RespuestasPublicado19 fuentes
QVQ-72B-Preview: el experimento de Alibaba para razonar sobre imágenes
QVQ 72B Preview fue el modelo experimental de razonamiento visual que el equipo Qwen de Alibaba presentó en diciembre de 2024. Su objetivo era resolver tareas de varios pasos a partir de imágenes —como gráficos, diagramas o problemas matemáticos—, aunque una explicación extensa no garantizaba que siguiera anclada en...
Publicado porEditado con GPT-5.6 TerraImágenes generadas con GPT Image 2
Respuesta de investigación
Conclusiones clave
- QVQ 72B Preview fue el modelo experimental de razonamiento visual que el equipo Qwen de Alibaba presentó en diciembre de 2024.
- Su objetivo era resolver tareas de varios pasos a partir de imágenes —como gráficos, diagramas o problemas matemáticos—, aunque una explicación extensa no garantizaba que siguiera anclada en la evidencia visual.
- El lanzamiento ilustró el atractivo de los modelos de pesos abiertos: pueden descargarse, ejecutarse y adaptarse fuera de una API, pero trasladan más responsabilidades de seguridad y operación a quien los despliega.[1...
Prompt de IA
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 fue un modelo experimental de investigación del equipo Qwen de Alibaba, presentado en diciembre de 2024 para mejorar el razonamiento visual: la capacidad de examinar una imagen y resolver un problema a partir de lo que contiene. Partía de Qwen2-VL-72B y ponía el foco en el razonamiento prolongado para tareas basadas en imágenes. Más que un asistente multimodal generalista terminado, debe entenderse como un primer intento de pesos abiertos para combinar comprensión visual y resolución de problemas complejos de varios pasos.38
39
Para qué servía
A partir de una imagen y una instrucción, QVQ estaba diseñado para razonar sobre la evidencia visual antes de responder. Por ello resultaba relevante para interpretar gráficos y diagramas, leer información integrada en una imagen, resolver ejercicios visuales de matemáticas y contestar preguntas científicas que exigen tanto observación como inferencia.
El nombre «72B» indica que pertenece a la familia de modelos grandes de Qwen; «Preview» también importa. Qwen lo describió como un modelo experimental de investigación y, junto a los resultados de evaluación, documentó explícitamente sus limitaciones.38
39
Resultados publicados en pruebas de referencia
La tabla comparativa publicada por Qwen informó estos resultados para QVQ-72B-Preview:
| Prueba | QVQ-72B-Preview | Comparación con Qwen2-VL-72B |
|---|---|---|
| MMMU (validación) | 70,3 | 64,5 |
| MathVision (completa) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU mide la comprensión multimodal amplia de nivel universitario; MathVision se centra en problemas matemáticos basados en imágenes; y OlympiadBench incluye preguntas exigentes de matemáticas y física en dos idiomas. En la tabla de Qwen, QVQ superó las puntuaciones de Qwen2-VL-72B en las tres métricas, en línea con su orientación al razonamiento.39
40
Son resultados de evaluación comunicados por el propio proveedor, no una demostración independiente de que el modelo rinda igual en entornos reales. Las mejoras en benchmarks son una señal útil, pero no eliminan errores provocados por imágenes ambiguas, instrucciones poco habituales, contexto incompleto o razonamientos frágiles.
Los límites de lanzamiento que más importaban
Las restricciones de QVQ eran especialmente relevantes porque marcaban la distancia entre una demostración prometedora y un asistente práctico.
Admitía imágenes, no vídeo
La versión Preview aceptaba imágenes, pero no vídeo, aunque la línea anterior Qwen2-VL sí disponía de capacidades de vídeo. Eso limitaba su uso al análisis de contenido estático.37
43
No mantenía una conversación sobre la misma imagen
La interacción con una imagen era, en la práctica, de una sola ronda. No se podía formular una pregunta de seguimiento conservando el contexto visual: había que enviar de nuevo la imagen con una nueva instrucción. La cobertura de la época describió su análisis como una respuesta de una sola vez.34
El razonamiento largo podía alejarse de la evidencia
La advertencia central de Qwen era más decisiva: durante un razonamiento visual de varios pasos, QVQ podía perder gradualmente el foco en la imagen y alucinar. En otras palabras, una explicación extensa podía parecer metódica y, aun así, dejar de estar conectada con la evidencia visual que debía analizar.33
38
La ficha del modelo también alertaba de mezclas inesperadas de idiomas o cambios de lengua, así como de bucles de razonamiento recursivo capaces de generar respuestas largas sin llegar a una conclusión.38
39
Consecuencia práctica: cualquier uso de QVQ en escenarios de alto impacto requería verificación. Que el modelo mostrara una traza de razonamiento no demostraba que cada observación fuera correcta ni que estuviera respaldada por la imagen.
Por qué importó que se publicaran los pesos
El lanzamiento fue relevante más allá de una tabla de benchmarks porque encajaba en la estrategia más amplia de pesos abiertos asociada con Qwen y otros desarrolladores chinos de IA. Un modelo de pesos abiertos pone a disposición sus parámetros entrenados para descargarlos, usarlos y modificarlos; así, una organización puede ejecutarlo fuera de la aplicación o API del desarrollador y adaptarlo a nuevos usos.18
Para desarrolladores y empresas, esto puede ofrecer varias ventajas:
- Control del despliegue: ejecutar el modelo en infraestructura privada o en el entorno de nube elegido.
- Adaptabilidad: ajustar el modelo, cuantizarlo o integrarlo en una pila especializada.
- Portabilidad: reducir la dependencia de una API alojada por un único proveedor.
Esas ventajas también implican responsabilidades. Quien opere pesos descargados debe asumir la infraestructura, las evaluaciones, los controles de acceso, las prácticas de seguridad y la prevención de usos indebidos. Reuters señala que estos sistemas pueden descargarse, inspeccionarse y modificarse, pero también redistribuirse con relativamente poca supervisión.19
Pesos abiertos frente a APIs cerradas: una diferencia útil, no una regla geopolítica absoluta
En términos generales, muchos desarrolladores chinos han impulsado lanzamientos de pesos abiertos, mientras que proveedores estadounidenses de frontera como OpenAI y Anthropic normalmente no han puesto a disposición para descarga las especificaciones de sus modelos líderes.19 Pero reducirlo a «China es abierta y Estados Unidos es cerrado» sería simplificar demasiado: las decisiones de publicación cambian según el modelo, el desarrollador, la capacidad y la estrategia comercial.
La diferencia relevante es operativa:
- Los modelos de pesos abiertos dan al usuario mayor control sobre dónde y cómo se ejecuta el sistema.
- Los modelos de API cerrada mantienen el despliegue y buena parte de la infraestructura de seguridad bajo control del proveedor.
Esto abre un debate regulatorio real. Las reglas basadas en supervisión centralizada, pruebas, licencias o reportes podrían ser más fáciles de administrar para grandes proveedores de API y, potencialmente, favorecer su modelo operativo. Es una inferencia sobre incentivos regulatorios, no un resultado demostrado. Las políticas también pueden centrarse en los despliegues de alto riesgo y en las organizaciones que los operan, en vez de prohibir la distribución de pesos. Investigadores de Stanford advierten que la adopción global de modelos chinos de pesos abiertos puede afectar el acceso tecnológico, la competencia, la seguridad y la gobernanza de la IA.18
En síntesis
QVQ-72B-Preview fue un experimento destacado de diciembre de 2024 en razonamiento visual con pesos abiertos. Mostró mejoras comunicadas por Qwen en MMMU, MathVision y OlympiadBench, pero también documentó importantes límites de fiabilidad y uso. Su principal lección no fue que el razonamiento paso a paso hubiera resuelto la IA multimodal: fue que una capacidad visual más avanzada podía publicarse para que los desarrolladores la inspeccionaran y desplegaran, y que esa apertura hace todavía más necesaria una evaluación rigurosa y una operación responsable.38
39
Studio Global AI
Continúe su investigación
Esta página incluye una respuesta respaldada por fuentes que puede continuar dentro de Studio Global.
La gente también pregunta
¿Cuál es la respuesta corta a "QVQ-72B-Preview: el experimento de Alibaba para razonar sobre imágenes"?
QVQ 72B Preview fue el modelo experimental de razonamiento visual que el equipo Qwen de Alibaba presentó en diciembre de 2024.
¿Cuáles son los puntos clave a validar primero?
QVQ 72B Preview fue el modelo experimental de razonamiento visual que el equipo Qwen de Alibaba presentó en diciembre de 2024. Su objetivo era resolver tareas de varios pasos a partir de imágenes —como gráficos, diagramas o problemas matemáticos—, aunque una explicación extensa no garantizaba que siguiera anclada en la evidencia visual.
¿Qué debo hacer a continuación en la práctica?
El lanzamiento ilustró el atractivo de los modelos de pesos abiertos: pueden descargarse, ejecutarse y adaptarse fuera de una API, pero trasladan más responsabilidades de seguridad y operación a quien los despliega.[1...
Fuentes
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