阿里通义千问 Qwen 团队于今日发布了基于 Qwen2-VL-72B 构建的开源视觉推理模型——QVQ-72B-Preview，标志着视觉推理领域的一项重大进展。该模型通过增强的逻辑推理能力，能够像物理学家一样沉着冷静地面对复杂的物理和数学问题，进行深度推理并给出解决方案。此次发布的模型主要聚焦于提升视觉推理能力，为各类科学和数学推理问题提供更高效的解决方案。

视觉推理能力的飞跃

QVQ-72B-Preview 是一款实验性研究模型，经过阿里通义千问 Qwen 团队的精心设计，专注于增强视觉推理能力。该模型在多个高标准测试集上表现出色，展示了其在多模态推理和科学推理领域的潜力。为了评估该模型的实际能力，团队使用了四个权威数据集进行测试，分别是 MMMU、MathVista、MathVision 和 OlympiadBench。

• MMMU（Multi-disciplinary Multi-modal Evaluation）是一个大学级别的多学科多模态评测集，旨在考察模型在视觉推理方面的综合能力。
• MathVista 是一个数学相关的视觉推理测试集，评估模型在图形逻辑推理、函数图代数推理及学术论文图形科学推理等方面的表现。
• MathVision 来自真实的数学竞赛，涵盖了更广泛的数学问题，具有较高的挑战性和多样性。
• OlympiadBench 则是一个涉及奥林匹克数学与物理竞赛的多模态基准测试集，包含 8,476 个问题，具有很高的学术价值。

在测试中，QVQ-72B-Preview 在 MMMU 测试中取得了 70.3 的分数，显著超越了前代模型 Qwen2-VL-72B-Instruct。此外，在其他三个专注于数学和科学问题的基准测试中，QVQ-72B-Preview 也表现不俗，缩小了与领先的先进模型之间的差距，展示了其在科学推理领域的巨大潜力。

模型的亮点与挑战

尽管 QVQ-72B-Preview 在视觉推理任务中取得了显著进展，但其仍然存在一些局限性和挑战：

1. 语言混合与切换问题该模型在多语言场景下可能会出现语言混合或在不同语言之间的切换，从而影响响应的清晰度和准确性。这在一些国际化应用中可能会导致问题，尤其是在复杂的推理过程中，语言的切换可能会干扰推理的逻辑链条。
2. 递归推理问题模型在面对多步骤推理时，可能会陷入循环逻辑模式，产生冗长的响应，而未能得出结论。这可能会导致推理效率低下，尤其在需要快速和精确解决的场景中，递归推理的缺陷可能显得尤为突出。
3. 安全和伦理考虑阿里团队提醒，尽管该模型在推理方面表现出色，但它在安全性和伦理性方面仍然有待加强。为确保可靠性和安全性，部署模型时应保持谨慎，特别是在一些关键应用场景中，如医疗、法律等领域，模型可能需要更严格的安全机制来防止潜在的风险。
4. 性能和基准限制尽管该模型在视觉推理方面有了显著提升，但仍无法完全替代 Qwen2-VL-72B 的整体能力。在一些复杂的多步骤视觉推理任务中，模型可能会逐渐失去对图像内容的关注，甚至可能出现"幻觉"现象，导致推理结果不准确。

开源与未来展望

QVQ-72B-Preview 作为一款开源模型，标志着阿里通义千问团队在视觉推理领域迈出了重要步伐。开源意味着开发者、学者及企业可以在此基础上进行更多创新，借助 QVQ-72B-Preview 提供的强大推理能力，开发出更加智能化的应用，推动科学研究、教育培训、医疗诊断等领域的进步。

阿里团队表示，尽管 QVQ-72B-Preview 的性能超过了预期，但仍将继续进行优化和迭代，特别是在语言理解、推理精度和安全性方面。未来，随着多模态学习和推理技术的不断突破，预计该模型将为更多行业带来深远的影响，推动人工智能在各个领域的应用落地。

QVQ-72B-Preview 的发布展示了阿里通义千问团队在视觉推理领域的创新成就，尤其是在数学和科学推理任务中取得的优异表现。这不仅推动了 AI 在这些领域的应用进程，也为未来的多模态推理系统奠定了基础。尽管仍面临一些挑战，尤其是在语言处理和递归推理方面，QVQ-72B-Preview 作为实验性模型的成功也为视觉推理技术的未来发展带来了更多期待。

相关标签： 推理 模型 QVQ72BPreview 视觉 模态 数学 测试 团队 阿里 千问