阿里云通义开源首个多模态推理模型QVQ，视觉推理比肩OpenAI o1
潮新闻客户端 记者 张云山
12月25日，阿里云通义千问发布业界首个开源多模态推理模型QVQ-72B-Preview。QVQ展现出超预期的视觉理解和推理能力，在解决数学、物理、科学等领域的复杂推理问题上表现尤为突出。多项评测数据显示，QVQ超越了此前的视觉理解模型「开源王者」Qwen2-VL，整体表现与「满血版」OpenAI o1、Claude3.5 Sonnet等推理模型相当。目前，开发者可在魔搭社区和HuggingFace平台上直接体验。
大模型
人类的推理能力植根于语言思维和视觉记忆中，正因此，利用视觉理解增强大模型推理能力，成为AI技术的前沿探索之一。一个月前，通义发布AI推理模型QwQ-32B-Preview，即斩获SuperCLUE的AI推理模型榜单「全球开源冠军」；如今，通义团队在Qwen2-VL-72B开源模型基础上，研发出多模态推理模型QVQ-72B-Preview，可实现更仔细的逐步推理，视觉推理能力也显著进步，在解决复杂问题时表现惊艳。
在考察模型视觉理解及推理的MMMU评测中，QVQ取得了70.3分，水平已达大学级别；在聚焦数学的视觉推理测试MathVista中，QVQ得分超过OpenAI o1，印证了其强大的图形推理能力；在更具多样性和学科广度的MathVison评测中，QVQ表现超越Claude3.5及GPT4o，说明QVQ更擅长解决真实数学问题；在奥赛级别的OlympiadBench基准测试中，QVQ也展现了出色的视觉推理能力。
QVQ是一个会基于视觉进行深度思考推理的大模型。QVQ不但能感知更准确的视觉内容，并据此作出更细致的分析推理，还会质疑自身假设，仔细审视其推理过程的每一步，经过深思熟虑后给出最后结论。QVQ可以轻松识别“梗图”内涵；看真实照片可合理推断出物体个数及高度等信息；在面对数学、物理、化学等各科学领域难题，QVQ能像人甚至科学家一样，给出思考过程和准确答案。
目前，QVQ-72B-Preview已在魔搭社区和HuggingFace等平台上开源，开发者可上手体验。据了解，一个月前开源的推理模型QwQ受到全球开发者热捧，一发布就登上HuggingFace模型趋势榜榜首。截至目前，通义千问Qwen的衍生模型数突破7.8万个，已超越Llama成为全球规模最大的AI模型群。
视觉模型解析
解析过程
“转载请注明出处”