ローカルVision LLMでキャラ画像からRPGパラメータを抽出できるか試した

写真をドット絵に変換して、RPGの戦闘シーン風の画像を自動合成するパイプラインを組みたくなった。最終的にはカメラ撮影→ドット絵化→パラメータ生成→戦闘シーン合成→プリントまで一気通貫で回す構想だが、まずは中間処理から固める。

ドット絵への変換はQwen Image Editでできることがわかっている。問題は「画像を見てRPGのステータスを返す」ステップで、ここはVision LLM（VLM）の仕事になる。どのモデルがローカルで実用的に使えるか、実際に試して決める。

やること

キャラクター画像をローカルのVision LLMに渡して、以下のようなJSON形式でRPGパラメータを返せるかテストする。

{
  "name": "キャラ名",
  "class": "職業",
  "level": 23,
  "hp": 180,
  "mp": 45,
  "attack": 72,
  "defense": 58,
  "speed": 41,
  "special": ["とくぎ1", "とくぎ2"],
  "description": "短い説明"
}

画像の見た目（服装、表情、ポーズ、雰囲気）からそれっぽいパラメータを「でっちあげて」もらう。正解はないので、出力の面白さ・一貫性・JSON形式の安定性を比較する。

テスト環境

• M1 Max 64GB
• Ollama 0.17.7（Gemma 4テスト時に0.20.6へアップデート）
• macOS

テスト画像

4種類の画像を使う。同じキャラクターだが、画風と等身が異なる。

画像1: 全身イラスト	画像2: ドット絵・等身高め	画像3: ドット絵・等身低め	画像4: ドット絵・2等身
制服＋悪魔の翼、月背景	透過背景	透過背景	ベージュ背景

VLMが画風の違いをどう解釈するか、ドット絵からでもパラメータを生成できるかが見どころ。

共通プロンプト

各モデルに同じプロンプトを渡す。OllamaのAPIに画像をbase64で添付し、stream: falseで一括レスポンスを取得する。

この画像のキャラクターを見て、ドラクエ風のRPGステータスをJSON形式で生成してください。
画像の見た目から想像して、それっぽいパラメータをでっちあげてください。
JSON以外のテキストは不要です。
{"name": "キャラ名", "class": "職業", "level": 数値, "hp": 数値,
 "mp": 数値, "attack": 数値, "defense": 数値, "speed": 数値,
 "special": ["とくぎ1", "とくぎ2", "とくぎ3"],
 "description": "短い説明"}

呼び出しはPythonスクリプトで統一した。

import json, base64, urllib.request

def generate_rpg_params(model, image_path):
    with open(image_path, 'rb') as f:
        img = base64.b64encode(f.read()).decode()
    payload = json.dumps({
        'model': model,
        'prompt': PROMPT,  # 上記のプロンプト
        'images': [img],
        'stream': False
    }).encode()
    req = urllib.request.Request(
        'http://localhost:11434/api/generate',
        data=payload,
        headers={'Content-Type': 'application/json'}
    )
    with urllib.request.urlopen(req, timeout=300) as resp:
        return json.loads(resp.read())

テスト結果

Gemma 3 4B

モデル: gemma3:4b（3.3GB）

画像1: 全身イラスト（8.2秒）

{
  "name": "ルナ",
  "class": "妖精戦士",
  "level": 5,
  "hp": 120,
  "mp": 150,
  "attack": 30,
  "defense": 25,
  "speed": 60,
  "special": ["星光魔法", "月影舞", "妖精の囁き"],
  "description": "夜空を舞う妖精。素早い動きと魔法で敵を翻弄する。"
}

画像2: ドット絵・等身高め（5.5秒）

{
  "name": "ユイ",
  "class": "学園娘",
  "level": 5,
  "hp": 80,
  "mp": 120,
  "attack": 15,
  "defense": 10,
  "speed": 20,
  "special": ["バブル", "イタズラ", "癒し"],
  "description": "学校帰りの元気な少女。友達を大切にする優しい性格。"
}

画像3: ドット絵・等身低め（5.2秒）

{
  "name": "アリス",
  "class": "プリキュア",
  "level": 5,
  "hp": 120,
  "mp": 80,
  "attack": 45,
  "defense": 30,
  "speed": 60,
  "special": ["ホイッスル", "フレッシュ", "スター"],
  "description": "元気いっぱいの少女。仲間を守るためなら、どんな困難にも立ち向かう。"
}

画像4: ドット絵・2等身（5.3秒）

{
  "name": "ルナ",
  "class": "魔法使い",
  "level": 5,
  "hp": 80,
  "mp": 150,
  "attack": 30,
  "defense": 20,
  "speed": 60,
  "special": ["メラファイア", "メラアイス", "メラホオオ"],
  "description": "クールで少し大人びた魔法使い。普段は落ち着いているが、戦闘では強力な魔法を繰り出す。"
}

所見

• JSON形式は4枚とも安定して正しい形式で返ってきた
• 全画像でlevel 5固定。数値の振れ幅が小さい
• 翼と月の背景を認識して「妖精戦士」「月影舞」を出したのは良い
• 「プリキュア」が職業として出てくるのはドラクエ感がない
• 「メラホオオ」など実在しない呪文を捏造する傾向あり（ドラクエを知らないわけではなさそうだが、再現精度は低い）
• ドット絵でも画像認識自体は問題なく動作する
• 推論速度は5〜8秒と高速

---

Qwen2.5-VL 7B

モデル: qwen2.5vl:7b（6.0GB）

画像1: 全身イラスト（24.1秒）

{
  "name": "ルイーゼ",
  "class": "戦士",
  "level": 10,
  "hp": 150,
  "mp": 50,
  "attack": 80,
  "defense": 70,
  "speed": 60,
  "special": ["剣の舞", "魔法防具", "回復薬"],
  "description": "青い翼を持つ少女。夜空の下で静かに立つ、神秘的な戦士。"
}

画像2: ドット絵・等身高め（4.2秒）

{
  "name": "リリィ",
  "class": "戦士",
  "level": 15,
  "hp": 120,
  "mp": 10,
  "attack": 30,
  "defense": 25,
  "speed": 20,
  "special": ["剣の舞", "防御の盾", "高速移動"],
  "description": "青いリボンをつけて、元気な印象の少女。戦闘では防御と攻撃のバランスが取れた戦士として活躍する。"
}

画像3: ドット絵・等身低め（3.7秒）

{
  "name": "ルイーゼ",
  "class": "戦士",
  "level": 10,
  "hp": 150,
  "mp": 50,
  "attack": 80,
  "defense": 70,
  "speed": 60,
  "special": ["剣の舞", "防御の盾", "高速移動"],
  "description": "赤い髪の少女。元気で明るい性格の戦士。"
}

画像4: ドット絵・2等身（3.9秒）

{
  "name": "リリィ",
  "class": "戦士",
  "level": 10,
  "hp": 150,
  "mp": 50,
  "attack": 80,
  "defense": 70,
  "speed": 60,
  "special": ["剣の舞", "防御の盾", "高速移動"],
  "description": "青いリボンとリボンの髪飾りが特徴的な、元気な少女戦士。"
}

所見

• JSON形式は全画像で安定
• 全画像で職業が「戦士」固定。画像の特徴（翼、魔法的な雰囲気）を職業に反映しない
• 画像3・4はステータスがHP150/MP50/攻撃80/防御70/速さ60で完全に同一。テンプレ感が強い
• 特技も「剣の舞」「防御の盾」「高速移動」がほぼ共通。画像ごとの差分が少ない
• 翼の存在を認識はしている（descriptionに「青い翼を持つ少女」）が、ステータスに反映されない
• ドット絵の認識は問題なし。リボンなどの細かいパーツも拾えている
• 推論速度は全身イラストで24秒と遅め。ドット絵は3〜4秒と高速

---

Gemma 3 12B

モデル: gemma3:12b（8.1GB）

画像1: 全身イラスト（12.2秒）

{
  "name": "シエル・ヴァルキュリア",
  "class": "堕天使騎士",
  "level": 27,
  "hp": 185,
  "mp": 112,
  "attack": 78,
  "defense": 55,
  "speed": 93,
  "special": ["堕天光線", "聖域剥奪", "魅了の歌"],
  "description": "冷静沈着な堕天使。その美貌と力で人々を惑わせ、時には破滅へと導く。"
}

画像2: ドット絵・等身高め（9.2秒）

{
  "name": "春日 杏 (はるひ あん)",
  "class": "スクールアイドル",
  "level": 7,
  "hp": 68,
  "mp": 42,
  "attack": 25,
  "defense": 18,
  "speed": 35,
  "special": ["応援歌", "閃光ダンス", "キュートアタック"],
  "description": "ステージを照らす、希望の光。アイドルとしての輝きと、秘めた健闘心を持つ少女。"
}

画像3: ドット絵・等身低め（8.2秒）

{
  "name": "花音",
  "class": "魔法使い",
  "level": 7,
  "hp": 65,
  "mp": 120,
  "attack": 30,
  "defense": 25,
  "speed": 70,
  "special": ["ファイア", "アイス", "ライトニング"],
  "description": "明るく元気な魔法使い。意外と正義感が強い。"
}

画像4: ドット絵・2等身（9.3秒）

{
  "name": "憂鬱な花子",
  "class": "理系魔法使い",
  "level": 5,
  "hp": 85,
  "mp": 120,
  "attack": 30,
  "defense": 25,
  "speed": 60,
  "special": ["しかめっ面ブレス", "溜め読みマナ", "ツッコミ判定"],
  "description": "いつも何かと不満げな表情をしている理系魔法使い。天才的な頭脳で強力な魔法を操る。"
}

所見

• JSON形式は全画像で安定
• 3モデル中、最もクリエイティブな出力。画像の特徴を職業や特技に反映する能力が高い
• 翼＋制服＋月の組み合わせから「堕天使騎士」を導き出し、特技も「堕天光線」「聖域剥奪」と世界観が一貫している
• 2等身ドット絵のちょっとムスッとした表情を読み取って「憂鬱な花子」「理系魔法使い」「しかめっ面ブレス」を生成。表情認識の精度が高い
• レベルが画像の雰囲気で変わる（全身絵は27、ドット絵は5〜7）。単調にならない
• ステータスの配分にも個性がある。堕天使騎士は速さ93が突出、魔法使いはMP120が高い
• 推論速度は8〜12秒。4Bより遅いが十分実用的

---

Llama 3.2 Vision 11B

モデル: llama3.2-vision:11b（7.8GB）

画像1: 全身イラスト（19.2秒）

{"name": "Hana", "class": "Vampire", "level": 10, "hp": 100, "mp": 50,
 "attack": 20, "defense": 15, "speed": 30,
 "special": ["Blood Drain", "Shadow Bite", "Darkness"],
 "description": "A young vampire with a mysterious past..."}

画像2: ドット絵・等身高め（17.5秒）

JSONではなくMarkdown形式で出力された。特技が「まほう1」「まほう2」「まほう3」というプレースホルダ。

画像3: ドット絵・等身低め（15.8秒）

{"name": "エリザ", "class": "マジック少女", "level": 10, "hp": 100, "mp": 80,
 "attack": 15, "defense": 10, "speed": 12,
 "special": ["火の炎", "水の波", "風の旋", "電の光", "土の壁"],
 "description": "天才少女、エリザはマジックを操り、世界を救い、天下を取る"}

画像4: ドット絵・2等身（14.2秒）

{"name": "さや", "class": "魔女", "level": 10, "hp": 100, "mp": 50,
 "attack": 20, "defense": 15, "speed": 30,
 "special": ["火の玉", "氷の壁", "電気の鞭"],
 "description": "とりあえず魔女のとりあえず"}

所見

• 日本語プロンプトに対して英語で返すことがある（画像1）。日本語の指示追従が弱い
• JSON形式が不安定。画像2はMarkdownで返ってきた。画像3はMarkdown見出し+JSONの混合
• level 10固定、HP100固定と、パラメータがテンプレ的
• descriptionが投げやり（「とりあえず魔女のとりあえず」）
• FF風テストでは「ティル・ド・ジント」「マルス・エクス・デュス」のようなフランス語風ハルシネーションが発生
• カードダス風テストでは英語で返す（“Vampirina”, “The Moonlight”）うえに、JSONとMarkdownの両方を出力する
• 日本語コンテンツ生成タスクには不向き

---

Gemma 4 E4B

モデル: gemma4:e4b（9.6GB）

Ollama 0.17.7ではpull時に412エラーが出た。0.19以降が必要で、今回は0.20.6にアップデートして実行。

画像1: 全身イラスト（28.9秒）

{
  "name": "リリー",
  "class": "翼使（ヨコシ）",
  "level": 25,
  "hp": 2800,
  "mp": 6500,
  "attack": 1200,
  "defense": 1500,
  "speed": 3500,
  "special": [
    "天癒の舞（てんゆのまい）: 味方全体のHPを大きく回復する光の魔法。",
    "蒼空の翼撃（そうくうのよくげき）: 巨大な翼から強力な光の波動を放つ広範囲攻撃。",
    "羽音の急襲（はおとのきゅうしゅう）: 自身のスピードとMPを大幅に回復しながら敵を拘束する支援魔法。"
  ],
  "description": "学園の制服を身に纏いながらも、背後からは巨大な翼を広げる神秘的な少女。優雅な動きからは高い魔法の才能が滲み出ており、回復と攻撃を兼ね備えた万能のエレメンタリスト。その力は、天使と魔族の境界に存在する謎めいたものである。"
}

画像2: ドット絵・等身高め（19.4秒）

{
  "name": "夢見の少女",
  "class": "癒しの魔法使い",
  "level": 17,
  "hp": 240,
  "mp": 380,
  "attack": 10,
  "defense": 18,
  "speed": 28,
  "special": [
    "聖なる癒し (Heal)",
    "精神安定 (Mind's Calm)",
    "結界展開 (Barrier)"
  ],
  "description": "繊細で優雅な雰囲気を持つ魔法使い。直接的な戦闘よりも、仲間の心を癒し、支えることに長けている。"
}

画像3: ドット絵・等身低め（14.4秒）

{
  "name": "リナ",
  "class": "賢者",
  "level": 15,
  "hp": 250,
  "mp": 400,
  "attack": 30,
  "defense": 15,
  "speed": 35,
  "special": ["マジックカーン", "シールド", "弱点看破"],
  "description": "学園に所属する、知識と癒やしの力を持つ少女。戦場ではサポートに徹し、仲間を支える魔導使い。"
}

画像4: ドット絵・2等身（14.1秒）

{
  "name": "ライラ",
  "class": "学園魔術師",
  "level": 18,
  "hp": 280,
  "mp": 550,
  "attack": 15,
  "defense": 10,
  "speed": 30,
  "special": [
    "ルーンの結界 (防御)",
    "記憶の回復 (回復)",
    "ステータス解析 (支援)"
  ],
  "description": "知識を武器とする、冷静な魔術の使い手。友情の魔法を信じ、仲間を支える。"
}

所見

• JSON形式自体は正しいが、指定した数値範囲を守らない。画像1はHP2800・速さ3500で、プロンプトのHP1-999・speed1-255を大幅に逸脱
• 特技にフレーバーテキスト（説明文や英訳）を勝手に追加する傾向がある。パース時に邪魔になる
• 「翼使（ヨコシ）」のように独自のルビを振るのはクリエイティブだが、ドラクエ感からは外れる
• 学園要素を全画像で強く拾っている（制服を認識して「学園魔術師」「学園に所属する」等）
• descriptionが長い。画像1は3文に及ぶ
• 推論速度は14〜29秒で、テストした中で最も遅い
• Gemma 3 12Bと比べると、認識精度は同等だがフォーマット遵守の面で劣る

---

プロンプト変更テスト

ドラクエ風以外のフォーマットでも全モデルで試した。最終的にDQ風・FF風・カードダス風のどれで合成するかはまだ決めていないので、プロンプトを変えたときの出力の質をモデルごとに確認する。

全身イラストと2等身ドット絵の2枚で比較。

FF風

Gemma 3 12B

// 全身イラスト（15.1秒）
{"name": "白咲 凛華 (Shirasaki Rinka)", "job": "魔導剣士 (Magick Knight)", "level": 55,
 "hp": 8200, "mp": 6500, "strength": 75, "magic": 120, "vitality": 90, "speed": 110,
 "abilities": ["魔力障壁", "迅雷剣舞", "星詠み", "治癒の光"],
 "limit_break": "星影の奔流 (Starlight Torrent)"}

// ドット絵・2等身（9.1秒）
{"name": "早苗 (Sanae)", "job": "白魔道士 (White Mage)", "level": 12,
 "hp": 680, "mp": 420, "strength": 35, "magic": 85, "vitality": 60, "speed": 48,
 "abilities": ["白魔法習得", "祈祷", "アエテロヘイスト", "ライフ"],
 "limit_break": "聖なる光"}

「魔導剣士」「白魔道士」とFFの語彙で出てくる。リミットブレイクも自然。英語名を勝手に括弧で添えるのはGemma 3の癖だが、パースで除去すればいい。

Gemma 3 4B

// 全身イラスト（9.0秒）
{"name": "ルナ", "job": "スターライト・ナイト", "level": 10,
 "hp": 750, "mp": 1200, "strength": 80, "magic": 150, "vitality": 110, "speed": 130,
 "abilities": ["スターダスト・ショット", "ミラーイメージ", "ライトニング・ガンス"],
 "limit_break": "コスミック・ディヴァイン"}

// ドット絵・2等身（5.8秒）
{"name": "ミユ", "job": "学園の守護者", "level": 5,
 "hp": 120, "mp": 80, "strength": 10, "magic": 15, "vitality": 12, "speed": 14,
 "abilities": ["学園の力", "精神感応", "静寂の防壁"],
 "limit_break": "聖なるバリア"}

「スターライト・ナイト」「コスミック・ディヴァイン」と中二感が強め。FFというよりオリジナルRPGの雰囲気。

Qwen2.5-VL 7B

// 全身イラスト（39.0秒）
{"name": "ルイーゼ", "job": "魔法使い", "level": 15,
 "hp": 1200, "mp": 1500, "strength": 80, "magic": 120, "vitality": 90, "speed": 70,
 "abilities": ["魔法の盾", "炎の魔法", "風の魔法"],
 "limit_break": "天界の魔法"}

// ドット絵・2等身（4.6秒）
{"name": "リリィ", "job": "魔法使い", "level": 15,
 "hp": 120, "mp": 180, "strength": 70, "magic": 100, "vitality": 80, "speed": 60,
 "abilities": ["魔法の盾", "炎の矢", "風の舞"],
 "limit_break": "光の結晶"}

DQ風と同じくジョブが「魔法使い」固定。FF感がない。全身イラストで39秒と極端に遅い。

Gemma 4 E4B

// 全身イラスト（30.7秒）
{"name": "ルナリス", "job": "神秘の舞踊家", "level": 40,
 "hp": 750, "mp": 1800, "strength": 65, "magic": 150, "vitality": 110, "speed": 145,
 "abilities": ["魅惑の舞（エンチャント）: 敵全体に魅了状態を付与...",
               "翼影斬（ウィング・シャドウ）: 自身の翼を媒介とした...",
               "月詠の導き（ルナー・ガイド）: 味方全体のMPを回復..."],
 "limit_break": "アビス・フォール：聖夜の羽翼"}

// ドット絵・2等身（20.3秒）
{"name": "ルナリア", "job": "魔導学園の生徒", "level": 18,
 "hp": 850, "mp": 1500, "strength": 110, "magic": 145, "vitality": 650, "speed": 1300,
 "abilities": ["光の護符（サポート）", "元素弾（魔法攻撃）", "時間停止の詠唱（妨害）"],
 "limit_break": "星詠みのアルカナ"}

DQ風と同じ傾向で、特技に説明文を混ぜる。vitality 650、speed 1300と数値範囲も守らない。

カードダス風

Gemma 3 12B

// 全身イラスト（8.1秒）
{"name": "藍川 栞", "title": "放課後ノ魔女", "type": "魔法", "rarity": "★3",
 "power": 780, "technique": 920, "speed": 850,
 "special_move": "禁書召喚：星詠みの呪印",
 "flavor_text": "放課後には古書に囲まれて魔法の研究に励む。その瞳には、禁断の知識が宿っている。"}

// ドット絵・2等身（7.7秒）
{"name": "憂鬱な小鳥遊", "title": "陰鬱プリンセス", "type": "メンタル", "rarity": "3",
 "power": 350, "technique": 800, "speed": 600,
 "special_move": "絶望の囁き",
 "flavor_text": "俯き加減の彼女に語りかけると、心の奥底にある暗い秘密が漏れ出すかも？"}

「放課後ノ魔女」「陰鬱プリンセス」のような二つ名が印刷映えする。パラメータ3つに集約されるのでカードレイアウトとの相性も良い。

Gemma 3 4B

// 全身イラスト（4.6秒）
{"name": "ルナ", "title": "星影の乙女", "type": "夜空の魔女", "rarity": "3",
 "power": 1500, "technique": 1200, "speed": 1800,
 "special_move": "星詠みの呪文",
 "flavor_text": "夜空に浮かぶ星の囁きに従い、真実を見抜く。"}

// ドット絵・2等身（4.4秒）
{"name": "ミオ", "title": "静寂の生徒", "type": "幻影", "rarity": "3",
 "power": 1500, "technique": 1800, "speed": 1200,
 "special_move": "虚像の嘲笑",
 "flavor_text": "沈黙は、時に最大の反証となる。"}

4Bでもカードダス風は安定している。フレーバーテキストが短くキレがある。

Qwen2.5-VL 7B

// 全身イラスト（14.9秒）
{"name": "ルーニー", "title": "月の妖精", "type": "水", "rarity": 5,
 "power": 8500, "technique": 9000, "speed": 8000,
 "special_move": "月光の舞",
 "flavor_text": "夜空に浮かぶ月の下で、彼女の歌声は星々を誘う。"}

// ドット絵・2等身（3.2秒）
{"name": "リリ", "title": "青い瞳の少女", "type": "風", "rarity": 3,
 "power": 1200, "technique": 1300, "speed": 1100,
 "special_move": "風の歌",
 "flavor_text": "青い瞳に風が吹き抜ける。"}

rarityを数値で返す（★表記でない）。全身イラストでpower 8500〜9000と極端に高いが、ドット絵は妥当な範囲。

Gemma 4 E4B

// 全身イラスト（18.6秒）
{"name": "リリア・ナイトウォーカー", "title": "月夜の翼人", "type": "闇", "rarity": "星5",
 "power": 8500, "technique": 9200, "speed": 7500,
 "special_move": "宵闇飛翔術",
 "flavor_text": "満月が照らす夜の帳の下、彼女の背中に宿る黒き翼は、失われた記憶を羽ばたかせていく。"}

// ドット絵・2等身（20.3秒）
{"name": "橘 結衣", "title": "秘めた決意の学徒", "type": "光", "rarity": "★★★★",
 "power": 2850, "technique": 4500, "speed": 1900,
 "special_move": "学園の約束",
 "flavor_text": "表向きは穏やかだが、仲間を想う強い意志が彼女の真の力を引き出す。"}

rarityの表記が「星5」「★★★★」と揺れる。カードダス風でもフレーバーテキストが長め。

プロンプト変更テストの傾向

モデル	FF風の質	カードダス風の質	速度傾向
Gemma 3 12B	FFの語彙で自然に出る	二つ名が秀逸	8〜15秒
Gemma 3 4B	中二感が強い	フレーバーが短くキレあり	4〜9秒
Qwen2.5-VL 7B	ジョブが「魔法使い」固定	数値が極端	3〜39秒
Llama 3.2 Vision	フランス語風ハルシネーション	英語で返す	14〜19秒
Gemma 4 E4B	特技に説明文混入	rarityが揺れる	18〜31秒

プロンプトを変えてもモデルの癖は変わらない。Gemma 3 12Bはどのフォーマットでも安定。Llama 3.2 Visionは日本語タスクに向かないことがFF風・カードダス風でも裏付けられた。カードダス風はフィールドが少ないぶん全モデルでJSON形式が安定する傾向がある（llamaを除く）。

---

比較

観点	Gemma 3 4B	Qwen2.5-VL 7B	Gemma 3 12B	Llama 3.2 Vision	Gemma 4 E4B
JSON形式の安定性	安定	安定	安定	不安定（Markdown混入）	形式OK、数値範囲逸脱
画像認識の精度	翼・月を認識	翼・リボンを認識	翼・表情・雰囲気まで認識	翼を認識（Vampire）	翼・制服・学園を強く認識
パラメータの面白さ	中（メラホオオなど迷走あり）	低（全部「戦士」固定）	高（堕天使騎士、理系魔法使い）	低（テンプレ的、投げやり）	高（翼使、独自ルビ）だが冗長
ドット絵への対応力	問題なし	問題なし	問題なし、表情まで読む	認識するがJSON崩壊	問題なし
日本語対応	良好	良好	良好	英語混入が頻発	良好
推論速度	5〜8秒	3〜24秒	8〜12秒	14〜19秒	14〜29秒
モデルサイズ	3.3GB	6.0GB	8.1GB	7.8GB	9.6GB
フォーマット遵守	良好	良好	良好	不良	数値範囲・特技形式が崩れる

Gemma 3 12Bが総合的に最も使いやすい。JSON出力の安定性と面白さのバランスが良く、指定したフォーマットを忠実に守る。

Gemma 4 E4Bは認識精度と面白さでは負けていないが、数値範囲を無視したり特技に説明文を混ぜたりと、構造化データとしての扱いやすさで劣る。パイプラインに組み込むにはパース処理の追加が必要になる。

Llama 3.2 Visionは日本語の指示追従とJSON出力の安定性が致命的に低く、このタスクでは使い物にならなかった。Qwen2.5-VLは画像認識自体はできているものの、出力のバリエーションが乏しい。Gemma 3 4Bはサイズの割に健闘しているが、12Bにすると画像の読み取りと出力の質が一段上がる。

パイプラインに組み込むVLMとしてはGemma 3 12Bを採用する方向で進める。M1 Max 64GBなら8.1GBのモデルは余裕で載る。Gemma 4 E4Bはプロンプトの改良で制御できる可能性があるが、速度面でも不利なので今回は見送り。