AnswersPublished19 sources
QVQ-72B-Preview: Alibabas eksperiment med visuel ræsonnering
QVQ 72B Preview var Qwen teamets eksperimentelle model til visuel ræsonnering, lanceret i december 2024. Den var rettet mod flertrinsopgaver med diagrammer, grafer, tekst i billeder og visuelle matematikopgaver, men lange ræsonnementer kunne miste forbindelsen til selve billedet.
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- QVQ 72B Preview var Qwen teamets eksperimentelle model til visuel ræsonnering, lanceret i december 2024.
- Den var rettet mod flertrinsopgaver med diagrammer, grafer, tekst i billeder og visuelle matematikopgaver, men lange ræsonnementer kunne miste forbindelsen til selve billedet.
- Open weights giver mulighed for selv at køre og tilpasse modellen, men flytter også mere af ansvaret for sikkerhed, evaluering og drift til den organisation, der anvender den.[18][19]
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Alibaba Cloud’s QVQ-72B-Preview, released in December 2024 as an experimental open-weight multimodal AI model combining Qwen2-VL-72B. Article summary: QVQ-72B-Preview was Alibaba Cloud’s December 2024 experimental, open-weight visual-reasoning model: it paired Qwen2-VL-72B’s image understanding with QwQ-style extended chain-of-thought reasoning. Its significance was le. Topic tags: general, general web, government, education, news. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, c
QVQ-72B-Preview var en eksperimentel forskningsmodel fra Alibabas Qwen-team, præsenteret i december 2024. Formålet var at styrke visuel ræsonnering: at se på et billede, udlede relevante oplysninger og arbejde sig frem til et svar. Modellen byggede på Qwen2-VL-72B og lagde vægt på længere, flertrins ræsonnementer over billedbaserede opgaver.
Den bør derfor først og fremmest forstås som et tidligt open-weight-forsøg på at forene billedforståelse med mere krævende problemløsning – ikke som en færdig multimodal assistent til alle formål.38
39
Hvad skulle modellen kunne?
Med et billede og en prompt som input var QVQ tænkt til at undersøge det visuelle grundlag, før den gav et svar. Det kunne være relevant ved blandt andet:
- fortolkning af grafer, tabeller og diagrammer
- aflæsning af tekst og information indlejret i billeder
- matematikopgaver, hvor figuren er en væsentlig del af spørgsmålet
- naturvidenskabelige opgaver, der kræver både observation og slutning
Betegnelsen 72B angiver, at der er tale om en stor model i Qwen-familien. Ordet Preview er mindst lige så vigtigt: Qwen beskrev den som en eksperimentel forskningsmodel og offentliggjorde selv en række klare forbehold.38
39
De rapporterede benchmarkresultater
Qwens egen sammenligningstabel angav følgende resultater for QVQ-72B-Preview:
| Benchmark | QVQ-72B-Preview | Qwen2-VL-72B til sammenligning |
|---|---|---|
| MMMU (validering) | 70,3 | 64,5 |
| MathVision (fuld) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU måler bred multimodal forståelse på universitetsniveau. MathVision fokuserer på matematikopgaver baseret på billeder, mens OlympiadBench omfatter svære tosprogede opgaver i matematik og fysik. I Qwens tabel klarede QVQ sig bedre end den angivne Qwen2-VL-72B-score i alle tre målinger, hvilket passer med modellens fokus på ræsonnering.39
40
Det er dog vigtigt, at der er tale om leverandørens egne evalueringsresultater. Bedre benchmarks er et relevant signal, men er ikke uafhængig dokumentation for, at modellen leverer lige så stabilt i praktisk brug. Tvetydige billeder, atypiske prompts, manglende kontekst og skrøbelige ræsonnementskæder kan stadig føre til fejl.
Begrænsningerne ved lanceringen
QVQ's begrænsninger var usædvanligt centrale, fordi de afgrænsede forskellen mellem en lovende demonstration og et anvendeligt assistentværktøj.
Kun billeder – ikke video
Preview-versionen accepterede billeder, men understøttede ikke video, selv om den tidligere Qwen2-VL-serie havde videofunktioner. Den var altså begrænset til analyse af stillbilleder.37
43
Ingen løbende dialog om det samme billede
Interaktionen var reelt begrænset til én runde pr. billede. Man kunne ikke stille et opfølgende spørgsmål og bevare modellens billedkontekst; billedet skulle indsendes igen sammen med en ny prompt. Samtidig omtale beskrev analysen som et engangssvar.34
Lange ræsonnementer kunne glide væk fra beviset
Qwens vigtigste advarsel var, at modellen under flertrins visuel ræsonnering gradvist kunne miste fokus på billedindholdet og dermed hallucinere. En lang og tilsyneladende systematisk forklaring kunne altså ende med ikke længere at være forankret i det billede, den skulle analysere.33
38
Modelkortet advarede også om uventet sprogblanding eller skift mellem sprog samt rekursive ræsonnementsløkker, hvor modellen kunne skrive langt uden at nå frem til en konklusion.38
39
I praksis: Svar fra QVQ skulle efterprøves, hvis de indgik i beslutninger med væsentlige konsekvenser. En synlig ræsonnementskæde er ikke i sig selv dokumentation for, at modellens observationer er korrekte eller faktisk stammer fra billedet.
Hvorfor open weights var strategisk interessant
Udgivelsen handlede om mere end én model og nogle benchmarktal. Den passede ind i den bredere open-weight-tilgang, som forbindes med Qwen og flere andre kinesiske AI-udviklere. En open-weight-model gør de trænede parametre – de såkaldte weights – tilgængelige for download, brug og ændring. Det gør det muligt at køre modellen uden for udviklerens app eller API og tilpasse den til nye formål.18
For udviklere og organisationer kan det give flere fordele:
- Kontrol over drift: Modellen kan køre på egen infrastruktur eller i et selvvalgt cloudmiljø.
- Tilpasning: Weights kan eksempelvis finjusteres, kvantiseres eller indgå i en specialbygget løsning.
- Mindre leverandørafhængighed: Man er ikke nødvendigvis bundet til én virksomheds hostede API.
Men friheden flytter også ansvar. Den, der anvender downloadede weights, skal selv håndtere infrastruktur, test, adgangsstyring, sikkerhed og forebyggelse af misbrug. Reuters bemærker, at open-weight-systemer kan downloades, inspiceres og ændres, men også modificeres og videredistribueres med forholdsvis begrænset kontrol.19
Open weights og lukkede API'er: En reel forskel, men ikke en enkel geopolitisk regel
Det er overordnet rigtigt, at mange kinesiske udviklere har fremmet open-weight-udgivelser, mens førende amerikanske udbydere som OpenAI og Anthropic som regel ikke gør specifikationerne for deres førende modeller tilgængelige for download.19 Men det ville være for simpelt at gøre det til en regel om, at kinesisk AI er åben, og amerikansk AI er lukket. Valget afhænger af den enkelte model, udvikler, kapabilitet og forretningsstrategi.
Den afgørende forskel er i stedet operationel:
- Open-weight-modeller giver brugeren større indflydelse på, hvor og hvordan modellen kører.
- Lukkede API-modeller lader udbyderen beholde kontrollen over driften og en stor del af sikkerhedsinfrastrukturen.
Det skaber et reelt politisk dilemma. Regler, der bygger på centraliseret overvågning, test, licenser eller indberetning, kan være lettere for store API-udbydere at administrere og dermed indirekte begunstige deres driftsmodel. Det er en vurdering af reguleringsincitamenter – ikke et dokumenteret resultat. Regulering kan også målrettes højrisikoanvendelser og de organisationer, der driver dem, frem for at forbyde distribution af model-weights. Forskere fra Stanford peger på, at global udbredelse af kinesiske open-weight-modeller kan påvirke adgang til teknologi, konkurrence, sikkerhed og AI-governance.18
Konklusion
QVQ-72B-Preview var et markant eksperiment fra december 2024 inden for open-weight visuel ræsonnering. Qwen rapporterede tydelige løft på MMMU, MathVision og OlympiadBench, men dokumenterede samtidig væsentlige begrænsninger i brug og pålidelighed.
Læren var ikke, at lange ræsonnementskæder havde løst multimodal AI. Den var, at bedre billedræsonnering kunne frigives i en form, som udviklere selv kan undersøge og køre – og at åbenhed gør grundig evaluering og ansvarlig drift endnu vigtigere.38
39
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "QVQ-72B-Preview: Alibabas eksperiment med visuel ræsonnering"?
QVQ 72B Preview var Qwen teamets eksperimentelle model til visuel ræsonnering, lanceret i december 2024.
What are the key points to validate first?
QVQ 72B Preview var Qwen teamets eksperimentelle model til visuel ræsonnering, lanceret i december 2024. Den var rettet mod flertrinsopgaver med diagrammer, grafer, tekst i billeder og visuelle matematikopgaver, men lange ræsonnementer kunne miste forbindelsen til selve billedet.
What should I do next in practice?
Open weights giver mulighed for selv at køre og tilpasse modellen, men flytter også mere af ansvaret for sikkerhed, evaluering og drift til den organisation, der anvender den.[18][19]
Sources
qwenlm.github.ioQVQ: To See the World with Wisdom
huggingface.coQwen/QVQ-72B-Preview · Hugging Face
ai-tldr.devQVQ-72B-Preview: Qwen Visual Reasoning Model | AI/TLDR
nvv.genai.co.jpAlibabaが新しい視覚推論AIモデル「QVQ-72B-Preview」を公開