阿里云通义开源首个多模态推理模型QVQ

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。

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。阿里云方面表示，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。