Editor’s Note
XピックアップJEV-27B-VL、画像入力を確率付き判断へ拡張
Hugging Faceは10月2日、AutoTrust AI Labによる「JEV-27B-VL」の紹介投稿をリポストした。これは、文章だけでなく画像を見せたときにも、候補ごとの確率を返す判断と、理由を文章で考える処理を一つのモデルで扱おうとするオープンウェイトモデルだ。画像分類の正解を一つ返すだけでなく、「各候補をどれくらい支持するか」までアプリへ渡せるのが、使う側にとっての具体的な変化になる。
定型判断と文章生成を二つの系統で扱う
AutoTrustの解説によると、JEV-27B-VLはJEV-27Bへ視覚入力を加えた構成だ。System 1はテキストまたは画像に対し、二択から最大256択、さらに0〜5評価の各候補について確率を返す。画像と説明を渡し、複数の選択肢を確率付きで評価する定型処理を組みやすい。
一方のSystem 2は、Qwen3.8-27Bによる画像対応の文章生成と段階的推論で、従来構成から変更されていない。つまり「判断専用モデル」一本ではなく、機械が扱いやすい確率出力と、人が読める説明を役割分担させる設計だ。モデルカードはHTTP APIも案内しており、画像とテキストを state に入れ、POST /v1/decide から分類や評価を呼び出せる。
「near-SOTA」は比較範囲と一緒に見る
性能については距離感が要る。モデルカードにあるAutoTrustの追加測定では、MMRB2の4タスク平均が63.8でGPT-4.1の63.5に近い。一方でGPT-5は72.2、Gemini 3 Proは76.3と記載されている。MMRB2原論文でも後二者はより高い範囲にあるため、「near-SOTA」を全タスクで最高水準という意味に広げるべきではない。これらは提供側の測定で、本稿では再現していない。
さらに面白く、同時に注意したいのは、視覚判断ヘッド自体は画像で訓練されていない点だ。テキストだけで訓練した判断ヘッドを画像へゼロショット適用しており、画像タスクでの確率校正は体系的に測定されていない。「画像を見られる」と「その確率をそのまま業務の閾値に使える」は別の話になる。
ローカル運用は80GB級GPUと設定確認が先
デモ用リポジトリとモデルカードが示すローカル提供の推奨構成は、vLLMと80GB以上のGPUだ。完全な256Kコンテキストでは、約52GBのモデル重みに加え、約17GBのKVキャッシュが必要とされる。気軽なノートPC向けというより、判断APIを自前の基盤へ組み込みたいチーム向けの重さだ。
実装上はもう一つ重要な制約がある。マルチモーダルのvLLM経路は、同時バッチを8シーケンス以下にしないとSystem 1が誤った確率を返すとモデルカードが注意している。また16を超える選択肢は訓練時に見ていないラベルを使い、その校正評価は1データセットに限られる。まず少数の候補と自社画像で確率の安定性を測り、バッチ設定まで固定するのが現実的だろう。
参考資料
- AutoTrust AI Lab：JEV-27B-VL解説
- Hugging Face：autotrust/JEV-27B-VLモデルカード
- GitHub：JEV-27B-DEMO
- arXiv：Multimodal RewardBench 2
