AnswersPublished19 sources
QVQ-72B-Preview oli Alibaban varhainen kokeilu kuvista päättelyyn
QVQ 72B Preview oli Alibaba Qwenin joulukuussa 2024 esittelemä kokeellinen, visuaaliseen päättelyyn suunnattu tutkimusmalli.[38][39] Mallin vahvuus oli kuvien, kaavioiden, kuviin upotetun tekstin ja visuaalisten matematiikkatehtävien monivaiheinen tarkastelu. Avoimet painot antavat organisaatioille mahdollisuuden aj...
JulkaisijaMuokattu mallilla GPT-5.6 TerraKuvat luotu mallilla GPT Image 2
Research answer
Key takeaways
- QVQ 72B Preview oli Alibaba Qwenin joulukuussa 2024 esittelemä kokeellinen, visuaaliseen päättelyyn suunnattu tutkimusmalli.[38][39]
- Mallin vahvuus oli kuvien, kaavioiden, kuviin upotetun tekstin ja visuaalisten matematiikkatehtävien monivaiheinen tarkastelu.
- Avoimet painot antavat organisaatioille mahdollisuuden ajaa ja muokata mallia omassa ympäristössään, mutta samalla vastuu turvallisuudesta, arvioinnista ja käytön valvonnasta siirtyy enemmän käyttöönottajalle.[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 oli Alibaban Qwen-tiimin joulukuussa 2024 esittelemä kokeellinen tutkimusmalli. Sen tavoite oli parantaa visuaalista päättelyä: mallin piti pystyä tarkastelemaan kuvaa, poimimaan siitä olennaiset havainnot ja ratkaisemaan niiden perusteella monivaiheinen ongelma. Se pohjautui Qwen2-VL-72B-malliin, mutta painotti kuviin liittyvää pidempää päättelyä.38
39
Kyse ei ollut valmiista yleiskäyttöisestä multimodaalisesta avustajasta, vaan varhaisesta avoimien painojen kokeilusta. Se yhdisti kuvan ymmärtämisen vaikeampaan vaiheittaiseen ongelmanratkaisuun – ja Qwen dokumentoi myös mallin merkittävät puutteet.38
39
Mihin mallia oli tarkoitus käyttää?
Kun käyttäjä antoi kuvan ja kehotteen, QVQ:n oli tarkoitus käydä kuvan todistusaineistoa läpi ennen vastauksen muodostamista. Tästä on hyötyä esimerkiksi seuraavissa tehtävissä:
- kaavioiden ja diagrammien tulkinta
- kuvissa olevan tekstin lukeminen
- visuaaliset matematiikkatehtävät
- luonnontieteelliset kysymykset, joissa tarvitaan sekä havaintoja että päätelmiä.
Mallin nimen 72B viittaa sen kokoluokkaan Qwen-malliperheessä. Sana Preview on yhtä olennainen: Qwen luonnehti mallia kokeelliseksi tutkimusmalliksi eikä peitellyt sen rajoitteita.38
39
Qwenin ilmoittamat testitulokset
Qwenin julkaisemassa vertailussa QVQ-72B-Preview sai seuraavat tulokset:
| Testi | QVQ-72B-Preview | Qwen2-VL-72B vertailuna |
|---|---|---|
| MMMU (validation) | 70,3 | 64,5 |
| MathVision (full) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU mittaa laaja-alaista, korkeakoulutasoista multimodaalista ymmärrystä. MathVision keskittyy kuvapohjaisiin matematiikkaongelmiin, ja OlympiadBench sisältää vaativia kaksikielisiä matematiikan ja fysiikan tehtäviä. Qwenin taulukossa QVQ ylitti Qwen2-VL-72B:n kaikissa kolmessa mittarissa, mikä tukee mallin päättelypainotteista asemoimista.39
40
Tulokset ovat kuitenkin valmistajan itse raportoimia. Ne eivät ole riippumatonta näyttöä siitä, että malli toimisi tuotantokäytössä yhtä hyvin. Epäselvät kuvat, poikkeavat kehotteet, puuttuva taustatieto ja hauras päättely voivat silti johtaa virheisiin.
Käytännön rajoitukset olivat olennaisia
QVQ:n puutteet rajasivat selvästi sitä, mihin mallia kannatti käyttää.
Vain kuvia, ei videoita
Preview-versio hyväksyi kuvia, mutta ei videotiedostoa. Tämä oli huomattava rajaus, sillä aiemmassa Qwen2-VL-mallistossa oli videotuki. Käyttö rajoittui siis staattisten kuvien analyysiin.37
43
Ei jatkokysymyksiä samasta kuvasta
Kuvasta käytävä keskustelu oli käytännössä yksikierroksinen. Käyttäjä ei voinut esittää jatkokysymystä niin, että malli säilyttäisi kuvan kontekstin; kuva piti lähettää uudelleen uuden kehotteen kanssa. Aikalaiskuvauksen mukaan malli tuotti analyysinsä yhdellä kertaa.34
Pitkä päättely saattoi kadottaa yhteyden kuvaan
Vakavin Qwenin itse nostama varoitus koski monivaiheista visuaalista päättelyä. Malli saattoi vähitellen menettää fokuksen kuvan sisältöön ja alkaa hallusinoida – eli esittää uskottavalta kuulostavia väitteitä, joille kuva ei anna tukea.33
38
Mallikortti varoitti myös odottamattomasta kielten sekoittumisesta tai vaihtumisesta sekä kehämäisistä päättelysilmukoista, jotka voivat tuottaa pitkiä vastauksia ilman johtopäätöstä.38
39
Käytännön johtopäätös: QVQ:n vastaukset piti tarkistaa kaikessa riskialttiissa käytössä. Näkyvä perusteluketju ei vielä todista, että jokainen havainto olisi oikea tai todella peräisin kuvasta.
Miksi avoimien painojen julkaisu oli merkittävä?
Mallin merkitys ei rajoittunut testipisteisiin. Se sopi Qwenin ja muiden kiinalaisten tekoälykehittäjien laajempaan avoimien painojen strategiaan. Avoimet painot tarkoittavat, että mallin opitut parametrit ovat ladattavissa, käytettävissä ja muokattavissa. Organisaatio voi ajaa mallia kehittäjän sovelluksen tai ohjelmointirajapinnan eli API:n ulkopuolella ja sovittaa sitä omiin käyttötarkoituksiinsa.18
Kehittäjälle tästä voi seurata kolme käytännön hyötyä:
- Hallinta käyttöönotosta: Mallin voi ajaa omassa infrastruktuurissa tai valitussa pilviympäristössä.
- Muokattavuus: Painoja voi hienosäätää, kvantisoida tai liittää erikoistuneeseen järjestelmään.
- Siirrettävyys: Riippuvuus yhden toimittajan isännöimästä API:sta vähenee.
Vapaus tuo myös vastuita. Ladattuja painoja käyttävän organisaation on huolehdittava itse infrastruktuurista, arvioinnista, käyttöoikeuksista, tietoturvasta ja väärinkäytösten ehkäisystä. Reutersin mukaan avoimia painoja voidaan ladata, tarkastella ja muokata, mutta niitä voidaan myös muuttaa ja jakaa edelleen verrattain vähäisellä valvonnalla.19
Avoimet painot ja suljetut API:t: todellinen ero, mutta ei yksinkertainen geopoliittinen jako
On pääpiirteissään totta, että monet kiinalaiset kehittäjät ovat edistäneet avoimia painoja, kun taas johtavat yhdysvaltalaiset frontier-mallien tarjoajat, kuten OpenAI ja Anthropic, eivät yleensä tarjoa kehittyneimpien malliensa määrityksiä ladattaviksi.19 Silti asetelmaa ei pidä pelkistää muotoon ”kiinalainen on avoin, yhdysvaltalainen suljettu”: julkaisupäätökset vaihtelevat mallin, kehittäjän, kyvykkyyden ja liiketoimintastrategian mukaan.
Käytännön ero on tämä:
- Avoimet painot antavat käyttäjälle enemmän valtaa päättää, missä ja miten malli toimii.
- Suljetut API-mallit jättävät käyttöönoton ja suuren osan turvainfrastruktuurista palveluntarjoajan hallintaan.
Tästä syntyy myös aito sääntelykysymys. Keskitettyyn seurantaan, testaukseen, lisensointiin tai raportointiin nojaavat vaatimukset voivat olla suurille API-palveluntarjoajille helpompia toteuttaa ja siten suosia niiden toimintamallia. Tämä on arvio sääntelyn kannustimista, ei todistettu lopputulos. Sääntely voidaan kohdistaa myös riskialttiisiin käyttökohteisiin ja mallia operoiviin organisaatioihin sen sijaan, että painojen jakelu kiellettäisiin. Stanfordin tutkijat huomauttavat, että kiinalaisten avoimien painojen mallien laaja maailmanlaajuinen käyttö voi vaikuttaa teknologian saatavuuteen, kilpailuun, turvallisuuteen ja tekoälyhallintoon.18
Yhteenveto
QVQ-72B-Preview oli huomionarvoinen joulukuun 2024 kokeilu avoimilla painoilla julkaistusta visuaalisesta päättelystä. Qwen raportoi sille selviä parannuksia MMMU-, MathVision- ja OlympiadBench-testeissä, mutta toi samanaikaisesti avoimesti esiin käytettävyyden ja luotettavuuden ongelmat.38
39
Mallin keskeinen opetus ei ollut, että pitkä päättely olisi ratkaissut multimodaalisen tekoälyn ongelmat. Se osoitti pikemminkin, että parempaa kuvista päättelyä voidaan julkaista kehittäjien tarkasteltavaksi ja ajettavaksi omissa ympäristöissä – ja että avoimuus kasvattaa tarvetta huolelliselle arvioinnille ja vastuulliselle käytölle.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 oli Alibaban varhainen kokeilu kuvista päättelyyn"?
QVQ 72B Preview oli Alibaba Qwenin joulukuussa 2024 esittelemä kokeellinen, visuaaliseen päättelyyn suunnattu tutkimusmalli.[38][39]
What are the key points to validate first?
QVQ 72B Preview oli Alibaba Qwenin joulukuussa 2024 esittelemä kokeellinen, visuaaliseen päättelyyn suunnattu tutkimusmalli.[38][39] Mallin vahvuus oli kuvien, kaavioiden, kuviin upotetun tekstin ja visuaalisten matematiikkatehtävien monivaiheinen tarkastelu.
What should I do next in practice?
Avoimet painot antavat organisaatioille mahdollisuuden ajaa ja muokata mallia omassa ympäristössään, mutta samalla vastuu turvallisuudesta, arvioinnista ja käytön valvonnasta siirtyy enemmän käyttöönottajalle.[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