阿里雲通義開源首個多模態推理模型QVQ，視覺推理比肩OpenAI o1

12月25日，阿里雲通義千問發佈業界首個開源多模態推理模型QVQ-72B-Preview。QVQ展現出超預期的視覺理解和推理能力，在解決數學、物理、科學等領域的複雜推理問題上表現尤爲突出。多項評測數據顯示，QVQ超越了此前的視覺理解模型「開源王者」Qwen2-VL，整體表現與「滿血版」OpenAI o1、Claude3.5 Sonnet等推理模型相當。目前，開發者可在魔搭社區和HuggingFace平臺上直接體驗。

人類的推理能力植根於語言思維和視覺記憶中，正因此，利用視覺理解增強大模型推理能力，成爲AI技術的前沿探索之一。一個月前，通義發佈AI推理模型QwQ-32B-Preview，即斬獲SuperCLUE的AI推理模型榜單「全球開源冠軍」；如今，通義團隊在Qwen2-VL-72B開源模型基礎上，研發出多模態推理模型QVQ-72B-Preview，可實現更仔細的逐步推理，視覺推理能力也顯著進步，在解決複雜問題時表現驚豔。

在考察模型視覺理解及推理的MMMU評測中，QVQ取得了70.3分，水平已達大學級別；在聚焦數學的視覺推理測試MathVista中，QVQ得分超過OpenAI o1，印證了其強大的圖形推理能力；在更具多樣性和學科廣度的MathVison評測中，QVQ表現超越Claude3.5及GPT4o，說明QVQ更擅長解決真實數學問題；在奧賽級別的OlympiadBench基準測試中，QVQ也展現了出色的視覺推理能力。

QVQ是一個會基於視覺進行深度思考推理的大模型。QVQ不但能感知更準確的視覺內容，並據此作出更細緻的分析推理，還會質疑自身假設，仔細審視其推理過程的每一步，經過深思熟慮後給出最後結論。QVQ可以輕鬆識別“梗圖”內涵；看真實照片可合理推斷出物體個數及高度等信息；在面對數學、物理、化學等各科學領域難題，QVQ能像人甚至科學家一樣，給出思考過程和準確答案。

目前，QVQ-72B-Preview已在魔搭社區和HuggingFace等平臺上開源，開發者可上手體驗。據瞭解，一個月前開源的推理模型QwQ受到全球開發者熱捧，一發布就登上HuggingFace模型趨勢榜榜首。截至目前，通義千問Qwen的衍生模型數突破7.8萬個，已超越Llama成爲全球規模最大的AI模型羣。