RéponsesPublié19 sources
QVQ-72B-Preview : l’expérience d’Alibaba pour faire raisonner l’IA à partir d’images
QVQ 72B Preview est un modèle expérimental de raisonnement visuel de l’équipe Qwen d’Alibaba, présenté en décembre 2024. Ses résultats publiés progressaient sur MMMU, MathVision et OlympiadBench, mais ils restaient des évaluations communiquées par l’éditeur.[39][40] Ses poids téléchargeables donnaient davantage de c...
Publié parModifié avec GPT-5.6 TerraImages générées avec GPT Image 2
Réponse de recherche
Points clés à retenir
- QVQ 72B Preview est un modèle expérimental de raisonnement visuel de l’équipe Qwen d’Alibaba, présenté en décembre 2024.
- Ses résultats publiés progressaient sur MMMU, MathVision et OlympiadBench, mais ils restaient des évaluations communiquées par l’éditeur.[39][40]
- Ses poids téléchargeables donnaient davantage de contrôle aux développeurs, tout en leur transférant une part essentielle des responsabilités de sécurité, d’évaluation et d’exploitation.[18][19]
Prompt 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 était un modèle de recherche expérimental de l’équipe Qwen d’Alibaba, présenté en décembre 2024. Son objectif : améliorer le raisonnement visuel, c’est-à-dire la capacité à examiner une image puis à résoudre un problème à partir de ce qu’elle montre. Fondé sur Qwen2-VL-72B, il mettait l’accent sur le raisonnement prolongé dans les tâches basées sur l’image. Il faut donc le voir comme une première tentative à poids ouverts de combiner compréhension visuelle et résolution de problèmes en plusieurs étapes, plutôt que comme un assistant multimodal généraliste pleinement abouti.38
39
À quoi servait QVQ-72B-Preview ?
À partir d’une image et d’une consigne, QVQ devait analyser les éléments visuels avant de formuler sa réponse. Le modèle pouvait ainsi être pertinent pour :
- interpréter des graphiques, schémas et diagrammes ;
- lire des informations présentes dans une image ;
- résoudre des exercices de mathématiques visuels ;
- répondre à des questions scientifiques demandant à la fois observation et déduction.
Le « 72B » renvoie à la taille du modèle dans la famille Qwen. Le terme « Preview », lui, est déterminant : Qwen le présentait explicitement comme un modèle de recherche expérimental et accompagnait ses résultats de limites importantes.38
39
Des progrès annoncés sur les benchmarks
Dans le tableau comparatif publié par Qwen, QVQ-72B-Preview affichait les résultats suivants :
| Benchmark | QVQ-72B-Preview | Comparaison avec Qwen2-VL-72B |
|---|---|---|
| MMMU (validation) | 70,3 | 64,5 |
| MathVision (ensemble complet) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU mesure une compréhension multimodale large de niveau universitaire ; MathVision porte sur des problèmes mathématiques présentés sous forme visuelle ; OlympiadBench comprend des questions exigeantes de mathématiques et de physique, en chinois et en anglais. Dans les chiffres publiés par Qwen, QVQ dépasse Qwen2-VL-72B sur ces trois indicateurs, ce qui correspond à son positionnement centré sur le raisonnement.39
40
Ces résultats sont toutefois des évaluations rapportées par l’éditeur. Ils ne constituent pas une preuve indépendante que le modèle offrirait le même niveau de fiabilité en production. Une image ambiguë, une consigne atypique, un contexte incomplet ou un raisonnement fragile peuvent toujours conduire à une mauvaise réponse.
Les limites à connaître au lancement
Les contraintes de QVQ comptaient autant que ses scores : elles délimitaient clairement ce qu’il pouvait faire en pratique.
Des images, mais pas de vidéo
Cette version Preview acceptait des images, mais pas les vidéos, alors que la gamme Qwen2-VL antérieure disposait de capacités vidéo. Son usage se limitait donc à l’analyse d’éléments visuels statiques.37
43
Pas de suivi conversationnel sur une même image
L’échange était, dans les faits, limité à un seul tour pour une image donnée. Il n’était pas possible de poser une question complémentaire tout en conservant le contexte visuel déjà envoyé : il fallait soumettre à nouveau l’image avec une nouvelle consigne. La couverture de l’époque décrivait une analyse produite « en une seule fois ».34
Un raisonnement long pouvait s’éloigner de l’image
L’avertissement le plus important de Qwen concernait le raisonnement visuel en plusieurs étapes : le modèle pouvait progressivement perdre de vue le contenu de l’image et halluciner. Une explication longue et apparemment structurée pouvait donc finir par ne plus être ancrée dans les éléments visuels qu’elle était censée analyser.33
38
La fiche du modèle signalait également des mélanges de langues ou des changements de langue imprévus, ainsi que des boucles de raisonnement susceptibles de générer des réponses très longues sans conclusion.38
39
Conséquence pratique : pour tout usage sensible, les réponses de QVQ devaient être vérifiées. Voir les étapes de raisonnement ne prouve ni que les observations sont correctes, ni qu’elles reposent réellement sur l’image.
Pourquoi ses poids ouverts comptaient
L’intérêt de cette sortie allait au-delà d’un tableau de benchmarks. Elle s’inscrivait dans l’approche plus large des modèles à poids ouverts portée par Qwen et d’autres développeurs chinois. Un modèle à poids ouverts met ses paramètres entraînés à disposition pour le téléchargement, l’utilisation et la modification : une organisation peut alors le faire fonctionner hors de l’application ou de l’API du développeur et l’adapter à d’autres usages.18
Pour les développeurs, cela peut apporter plusieurs avantages :
- Maîtrise du déploiement : exécuter le modèle sur une infrastructure privée ou dans l’environnement cloud de son choix.
- Adaptation : affiner le modèle, le quantifier ou l’intégrer à une pile technique spécialisée.
- Portabilité : réduire la dépendance à une API hébergée par un seul fournisseur.
Cette autonomie déplace aussi les responsabilités. L’organisation qui exploite des poids téléchargés doit gérer elle-même l’infrastructure, les tests, les contrôles d’accès, la sécurité et la prévention des usages abusifs. Reuters souligne que les systèmes à poids ouverts peuvent être téléchargés, inspectés et modifiés, mais aussi modifiés puis redistribués avec relativement peu de supervision.19
Poids ouverts ou API fermée : une différence opérationnelle
Il est globalement exact que de nombreux développeurs chinois ont promu les sorties à poids ouverts, tandis que des fournisseurs américains de pointe comme OpenAI et Anthropic ne rendent généralement pas les spécifications de leurs principaux modèles téléchargeables.19 Mais résumer la situation à « Chine = ouvert » et « États-Unis = fermé » serait excessif : les choix de diffusion varient selon les modèles, les entreprises, les capacités et les stratégies commerciales.
La distinction utile est avant tout opérationnelle :
- Les modèles à poids ouverts donnent davantage de contrôle sur le lieu et les modalités d’exécution.
- Les modèles accessibles par API fermée laissent le déploiement et une grande partie de l’infrastructure de sûreté sous le contrôle du fournisseur.
Ce contraste crée un véritable arbitrage réglementaire. Des règles reposant sur une surveillance centralisée, des tests, des licences ou des obligations de déclaration pourraient être plus simples à administrer pour les grands fournisseurs d’API, et potentiellement favoriser leur modèle d’exploitation. C’est une inférence sur les incitations réglementaires, non un résultat établi. Les pouvoirs publics peuvent aussi cibler les déploiements à haut risque et les organisations qui les opèrent, plutôt que d’interdire la diffusion des poids. Des chercheurs de Stanford soulignent que l’adoption mondiale de modèles chinois à poids ouverts pourrait influer sur l’accès aux technologies, la concurrence, la sûreté et la gouvernance de l’IA.18
En bref
QVQ-72B-Preview a marqué une expérimentation notable de décembre 2024 dans le raisonnement visuel à poids ouverts. Il affichait, selon Qwen, des gains sur MMMU, MathVision et OlympiadBench, tout en documentant ouvertement ses limites de fiabilité et d’usage. Sa leçon n’était pas que le raisonnement explicite avait résolu les difficultés de l’IA multimodale : elle était plutôt qu’un meilleur raisonnement sur image pouvait être publié dans une forme que les développeurs peuvent inspecter et déployer — et que cette ouverture rend l’évaluation rigoureuse et l’exploitation responsable d’autant plus nécessaires.38
39
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « QVQ-72B-Preview : l’expérience d’Alibaba pour faire raisonner l’IA à partir d’images » ?
QVQ 72B Preview est un modèle expérimental de raisonnement visuel de l’équipe Qwen d’Alibaba, présenté en décembre 2024.
Quels sont les points clés à valider en premier ?
QVQ 72B Preview est un modèle expérimental de raisonnement visuel de l’équipe Qwen d’Alibaba, présenté en décembre 2024. Ses résultats publiés progressaient sur MMMU, MathVision et OlympiadBench, mais ils restaient des évaluations communiquées par l’éditeur.[39][40]
Que dois-je faire ensuite en pratique ?
Ses poids téléchargeables donnaient davantage de contrôle aux développeurs, tout en leur transférant une part essentielle des responsabilités de sécurité, d’évaluation et d’exploitation.[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