QVQ-72B-Preview - 阿里通义开源的多模态推理模型

QVQ-72B-Preview是什么

QVQ-72B-Preview 是阿里云通义千问团队开源的多模态推理模型，主攻视觉推理。多个基准测试上的成绩都不错，多模态理解和推理任务也扛得住：图像内容看得准，能一步一步做复杂推理，从图片里推断物体的高度、数量这些具体信息，梗图背后的意思也读得出来。

QVQ-72B-Preview的主要功能

• 视觉推理能力：QVQ-72B-Preview 看得懂图像内容，复杂问题会一步一步推。物体的高度、数量这类信息能从图片里推断出来，梗图这种有深层含义的图也读得明白。
• 多模态处理：图像和文本一起处理，推理能往深里走。语言信息和视觉信息对得上，整个推理过程跑得更高效。
• 科学问题推理：QVQ-72B-Preview 处理复杂科学问题的表现不错，思路有点像科学家：先质疑假设，再把推理步骤优化一遍，给出的结果更可靠。

QVQ-72B-Preview的性能评测

QVQ-72B-Preview 的评估跑了下面四个数据集：

• MMMU：大学级别的多学科多模态评估数据集，考的是跟视觉相关的综合理解和推理能力，视觉推理得分 70.3，到大学水准。
• MathVista：以数学为中心的视觉推理测试集，用拼图测试图形做逻辑推理、用函数图做代数推理、用学术论文里的数字做科学推理。成绩超过 OpenAI o1，数学和图形推理能力看得出来。
• MathVision：题目来自真实数学竞赛，是质量挺高的多模态数学推理测试集。跟 MathVista 比，问题多样性和学科广度都更大，表现超过 GPT-4o 和 Claude 3.5。
• OlympiadBench：奥林匹克竞赛级别的双语多模态科学基准测试集，8476 道题目来自奥林匹克数学和物理比赛，也包括中国高考。表现超过 GPT-4o 和 Claude 3.5。

QVQ-72B-Preview的项目地址

• 项目官网：Qwen Chat
• HuggingFace模型库：https://huggingface.co/Qwen/QVQ-72B-Preview

QVQ-72B-Preview的应用场景

• 教育领域：教和学的场景里，QVQ-72B-Preview 能帮着啃复杂的数学公式推导、科学实验原理这类难题。
• 科研探索：科研上的底层问题，比如量子力学现象怎么解读、星系演化模型怎么构建，QVQ-72B-Preview 能陪研究者一起从数据和现象里挖线索。
• 多模态交互：智能客服接到图文混排的咨询，或者社交平台要把海量图文信息分类管起来，QVQ-72B-Preview 能把图像和文本一起消化，回得比较贴需求。