阿里通義千問開源視覺推理模型QVQ-72B-Preview

IT之家 12 月 25 日消息，阿里通義千問 Qwen 團隊今天（12 月 25 日）發布博文，宣布基于 Qwen2VL72B 構建，推出 QVQ72BPreview 開源視覺推理模型，能夠像物理學大師一樣，面對復雜的物理問題，沉著冷靜地通過邏輯推理找到解決方案。

阿里通義千問團隊在 4 個數據集上評估 QVQ72BPreview，IT之家附上相關介紹如下：

• MMMU：一個大學級別的多學科多模態評測集，旨在考察模型視覺相關的綜合理解和推理能力。

• MathVista：一個數學相關的視覺推理測試集，評估拼圖測試圖形的邏輯推理、函數圖的代數推理和學術論文圖形的科學推理等能力。

• MathVision：一個高質量多模態數學推理測試集，來自于真實的數學競賽，相比于 MathVista 具有更多的問題多樣性和學科廣度。

• OlympiadBench：一個奧林匹克競賽級別的雙語多模態科學基準測試集，包含來自奧林匹克數學和物理競賽的 8,476 個問題，包括中國高考。每個問題都附有專家級別的注釋，詳細說明了逐步推理的過程。

測試結果顯示，QVQ72BPreview 在 MMMU 基準測試中取得了 70.3 的分數，顯著超越了 Qwen2VL72BInstruct。此外，在剩下的三個專注于數學和科學問題的基準測試中，該模型表現出色，有效縮小了與領先的最先進的 o1 模型之間的差距。

阿里通義千問 Qwen 團隊也表示 QVQ72BPreview 是實驗性研究模型，專注于增強視覺推理能力。盡管它的表現超出了預期，但仍有幾個限制需要注意：

• 語言混合與切換：模型可能會意外地混合語言或在語言之間切換，從而影響響應的清晰度。

• 遞歸推理：模型可能會陷入循環邏輯模式，產生冗長的響應而無法得出結論。

• 安全和倫理考慮：模型需要增強安全措施，以確保可靠和安全的性能，用戶在部署時應保持謹慎。

• 性能和基準限制：盡管模型在視覺推理方面有所改善，但它無法完全替代 Qwen2VL72B 的能力。此外，在多步驟視覺推理過程中，模型可能會逐漸失去對圖像內容的關注，導致幻覺。

參考