Unslothがブラウザ操作に対応。Qwen-Image-2.1-Turbo は 8 段階で画像生成。
この記事のポイント
- ブラウザ操作をモデルに任せていた
- 操作前に確認やパスワード入力を制限
- ローカルモデルでもAPIでも動作する
数字で見る
この記事に出てくる数字
| 画像生成ステップ数 | 8 steps |
|---|---|
| VRAM超えMoE速度 | 3x faster |
どこで使えるか
ブラウザ操作をローカルモデルで使いたい人向け。API 不要で操作履歴も残らない GitHubリリースページで公開済み v0.1.906-beta。Mac用はMLX推論のみ
スポンサーリンク
解説
かみくだいて説明します
GitHubのdanielhanchenが2026-10-12、AI開発ツールUnslothの更新情報を公開しました。モデルがブラウザを開いてページを読み、クリックや入力をできるようになるBrowser use機能と、画像をわずか8ステップで生成するQwen-Image-2.1-Turboが追加されています。
自分でページを操作できるのは確かに驚きですね。開発者が組み込む場合、既存のコードを置き換える話ですか。手元で動かすのに何が要りますか。
操作はチャットの横に別のタブが開いて行われ、他のタブにはアクセスできません。ログインや購入、送信を伴う操作の前には必ず確認が来るので、パスワードやカード番号、ワンタイムコードはユーザーが入力する仕組みです。現場で使う技術者から見ると、ブラウザを外部ツールとして呼び出すインターフェースが標準で用意されたので、手元のコードを置き換える話ではなく、追加でつなぐ形になります。
8ステップで画像が作れるのは確かに速いですね。従来のバージョンと比べて、具体的にどのくらい時間が短縮されるんですか。
従来のバージョンに比べてステップ数が半分以下になるので、生成にかかる時間が短縮されます。ファイルサイズは4.2 GBのQ4 GGUFとして提供され、VRAMが足りない環境でもMoE GGUFが最大3倍速く動くほか、Macでの推論も推定デコードで最大2.8倍速くなります。
VRAMを超えても速くなるのは助かりますね。技術者がMacで動かす場合、特別な環境構築は要りますか。
容量を超えたMoE GGUFでも、NVIDIAとAMDのGPUで最大3倍の高速化が実現します。MacではMLXの推定デコードに対応し、MTPやDFlash、DSpark、EAGLE-3といったドラフターを自動で選んで処理速度を上げます。推定デコードは、答えを全部一気に書く代わりに、まず大まかな下書きを素早く作り、そこから正しい部分を拾い上げる作業に例えられます。環境構築は既存のUnslothのインストール手順を踏めばよく、追加で複雑な設定を組む必要はありません。
では、訓練が最大3倍速くなるのは確かに大きいですが、研究者が見るとどこが新しいんですか。これまでは何ができていなかったんですか。
DiffusionGemmaやLLaDAといったテキスト拡散LLMをDiffusionTrainerで訓練でき、LoRA+やGPTQモデルのLoRA微調整にも対応します。これまで動画プロンプトやツール呼び出しで訓練できなかった部分も、TRL 1.15の導入でカバーできるようになりました。
動画プロンプトで訓練できるのは確かに便利ですね。AIを使う側からすると、いま困っていることのどれが減るんですか。
訓練時間の短縮と、VRAMの予算を指定してオフロード層を設定できるおかげで、限られたメモリ環境でも大型モデルの微調整が現実的な時間で終わるようになります。
最後に、Macでの推論速度が2.8倍になるのは素晴らしいですね。そこはすでに実測値として公開されているんですか。
公開されているのは、Macでの推論速度が最大2.8倍になるというベンチマークの数値です。ただし、使うモデルの規模やプロンプトの長さ、チップの種類によって速度は変わります。
出典
この記事のもとになった情報
- GitHub:Browser Use + Qwen-Image-2.1-Turbo
- 公開日:2026-10-12
※ 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。