阿里通义千问开源视觉推理模型 QVQ-72B-Preview：像物理学家一样思考

GoodNav 于 12 月 25 日报道，阿里通义千问 Qwen 团队于今日（12 月 25 日）发布了一篇博文，宣布推出基于 Qwen2-VL-72B 构建的开源视觉推理模型 QVQ-72B-Preview，该模型能够在面对复杂物理问题时，犹如物理学大师一般，通过逻辑推理冷静地找到解决方案。

阿里通义千问团队对 QVQ-72B-Preview 在四个数据集上的评估结果如下：

• MMMU：此数据集为大学级别的多学科多模态评测，旨在测试模型在视觉理解和推理方面的综合能力。

• MathVista：一个与数学相关的视觉推理测试集，考察拼图测试图形的逻辑推理、函数图的代数推理以及学术论文图形的科学推理等能力。

• MathVision：包含真实数学竞赛题目的高质量多模态数学推理测试集，相较于 MathVista，问题的多样性和学科广度更大。

• OlympiadBench：一个针对奥林匹克竞赛的双语多模态科学基准测试集，涵盖了来自奥林匹克数学和物理竞赛的 8,476 个问题，包括中国高考，且每个问题都附带专家级的注释，详细说明推理过程。

测试结果显示，QVQ-72B-Preview 在 MMMU 基准测试中取得了 70.3 分，显著超过了 Qwen2-VL-72B-Instruct。此外，该模型在其他三个集中于数学和科学问题的基准测试中表现优异，有效缩小了与领先的最先进 o1 模型之间的差距。

阿里通义千问的 Qwen 团队指出，QVQ-72B-Preview 是一个实验性研究模型，着重于提升视觉推理能力。尽管其表现超出预期，但仍需注意若干限制：

• 语言混合与切换：模型可能会意外混合语言或在语言之间切换，从而影响响应的清晰度。

• 递归推理：模型可能陷入循环逻辑模式，产生冗长的响应但无法得出结论。

• 安全和伦理考量：模型需要增强安全措施，以确保可靠性和安全性，用户在部署时应保持谨慎。

• 性能和基准限制：尽管模型在视觉推理方面有了改进，但仍无法完全取代 Qwen2-VL-72B 的能力。此外，在多步骤视觉推理的过程中，模型可能逐渐失去对图像内容的关注，导致产生幻觉。

参考

• 模型链接

• 体验链接

• 中文博客