最新VLM「Qwen3-VL」を、Ollamaで家庭用PC（RTX 3090）に導入し、写真から物体の座標をJSONで出す手順を実演。PowerShellの罠、思考オフが効かない既知バグ、座標は推論で導かれる事実まで、実際に動かした記録をまとめます。

VLMとVLAの違いを、フィジカルAIを実務（AGRIST×Microsoft）で実装した経験から解説。画像から座標を出す方式と、座標を経由せず動作を直接出す最新VLAの違い、個人のGPUで試せるようになった経緯までまとめます。