QVQ-Max - 阿里通义推出的视觉推理模型

QVQ-Max是什么

QVQ-Max 是阿里通义推出的视觉推理模型，是QVQ-72B-Preview的正式升级版。QVQ-Max能“看懂”图片和视频内容，再结合信息做分析、推理，把问题解决掉。学习、工作、生活这些场景都能用，比如解答数学难题、协助数据分析、提供穿搭建议。视觉推理能力上QVQ-Max显出了潜力，往后有望成为实用的视觉智能助手，帮人解决更多实际问题。

QVQ-Max的主要功能

• 图像解析：图像里的关键元素识别得很快，物体、文字标识、容易漏掉的小细节都在范围内。
• 视频分析：视频内容能被分析，场景能看懂，还能根据当前画面推测后续情节。
• 深入推理 ：图片内容会进一步分析，结合相关背景知识做推理。
• 创意生成：按用户需求创作角色扮演内容，插画设计、短视频脚本创作都可以。

QVQ-Max的性能表现

在MathVision benchmark测试里，把模型的最大思维长度往上调，准确率随之持续提升，解决复杂数学问题的潜力看得出来。

QVQ-Max的生成示例

• 多图像识别

• 数学推理

• 解读手相

QVQ-Max的项目地址

• 项目官网：https://qwenlm.github.io/zh/blog/qvq-max

如何使用QVQ-Max

• 访问网站：访问QwenChat的官方网站。
• 注册和登录：根据提示创建账户并登录。
• 开启视觉推理功能：在网页界面里选中QVQ-Max视觉推理模型。
• 输入问题或任务：输入框中上传图片或视频，把任务和要解决的问题描述清楚。
• 提交问题：输入完提交即可。
• 等待模型响应：模型按输入内容生成回答或解决方案。

QVQ-Max的未来计划

• 提升观察准确性：视觉内容的校验靠grounding这类技术，模型对图像和视频的观察结果被验证，识别的准确性随之提高。
• 强化视觉 Agent 能力：模型处理多步骤、复杂任务的能力会继续加强，比如操作智能手机和电脑，甚至参与游戏，视觉智能助手的角色更称职。
• 丰富交互方式：思考和交互不再局限于文字，工具校验、视觉生成等更多模态会加进来，交互体验更丰富。

QVQ-Max的应用场景

• 职场辅助：数据分析、信息整理、编程代码编写这些工作能搭手，效率提上来。
• 学习辅导：数学、物理这些科目的难题，学生可以交给它解答。
• 生活助手：拿衣柜照片推荐穿搭方案，照食谱图片指导烹饪，生活里的实用建议给得上。
• 创意创作：艺术创作有支持，插画设计、短视频脚本生成、角色扮演内容创作都在内，创意灵感能激发出来。
• 视觉分析：建筑图纸、工程图表这类复杂图像能分析，专业领域的决策和设计有辅助。