引言

不久前，我们介绍了由Qwen研究团队打造的QwQ-32B-Preview，这是一个旨在增强大型模型文本复杂推理能力的实验性模型。在Qwen的QwQ模型推出后不到两个月的时间内，12月25日圣诞节当天，阿里通义千问Qwen团队发文宣布推出首个开源视觉推理模型——QVQ-72B-Preview。该模型展现出优秀的视觉理解和推理能力，在解决数学、物理、科学等领域的复杂推理问题上表现尤为突出。

Qwen团队在4个数据集上评估了QVQ-72B-Preview，包括MMMU、MathVista、MathVision 、OlympiadBench。其中在MMMU基准测试中取得了70.3的分数，超越了Qwen2-VL-72B-Instruct。此外，在剩下的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。

地址：https://modelscope.cn/studios/Qwen/QVQ-72B-preview

实测

物理题（回答正确）

化学题（回答正确）

数学题（回答正确）

视觉问答（回答正确）

方程式（回答正确）

请计算出爱心，蝴蝶结和狗分别代表哪个数值？并给出最终结果

立体图形计数（陷入逻辑循环，答案错误）

How many cubes are there in the picture？

结尾

尽管QVQ-72B-Preview展现了超越预期的性能表现，认识到其几个局限性也是非常重要的：

• 语言混用和代码转换：模型偶尔可能会混合不同的语言或意外地在它们之间切换，这可能会影响其响应的清晰度。

• 递归推理循环：存在模型陷入递归推理循环的风险，这可能导致产生冗长的回答，甚至无法得出最终答案。

• 安全性和伦理考量：需要强有力的保障措施来确保可靠的和安全的性能。用户在部署此模型时应谨慎行事。

• 性能和基准测试的局限性：尽管在视觉推理方面有所改进，但QVQ并不能完全取代Qwen2-VL-72B的功能。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，导致出现幻觉现象。此外，与Qwen2-VL-72B相比，QVQ在基本识别任务（如识别人、动物或植物）上并没有显示出明显的改进。

注意：目前，该模型仅支持单轮对话和图像输出。它不支持视频输入。