在人类的思维中，语言和视觉紧密交织，塑造着我们感知和理解世界的方式。我们的推理能力深深植根于语言思维和视觉记忆之中。那么，当我们将这些能力赋予人工智能时，会发生什么呢？如今的大语言模型已经展现出卓越的推理能力，但我们不禁思考：它们能否通过掌握视觉理解的力量，攀登认知能力的新高峰？
设想一下，一个人工智能能够像物理学大师一样，面对复杂的物理问题，沉着冷静地通过逻辑推理找到解决方案。正是这样的愿景激发我们创造了 QVQ —— 一个基于 Qwen2-VL-72B 构建的开源多模态推理模型（注：QVQ 的发音为 /kwik/）。
QVQ 在人工智能的视觉理解和复杂问题解决能力方面实现了重大突破。在 MMMU 评测中，QVQ 取得了 70.3 的优异成绩，并且在各项数学相关基准测试中相比 Qwen2-VL-72B-Instruct 都有显著提升。通过细致的逐步推理，QVQ 在视觉推理任务中展现出增强的能力，尤其在需要复杂分析思维的领域表现出色。
局限性
QVQ-72B-Preview 是由 Qwen 团队开发的实验性研究模型，专注于增强视觉推理能力。尽管它的表现超出了预期，但仍有几个限制需要注意：
1. 语言混合与切换：模型可能会意外地混合语言或在语言之间切换，从而影响响应的清晰度。
2. 递归推理：模型可能会陷入循环逻辑模式，产生冗长的响应而无法得出结论。
3. 安全和伦理考虑：模型需要增强安全措施，以确保可靠和安全的性能，用户在部署时应保持谨慎。
4. 性能和基准限制：尽管模型在视觉推理方面有所改善，但它无法完全替代 Qwen2-VL-72B 的能力。此外，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，导致幻觉。
模型表现
我们在 4 个数据集上评估 QVQ-72B-Preview，包括：
* MMMU：一个大学级别的多学科多模态评测集，旨在考察模型视觉相关的综合理解和推理能力。
* MathVista：一个数学相关的视觉推理测试集，评估拼图测试图形的逻辑推理、函数图的代数推理和学术论文图形的科学推理等能力。
* MathVision：一个高质量多模态数学推理测试集，来自于真实的数学竞赛，相比于MathVista具有更多的问题多样性和学科广度。
* OlympiadBench：一个奥林匹克竞赛级别的双语多模态科学基准测试集，包含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。每个问题都附有专家级别的注释，详细说明了逐步推理的过程。
QVQ-72B-Preview 在 MMMU 基准测试中取得了 70.3 的分数，显著超越了 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，该模型表现出色，有效缩小了与领先的最先进的 o1 模型之间的差距。
示例
以下，我们将展示几个示例，以说明该新模型在视觉推理任务中的应用。
上下滑动，查看完整示例
上下滑动，查看完整示例
上下滑动，查看完整示例
上下滑动，查看完整示例
更多内容，详见Qwen团队技术博客：https://qwenlm.github.io/blog/
朝AGI进发
我们的愿景是开发一个「全能」和「智能」的模型，为了实现这一目标，我们正在增强我们的视觉语言基础模型，赋予其基于视觉信息的深度思考和推理的高级能力。在不久的将来，我们计划将更多的模态整合到一个统一的模型中，使其更加智能，能够应对复杂的挑战并参与科学探索。
目前，QVQ模型已在魔搭社区和HuggingFace等平台上开源，欢迎前往体验：
魔搭社区ModelScope模型链接：
https://modelscope.cn/models/Qwen/QVQ-72B-Preview
魔搭社区ModelScope体验链接：
https://modelscope.cn/studios/Qwen/QVQ-72B-preview
Huggingface：
