、画像判断のベンチマーク結果について教えていただけますか。
VL-RewardBenchで74.3%、AgentRewardBenchのAUROCが0.91、ゼロショットのショート動画推薦AUCが0.72です。
数値を見ると判断の精度は高いと分かりますが、まだ解けていない課題はありますか。
画像を判断する際のゼロショット性能は報告されていますが、System 1とSystem 2を統合した際の遅延や、長文タスクでの安定性についてはそこはまだ分かっていません。
出典
この記事のもとになった情報
- Hugging Face:autotrust/JEV-9B
- 公開日:2026-09-23
※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。