AntwortenVeröffentlicht19 Quellen
QVQ-72B-Preview: Alibabas Experiment für visuelles Schlussfolgern erklärt
QVQ 72B Preview war ein im Dezember 2024 vorgestelltes experimentelles Modell des Alibaba Qwen Teams für visuelles Schlussfolgern. Es sollte Diagramme, Grafiken, Bildtext und visuelle Mathematikaufgaben schrittweise auswerten.
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- QVQ 72B Preview war ein im Dezember 2024 vorgestelltes experimentelles Modell des Alibaba Qwen Teams für visuelles Schlussfolgern.
- Es sollte Diagramme, Grafiken, Bildtext und visuelle Mathematikaufgaben schrittweise auswerten.
- Die Veröffentlichung verdeutlicht den Nutzen offener Modellgewichte: Sie lassen sich außerhalb einer Anbieter API betreiben und anpassen – verlagern aber mehr Verantwortung für Sicherheit und Betrieb auf die Nutzenden...
KI-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 war ein experimentelles Forschungsmodell von Alibabas Qwen-Team, das im Dezember 2024 vorgestellt wurde. Sein Ziel: visuelles Schlussfolgern verbessern – also ein Bild zu analysieren und eine darauf bezogene Aufgabe in mehreren gedanklichen Schritten zu lösen. Es baute auf Qwen2-VL-72B auf und setzte besonders auf ausführliches Reasoning bei bildbasierten Aufgaben. Am treffendsten lässt es sich als früher Open-Weight-Versuch verstehen, Bildverständnis mit anspruchsvoller mehrstufiger Problemlösung zu verbinden – nicht als fertig ausgereifter Allzweck-Assistent.38
39
Was das Modell mit Bildern machen sollte
Zu einem Bild und einer Texteingabe sollte QVQ zunächst die sichtbaren Informationen auswerten und anschließend eine Antwort herleiten. Das ist etwa relevant für:
- das Interpretieren von Diagrammen und Grafiken,
- das Erfassen von Text, der in Bildern enthalten ist,
- Mathematikaufgaben mit visuellen Bestandteilen,
- naturwissenschaftliche Fragen, bei denen Beobachtung und Schlussfolgerung zusammenkommen.
Die Bezeichnung „72B“ verweist auf die Größe innerhalb der Qwen-Modellfamilie. Entscheidend ist aber der Zusatz „Preview“: Qwen selbst ordnete QVQ ausdrücklich als experimentelles Forschungsmodell ein und dokumentierte neben Benchmark-Ergebnissen auch dessen Schwächen.38
39
Die gemeldeten Benchmark-Ergebnisse
In Qwens veröffentlichter Vergleichstabelle erzielte QVQ-72B-Preview folgende Werte:
| Benchmark | QVQ-72B-Preview | Vergleich: Qwen2-VL-72B |
|---|---|---|
| MMMU (Validierung) | 70,3 | 64,5 |
| MathVision (vollständig) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU misst breit angelegtes multimodales Verständnis auf Hochschulniveau. MathVision konzentriert sich auf bildgestützte Mathematikaufgaben, OlympiadBench enthält anspruchsvolle zweisprachige Aufgaben aus Mathematik und Physik. In Qwens Tabelle lag QVQ bei allen drei Messgrößen vor dem aufgeführten Qwen2-VL-72B – passend zur Positionierung als auf Schlussfolgern ausgerichtetes Modell.39
40
Wichtig ist die Einordnung: Das sind vom Anbieter veröffentlichte Evaluierungsergebnisse, keine unabhängige Bestätigung für gleich gute Resultate im praktischen Einsatz. Benchmark-Fortschritte sind ein hilfreiches Signal, verhindern aber keine Fehler bei mehrdeutigen Bildern, ungewöhnlichen Eingaben, fehlendem Kontext oder instabilen Schlussfolgerungen.
Die wichtigsten Einschränkungen zum Start
Gerade weil QVQ ein Preview-Modell war, bestimmten seine Grenzen den praktischen Nutzen wesentlich.
Bilder ja, Videos nein
Das Preview akzeptierte Bilder, unterstützte aber keine Videoeingaben – obwohl die frühere Qwen2-VL-Reihe Video-Funktionen bot. Die Anwendung beschränkte sich damit auf die Analyse statischer Inhalte.37
43
Keine fortlaufende Unterhaltung über dasselbe Bild
Die Bildinteraktion war faktisch auf eine Runde begrenzt. Nutzende konnten keine Anschlussfrage stellen und dabei den bildbezogenen Kontext beibehalten. Für eine neue Frage musste das Bild erneut zusammen mit einem neuen Prompt eingereicht werden. Zeitgenössische Berichte beschrieben die Analyse entsprechend als einmaligen Vorgang.34
Lange Begründungen konnten den Bildbezug verlieren
Qwens wichtigste Warnung war besonders folgenreich: Bei mehrstufigem visuellem Schlussfolgern konnte QVQ den Fokus auf den eigentlichen Bildinhalt allmählich verlieren und halluzinieren. Eine ausführlich und systematisch klingende Erklärung konnte sich also vom visuellen Beleg lösen, den sie eigentlich auswerten sollte.33
38
Die Modelldokumentation warnte zudem vor unerwartetem Sprachmischen oder Sprachwechseln sowie vor rekursiven Denkschleifen, die lange Antworten ohne klares Ergebnis erzeugen können.38
39
Praktische Konsequenz: Bei folgenreichen Entscheidungen mussten Ergebnisse von QVQ überprüft werden. Ein sichtbarer Gedankengang ist kein Beweis dafür, dass jede Beobachtung richtig ist oder tatsächlich im Bild verankert bleibt.
Warum die Open-Weight-Veröffentlichung relevant war
Die Bedeutung der Veröffentlichung ging über eine einzelne Benchmark-Tabelle hinaus. Sie passte zum breiteren Open-Weight-Ansatz, mit dem Qwen und weitere chinesische KI-Entwickler arbeiten. Bei einem Open-Weight-Modell stehen die trainierten Parameter – die Gewichte – zum Download, zur Nutzung und zur Modifikation bereit. Organisationen können das Modell damit außerhalb der Anwendung oder API des Entwicklers betreiben und für neue Zwecke anpassen.18
Daraus ergeben sich für Entwicklerinnen und Entwickler mehrere Vorteile:
- Kontrolle über die Bereitstellung: Betrieb auf eigener Infrastruktur oder in einer frei gewählten Cloud-Umgebung.
- Anpassbarkeit: Gewichte lassen sich etwa feinabstimmen, quantisieren oder in spezialisierte Systeme integrieren.
- Portabilität: Weniger Abhängigkeit von einer einzelnen, gehosteten Anbieter-API.
Damit gehen allerdings auch Pflichten einher. Wer heruntergeladene Gewichte selbst betreibt, ist stärker für Infrastruktur, Tests, Zugriffssteuerung, Sicherheitsmaßnahmen und den Schutz vor Missbrauch verantwortlich. Reuters weist darauf hin, dass Open-Weight-Systeme zwar heruntergeladen, untersucht und verändert werden können, aber mit vergleichsweise wenig Kontrolle auch modifiziert und weiterverbreitet werden können.19
Open Weights und geschlossene APIs: ein relevanter Unterschied, aber keine einfache geopolitische Formel
Es trifft im Grundsatz zu, dass viele chinesische Entwickler Open-Weight-Veröffentlichungen vorangetrieben haben, während führende US-Anbieter wie OpenAI und Anthropic die Spezifikationen ihrer Spitzenmodelle in der Regel nicht zum Download bereitstellen.19 Die Formel „chinesisch gleich offen, amerikanisch gleich geschlossen“ wäre jedoch zu grob: Die Veröffentlichungsstrategie hängt vom Modell, Entwickler, Leistungsniveau und Geschäftsmodell ab.
Operativ ist der Unterschied klar:
- Open-Weight-Modelle geben Anwendern mehr Kontrolle darüber, wo und wie ein Modell läuft.
- Geschlossene API-Modelle belassen Betrieb und einen großen Teil der Sicherheitsinfrastruktur beim Anbieter.
Daraus ergibt sich ein realer Zielkonflikt für die Regulierung. Regeln, die auf zentrale Überwachung, Tests, Lizenzierung oder Meldepflichten setzen, könnten sich für große API-Anbieter leichter umsetzen lassen und damit deren Betriebsmodell begünstigen. Das ist eine Schlussfolgerung über regulatorische Anreize, kein feststehendes Ergebnis. Regulierung kann ebenso an riskanten Anwendungen und den Organisationen ansetzen, die Modelle einsetzen, statt die Verteilung von Gewichten pauschal zu untersagen. Forschende aus Stanford weisen darauf hin, dass die weltweite Verbreitung chinesischer Open-Weight-Modelle Technologiezugang, Wettbewerb, Sicherheit und KI-Governance beeinflussen könnte.18
Fazit
QVQ-72B-Preview war ein bemerkenswertes Experiment aus dem Dezember 2024: ein Open-Weight-Modell für visuelles Schlussfolgern, das laut Qwen bei MMMU, MathVision und OlympiadBench deutliche Fortschritte zeigte, zugleich aber erhebliche Grenzen bei Bedienbarkeit und Zuverlässigkeit offenlegte. Die zentrale Lehre lautet nicht, dass ausführliche Gedankengänge multimodale KI gelöst hätten. Sie zeigt vielmehr, dass bessere Bildanalyse als anpassbar und selbst betreibbar bereitgestelltes Modell veröffentlicht werden kann – und dass genau diese Offenheit sorgfältige Evaluation und verantwortlichen Betrieb umso wichtiger macht.38
39
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „QVQ-72B-Preview: Alibabas Experiment für visuelles Schlussfolgern erklärt“?
QVQ 72B Preview war ein im Dezember 2024 vorgestelltes experimentelles Modell des Alibaba Qwen Teams für visuelles Schlussfolgern.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
QVQ 72B Preview war ein im Dezember 2024 vorgestelltes experimentelles Modell des Alibaba Qwen Teams für visuelles Schlussfolgern. Es sollte Diagramme, Grafiken, Bildtext und visuelle Mathematikaufgaben schrittweise auswerten.
Was soll ich als nächstes in der Praxis tun?
Die Veröffentlichung verdeutlicht den Nutzen offener Modellgewichte: Sie lassen sich außerhalb einer Anbieter API betreiben und anpassen – verlagern aber mehr Verantwortung für Sicherheit und Betrieb auf die Nutzenden...
Quellen
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