眼脑并用！Qwen 开源 QVQ 刷新视觉推理想象力

不止于看，更在于思。

原标题：眼脑并用！Qwen 开源 QVQ 刷新视觉推理想象力
文章来源：特工宇宙
内容字数：2966字

通义千问QVQ：开源多模态推理模型，为AGI铺路

人工智能领域正经历着前所未有的快速发展。从单模态到多模态，从基础对话到深度推理，AI 的能力不断突破人类认知的边界。尤其在2023年下半年，随着GPT-4V、Claude-3等新一代多模态模型的涌现，“视觉智能”成为了行业关注的焦点。然而，真正的突破并非仅仅停留在“看得见”，更在于“想得透”。

多模态推理的突破：QVQ的出现

目前，大多数多模态模型仍处于“看图说话”的阶段，能够将视觉信息与深度推理相结合的模型少之又少。更重要的是，领先的多模态模型大多选择闭源，限制了技术的进一步发展和应用。在这个背景下，阿里云通义千问于2023年末圣诞节发布的全球首个开源多模态推理模型QVQ-72B-Preview，无疑为该领域注入了新的活力。 QVQ的出现，被许多业内人士誉为视觉推理领域的里程碑，甚至登上了Hacker News第二名。

QVQ的强大能力：超越简单的“看图说话”

QVQ在MMMU、MathVista等权威评测集上取得了令人瞩目的成绩，展现了超预期的视觉理解和推理能力。它不仅能够识别图片内容，更能够进行深度推理。例如，它可以准确识别电影片段的名称，分辨游戏画面中的细节，甚至可以胜任复杂的数学和物理题。 更令人印象深刻的是，QVQ能够通过图片中的细微线索进行推理，例如根据地铁照片中的信息推断当前站点和列车行驶方向，并给出合理的出行建议。这展现了其强大的观察力和逻辑推理能力。

QVQ的局限性和未来展望

尽管QVQ展现了强大的能力，但正如通义千问官方博客中所述，它仍然存在一些局限性，例如在语言混合、代码切换和递归推理方面存在不足。但这并不影响其重要意义。QVQ的价值在于它展现了一种可能性：当图像和语言在机器的“大脑”中不再是两条平行线，会产生怎样的火花？

开源的意义：推动AGI发展

QVQ的开源，使得更多研究者可以参与到多模态推理模型的开发和改进中，这将极大地推动该领域的发展。通义千问的愿景是开发一个全方位的智能模型，而QVQ正是通往AGI（通用人工智能）漫长道路上的一块重要基石。 它并非完美，但其带来的启示和推动作用是不可估量的。

结语

QVQ的出现，标志着多模态推理技术迈出了关键的一步。它不仅能“看”和“说”，更重要的是开始“思考”和“推理”。 这不仅是技术的进步，更是对人工智能未来发展方向的一次重要探索，预示着未来AI将拥有更强大的认知和解决问题的能力。

联系作者

文章来源：特工宇宙
作者微信：
作者简介：Agent Universe，专注于智能体的AI科技媒体。