阿里通义 QVQ-72B 开源多模态推理模型深度评测

QVQ-72B-Preview是什么？

AI模型竞赛持续升温，阿里通义实验室近期推出了一款针对性极强的选手：QVQ-72B-Preview。简而言之，这是一个专为高难度认知任务设计的开源多模态视觉推理模型。它基于Qwen2-VL-72B基座微调，参数量达73.4B，核心使命是解决那些需要融合图像分析与跨学科逻辑推演的复杂问题。

这款模型的独特之处在于，它并非简单的“看图说话”。其设计理念模拟了人类缜密的推理流程：先精准捕捉视觉信息，再逐步展开推演，过程中会主动质疑初始判断，反复校验推理链条，最终输出严谨结论。在数学、物理、化学等科学领域的难题上，它的解题表现已初具“科研级助手”的水准。

从已公开的评测数据来看，QVQ-72B-Preview的成绩令人瞩目。它不仅全面超越了此前被视为开源标杆的Qwen2-VL模型，整体能力甚至与OpenAI o1、Claude 3.5 Sonnet等顶尖闭源推理模型不相上下。尤其在MMMU（多学科多模态理解）与MathVista（数学视觉推理）等高难度基准测试中，其卓越表现充分印证了它在科学与数学问题处理上的硬核实力。

QVQ-72B-Preview的核心亮点

那么，这款模型的强项具体体现在哪些维度？我们从以下几个关键角度拆解。

1. 卓越的视觉推理能力

得益于先进的多模态架构，QVQ对图像的解读已超越表层描述。它能执行复杂的逐步推理——例如，从一张照片中推断物体实际高度、估算数量，甚至解析“梗图”背后的文化隐喻与幽默内核。这种深度理解力，正是它成为推理模型的基础支撑。

2. 科学级推理表现

这才是其真正价值的试金石。几项关键测试成绩足以说明问题：

• MMMU测试：视觉推理部分得分70.3，这一成绩通常被视为达到大学学科理解水平的门槛。
• MathVista评测：得分超越OpenAI o1模型，凸显其在结合数学与图形进行推理方面的独特优势。
• MathVision与OlympiadBench测试：在这两项分别侧重真实数学问题多样性和奥赛级难度的评测中，QVQ均优于GPT-4o和Claude 3.5，展现出广泛且深度的学科能力。

3. 全新技术突破

QVQ并非简单的迭代升级。它在Qwen2-VL-72B基础上，针对“推理”环节进行了深度专项优化。其“质疑假设、优化步骤”的思考机制，让输出结果更具可靠性和逻辑连贯性，朝着“像科学家一样思考”的目标迈出了关键一步。

4. 开放生态支持

对开发者社区而言，一个核心利好是：QVQ-72B-Preview已全面开源。目前模型已在魔搭社区与HuggingFace平台发布，开发者可直接下载、体验甚至集成到自有应用，大幅降低了前沿技术的使用门槛。

QVQ-72B-Preview的模型表现

我们不妨将上述亮点拆解得更具象一些。MMMU评测中70.3分的大学级成绩，印证了其跨学科知识理解与应用能力。MathVista测试中超越o1，直接佐证了它在处理数学图表、几何图形等问题上的强悍实力。而在MathVision和OlympiadBench这类更具挑战性的基准中领先于Claude 3.5与GPT-4o，说明QVQ不仅擅长标准试题，在解决贴近现实、需要灵活思维的复杂问题时，同样具备独特优势。这些成绩共同勾勒出一个在视觉推理领域竞争力十足的模型形象。

QVQ-72B-Preview的局限性

当然，作为预览版模型，QVQ也明确存在一些需要关注的短板，在实际部署前必须心中有数：

• 语言混合与切换：模型有时会意外混合多种语言或进行不必要的中英文切换，影响回答的清晰度与专业性。
• 递归推理：在复杂推理场景中，模型偶尔会陷入循环逻辑，产生冗长且无法收敛到结论的回应。
• 安全与伦理考虑：当前模型的安全护栏仍需强化。处理敏感话题或部署至生产环境时，需保持谨慎，并附加额外的安全审查措施。
• 性能与基准限制：需明确，QVQ是专注于推理的微调模型，并不能完全替代基础模型Qwen2-VL-72B的全部能力（例如某些通用的视觉描述任务）。此外，在多步骤复杂视觉推理时，模型有时可能逐渐“遗忘”或偏离原始图像中的部分细节，导致“幻觉”现象，生成与图片内容不符的信息。

如何体验QVQ-72B-Preview？

对于希望亲自上手验证的研究者与开发者，目前体验路径非常清晰。模型已同步上线国内魔搭社区与国际HuggingFace平台。你可直接访问这些平台的项目页面，进行在线体验或获取完整模型权重。

来源：互联网