阿里云发布全球首个多模态推理模型QVQ，开启视觉推理新纪元

多模态推理新时代：QVQ引领人工智能视觉革命

智慧科技

　　 12月25日，阿里云通义千问推出了业界首个开源多模态推理模型QVQ-72B-Preview。该模型在视觉理解和推理方面表现出色，尤其在处理数学、物理和科学等领域中的复杂问题时更为突出。多项评估结果显示，QVQ的表现超越了之前的视觉理解模型“开源王者”Qwen2-VL，其整体性能与“满血版”OpenAI o1、Claude3.5 Sonnet等推理模型相当。目前，开发者可以在魔搭社区和HuggingFace平台上直接体验这一模型。

　　 一个月前，通义团队推出的AI推理模型QwQ-32B-Preview便以卓越的表现获得了SuperCLUE全球开源冠军的荣誉。近期，通义团队在Qwen2-VL-72B开源模型的基础上，进一步开发了多模态推理模型QVQ-72B-Preview。这一新模型不仅能够进行更为细致的逐步推理，其视觉推理能力也得到了显著提升。尤其在处理复杂问题时，QVQ-72B-Preview展现出令人瞩目的表现。这表明，通过结合视觉理解和语言思维，我们正在朝着更加智能的人工智能系统迈进，这无疑为未来的技术发展开辟了新的可能性。 这种结合视觉理解和语言推理能力的进步，不仅提升了人工智能在解决实际问题上的效率和准确性，还预示着人工智能在未来可能达到的新高度。它不仅推动了AI技术的发展，也为跨领域的研究合作提供了更多机会。随着技术的不断进步，我们可以期待看到更多创新的应用场景，这些都将极大地丰富我们的日常生活。

　　 在评估模型视觉理解和推理能力的MMMU评测中，QVQ获得了70.3分，达到了大学水平；在侧重数学视觉推理的MathVista测试中，QVQ的表现超过了OpenAIo1，证明了其卓越的图形推理能力；在更为全面和多学科的MathVision评测中，QVQ的表现优于Claude3.5和GPT4o，表明QVQ在解决实际数学问题方面更为出色；在奥林匹克级别的OlympiadBench基准测试中，QVQ同样展示了其优秀的视觉推理能力。

　　 QVQ是一款能够进行深度视觉推理的大模型。它不仅具备更精准的视觉感知能力，还能进行细致入微的分析与推理。QVQ具有质疑自身假设的能力，会仔细检查其推理过程中的每一个步骤，最终通过深思熟虑得出结论。它可以轻松解读“梗图”的含义；观察真实照片时，能够合理推测出物体的数量和高度等信息。在处理数学、物理、化学等各学科难题时，QVQ能够像人类甚至科学家一样，展示其思考过程并提供准确的答案。

　　 目前，QVQ-72B-Preview已在魔搭社区和HuggingFace等平台上开源，开发者可以轻松体验。据悉，一个月前发布的推理模型QwQ受到了全球开发者的热烈欢迎，一经推出便登上了HuggingFace模型趋势榜首位。截至Qwen的衍生模型数量已超过7.8万个，成功超越Llama，成为全球规模最大的AI模型群。