阿里通义千问 QVQ-72B-Preview：开启视觉推理新纪元

一、模型发布引瞩目

阿里通义千问推出新模型

12 月 25 日，阿里通义千问 Qwen 团队发布基于 Qwen2-VL-72B 构建的 QVQ-72B-Preview 开源视觉推理模型，其能像物理学家一样思考并解决复杂物理问题。

在科技发展的浪潮中，阿里通义千问的这一举措无疑引起了广泛关注。QVQ-72B-Preview 开源视觉推理模型的诞生，为解决复杂物理问题带来了新的可能。该模型经过在四个数据集上的严格评估，展现出了卓越的性能。

MMMU 作为一个大学级别的多学科多模态评测集，旨在考察模型视觉相关的综合理解和推理能力。QVQ-72B-Preview 在这个基准测试中取得了 70.3 的分数，显著超越了 Qwen2-VL-72B-Instruct。

MathVista 是一个数学相关的视觉推理测试集，评估拼图测试图形的逻辑推理、函数图的代数推理和学术论文图形的科学推理等能力。MathVision 则是一个高质量多模态数学推理测试集，来自于真实的数学竞赛，具有更多的问题多样性和学科广度。OlympiadBench 是一个奥林匹克竞赛级别的双语多模态科学基准测试集，包含来自奥林匹克数学和物理竞赛的 8476 个问题，包括中国高考，每个问题都附有专家级别的注释，详细说明了逐步推理的过程。在这三个专注于数学和科学问题的基准测试中，QVQ-72B-Preview 表现出色，有效缩小了与领先的最先进的 o1 模型之间的差距。

然而，阿里通义千问 Qwen 团队也明确表示，QVQ-72B-Preview 是实验性研究模型，专注于增强视觉推理能力。尽管它的表现超出了预期，但仍有几个限制需要注意。首先是语言混合与切换问题，模型可能会意外地混合语言或在语言之间切换，从而影响响应的清晰度。其次是递归推理问题，模型可能会陷入循环逻辑模式，产生冗长的响应而无法得出结论。此外，安全和伦理考虑方面，模型需要增强安全措施，以确保可靠和安全的性能，用户在部署时应保持谨慎。最后，在性能和基准限制方面，尽管模型在视觉推理方面有所改善，但它无法完全替代 Qwen2-VL-72B 的能力。而且，在多步骤视觉推理过程中，模型可能会逐渐失去对图像内容的关注，导致幻觉。

尽管存在这些限制，QVQ-72B-Preview 的推出仍然是人工智能领域的一个重要里程碑。它为未来的研究和应用提供了新的方向和可能性，也让我们对人工智能在解决复杂物理问题方面充满了期待。

二、性能卓越展实力

多数据集评估显优势

阿里通义千问的 QVQ-72B-Preview 开源视觉推理模型在多个数据集上的评估结果充分展现了其卓越的性能。

MMMU、MathVista、MathVision、OlympiadBench 这四个数据集涵盖了不同领域和难度层次的测试内容。其中，MMMU 作为大学级别的多学科多模态评测集，对模型的视觉综合理解和推理能力要求极高。QVQ-72B-Preview 在该基准测试中取得了 70.3 的分数，超越了 Qwen2-VL-72B-Instruct，这一成绩令人瞩目。

MathVista 是数学相关的视觉推理测试集，评估拼图测试图形的逻辑推理、函数图的代数推理和学术论文图形的科学推理等能力。MathVision 则在问题多样性和学科广度上更胜一筹，来自真实的数学竞赛。OlympiadBench 作为奥林匹克竞赛级别的双语多模态科学基准测试集，包含了丰富的奥林匹克数学和物理竞赛问题，以及中国高考题目，并附有专家级别的注释。在这三个专注于数学和科学问题的基准测试中，QVQ-72B-Preview 表现出色，有效缩小了与领先模型的差距。

这些评估结果不仅证明了 QVQ-72B-Preview 在视觉推理方面的强大能力，也为其在解决复杂物理问题等领域的应用奠定了坚实的基础。它的出现，为人工智能的发展带来了新的机遇和挑战。

三、挑战与局限并存

局限性不容忽视

阿里通义千问的 QVQ-72B-Preview 开源视觉推理模型尽管在多个方面表现出色，但局限性也不容忽视。

首先，语言混合与切换问题可能会在实际应用中给用户带来困扰。当模型意外地混合语言或在不同语言之间切换时，响应的清晰度会受到影响，这可能导致用户难以准确理解模型给出的答案。

其次，递归推理问题可能使模型陷入循环逻辑模式。在处理一些复杂问题时，模型可能会产生冗长的响应却无法得出明确的结论，这不仅浪费时间，还可能让用户感到困惑。

再者，安全和伦理考虑方面，该模型需要进一步增强安全措施。在当今数字化时代，数据安全和伦理问题至关重要。如果模型不能确保可靠和安全的性能，可能会带来潜在的风险。因此，用户在部署时应保持谨慎。

最后，在性能和基准限制方面，虽然 QVQ-72B-Preview 在视觉推理方面有所改善，但它无法完全替代 Qwen2-VL-72B 的能力。此外，在多步骤视觉推理过程中，模型可能会逐渐失去对图像内容的关注，从而导致幻觉。这意味着在某些复杂场景下，模型的准确性和可靠性可能会受到影响。

尽管存在这些局限性，我们不能忽视 QVQ-72B-Preview 所带来的创新和进步。它为人工智能领域的发展提供了新的思路和方向，也为未来的研究和应用奠定了基础。相信在不断的改进和完善下，这款模型将在解决复杂物理问题等领域发挥更大的作用。

四、未来展望

推动视觉推理进步

阿里通义千问团队以 QVQ-72B-Preview 的发布为契机，展现出了在人工智能视觉推理领域的坚定决心和宏大愿景。这款模型的出现，不仅仅是技术上的突破，更是为未来科技发展注入了新的活力。

QVQ-72B-Preview 作为一个起点，为人工智能在视觉推理方面的发展开辟了新的道路。它的卓越性能和创新思路，将激励更多的研究人员投入到这个领域，共同推动视觉推理技术的不断进步。通过在多个数据集上的出色表现，QVQ-72B-Preview 证明了其在解决复杂物理问题方面的巨大潜力。未来，随着技术的不断发展和完善，它有望成为科技发展的重要驱动力量。

阿里通义千问团队将继续致力于优化和改进 QVQ-72B-Preview，克服现有的局限性，进一步提升其性能和可靠性。同时，他们也将积极探索新的应用场景，将视觉推理技术应用到更多的领域，为人类社会的发展做出更大的贡献。

在未来的日子里，我们有理由相信，阿里通义千问团队将以 QVQ-72B-Preview 为基石，不断推动人工智能在视觉推理上的全面进步，开创一个更加智能、高效的未来。