उत्तरप्रकाशित19 स्रोत
QVQ-72B-Preview क्या था और इसकी सीमाएँ क्यों अहम थीं?
QVQ 72B Preview, अलीबाबा की Qwen टीम का दिसंबर 2024 में पेश किया गया प्रयोगात्मक विज़ुअल रीजनिंग मॉडल था। इसे चित्रों, चार्ट, आरेख और विज़ुअल गणित के प्रश्नों पर बहु चरणीय तर्क के लिए बनाया गया था, लेकिन लंबी तर्क श्रृंखला के बावजूद उत्तर का चित्र में मौजूद साक्ष्य से जुड़ा रहना तय नहीं था। ओपन वेट रिलीज़ से डेवलपर...
प्रकाशितकर्ताGPT-5.6 Terra से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- QVQ 72B Preview, अलीबाबा की Qwen टीम का दिसंबर 2024 में पेश किया गया प्रयोगात्मक विज़ुअल रीजनिंग मॉडल था।
- इसे चित्रों, चार्ट, आरेख और विज़ुअल गणित के प्रश्नों पर बहु चरणीय तर्क के लिए बनाया गया था, लेकिन लंबी तर्क श्रृंखला के बावजूद उत्तर का चित्र में मौजूद साक्ष्य से जुड़ा रहना तय नहीं था।
- ओपन वेट रिलीज़ से डेवलपर मॉडल को डाउनलोड कर अपने ढाँचे पर चला और अनुकूलित कर सकते हैं, पर सुरक्षा, परीक्षण और दुरुपयोग रोकथाम की अधिक जिम्मेदारी भी ऑपरेटर पर आ जाती है।[18][19]
AI संकेत
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 अलीबाबा की Qwen टीम का एक प्रयोगात्मक शोध मॉडल था, जिसे दिसंबर 2024 में विज़ुअल रीजनिंग बेहतर करने के लिए पेश किया गया। यानी, मॉडल किसी तस्वीर को देखकर उसमें मौजूद जानकारी के आधार पर समस्या पर चरण-दर-चरण विचार करे। यह Qwen2-VL-72B पर आधारित था और इमेज-केंद्रित कठिन तर्क कार्यों के लिए विस्तृत रीजनिंग पर जोर देता था। इसे तैयार, सर्व-उद्देश्यीय मल्टीमॉडल असिस्टेंट के बजाय विज़ुअल समझ और बहु-चरणीय समस्या-समाधान को जोड़ने की एक शुरुआती ओपन-वेट कोशिश के रूप में देखना अधिक उचित है।38
39
यह मॉडल क्या कर सकता था?
उपयोगकर्ता की तस्वीर और प्रॉम्प्ट मिलने पर QVQ का लक्ष्य पहले दृश्य साक्ष्य पर विचार करना, फिर उत्तर देना था। ऐसे में इसका उपयोग इन कामों के लिए हो सकता था:
- चार्ट और डायग्राम की व्याख्या;
- तस्वीर में लिखी जानकारी पढ़ना;
- इमेज-आधारित गणित के सवाल हल करना;
- ऐसे विज्ञान प्रश्नों के उत्तर देना जिनमें अवलोकन के साथ निष्कर्ष निकालना भी जरूरी हो।
नाम में 72B मॉडल के बड़े आकार और Qwen परिवार से उसके संबंध को दर्शाता है। वहीं Preview शब्द महत्वपूर्ण है: Qwen ने इसे प्रयोगात्मक शोध मॉडल बताया था और अपने दस्तावेज़ में इसकी सीमाएँ भी स्पष्ट रूप से दर्ज की थीं।38
39
बेंचमार्क पर रिपोर्टेड प्रदर्शन
Qwen की प्रकाशित तुलना तालिका में QVQ-72B-Preview के ये स्कोर दिए गए:
| बेंचमार्क | QVQ-72B-Preview | Qwen2-VL-72B से तुलना |
|---|---|---|
| MMMU (वैलिडेशन) | 70.3 | 64.5 |
| MathVision (फुल) | 35.9 | 25.9 |
| OlympiadBench | 20.4 | 11.2 |
MMMU व्यापक, कॉलेज-स्तर की मल्टीमॉडल समझ को मापता है। MathVision इमेज-आधारित गणितीय समस्याओं पर केंद्रित है, जबकि OlympiadBench में कठिन द्विभाषी गणित और भौतिकी के प्रश्न शामिल होते हैं। Qwen की तालिका के अनुसार QVQ ने इन तीनों मापदंडों पर सूचीबद्ध Qwen2-VL-72B स्कोर को पीछे छोड़ा, जो इसके रीजनिंग-केंद्रित उद्देश्य से मेल खाता है।39
40
हालाँकि, ये डेवलपर द्वारा रिपोर्ट किए गए मूल्यांकन परिणाम हैं। इन्हें स्वतंत्र परीक्षण या वास्तविक प्रोडक्शन उपयोग में समान प्रदर्शन का प्रमाण नहीं माना जाना चाहिए। अस्पष्ट तस्वीर, असामान्य प्रॉम्प्ट, अधूरा संदर्भ या नाजुक तर्क-प्रक्रिया के कारण मॉडल विफल हो सकता है।
लॉन्च के समय इसकी प्रमुख सीमाएँ
QVQ की पाबंदियाँ यह समझने के लिए जरूरी हैं कि यह एक रोचक डेमो कहाँ तक था और व्यवहार में उपयोगी असिस्टेंट कहाँ नहीं।
केवल इमेज, वीडियो नहीं
यह प्रीव्यू तस्वीरें स्वीकार करता था, लेकिन वीडियो इनपुट का समर्थन नहीं करता था। यह उस पहले की Qwen2-VL श्रृंखला से अलग था जिसमें वीडियो क्षमता मौजूद थी। इसलिए इसका दायरा स्थिर दृश्यों के विश्लेषण तक सीमित रहा।37
43
एक ही तस्वीर पर लगातार बातचीत नहीं
किसी इमेज के साथ संवाद प्रभावी रूप से सिंगल-राउंड था। उपयोगकर्ता पहले से दी गई तस्वीर के संदर्भ में फॉलो-अप प्रश्न नहीं पूछ सकता था; नया प्रश्न पूछने के लिए वही तस्वीर फिर से नए प्रॉम्प्ट के साथ भेजनी पड़ती थी। उस समय की रिपोर्टिंग में इसे एक ही प्रयास में विश्लेषण देने वाला मॉडल बताया गया था।34
लंबा तर्क दृश्य साक्ष्य से भटक सकता था
Qwen की सबसे अहम चेतावनी यह थी कि बहु-चरणीय विज़ुअल रीजनिंग के दौरान QVQ धीरे-धीरे इमेज की सामग्री पर ध्यान खो सकता था और हैलुसिनेशन कर सकता था। दूसरे शब्दों में, कोई विस्तृत उत्तर सुनने में व्यवस्थित लग सकता था, फिर भी वह उस दृश्य प्रमाण से कट चुका हो सकता था जिसका उसे विश्लेषण करना था।33
38
मॉडल कार्ड में अनपेक्षित भाषा-मिश्रण या कोड-स्विचिंग, और ऐसे रीजनिंग लूप का भी उल्लेख था जिनमें मॉडल निष्कर्ष तक पहुँचे बिना बहुत लंबा जवाब देता रहे।38
39
व्यावहारिक निष्कर्ष: उच्च-दांव वाले उपयोग में QVQ के उत्तर की स्वतंत्र जाँच जरूरी थी। तर्क के चरण दिखाई देना इस बात का प्रमाण नहीं है कि हर अवलोकन सही है या सचमुच तस्वीर पर आधारित है।
ओपन-वेट रिलीज़ क्यों मायने रखती थी?
इस रिलीज़ का महत्व केवल बेंचमार्क स्कोर तक सीमित नहीं था। यह Qwen और अन्य चीनी AI डेवलपर्स की व्यापक ओपन-वेट रणनीति का हिस्सा था। ओपन-वेट मॉडल में प्रशिक्षित पैरामीटर—वे संख्यात्मक वेट जो आउटपुट को प्रभावित करते हैं—डाउनलोड, उपयोग और संशोधन के लिए उपलब्ध होते हैं। इसलिए संगठन मॉडल को डेवलपर के ऐप या API के बाहर, अपने सर्वर या चुने हुए क्लाउड पर चला सकते हैं और नए उपयोगों के लिए अनुकूलित कर सकते हैं।18
डेवलपर्स के लिए इसके कुछ लाभ हैं:
- तैनाती पर नियंत्रण: मॉडल को निजी इन्फ्रास्ट्रक्चर या अपनी पसंद के क्लाउड पर चलाना।
- अनुकूलन: वेट को फाइन-ट्यून, क्वांटाइज़ या विशेष तकनीकी स्टैक में एकीकृत करना।
- पोर्टेबिलिटी: एक ही कंपनी के होस्टेड API पर निर्भरता कम करना।
इसके साथ जिम्मेदारियाँ भी आती हैं। डाउनलोड किए गए वेट चलाने वाले संगठनों को अपने इन्फ्रास्ट्रक्चर, मूल्यांकन, एक्सेस कंट्रोल, सुरक्षा और दुरुपयोग-रोकथाम की व्यवस्था स्वयं करनी होती है। Reuters के अनुसार, ओपन-वेट सिस्टम डाउनलोड, निरीक्षण और संशोधन किए जा सकते हैं, लेकिन अपेक्षाकृत कम निगरानी के साथ बदले और फिर से वितरित भी किए जा सकते हैं।19
ओपन वेट बनाम क्लोज़्ड API: उपयोगी अंतर, लेकिन पूर्ण भू-राजनीतिक नियम नहीं
यह कहना सही है कि कई चीनी डेवलपर्स ने ओपन-वेट रिलीज़ को बढ़ावा दिया है, जबकि OpenAI और Anthropic जैसे प्रमुख अमेरिकी फ्रंटियर प्रदाताओं ने अपने अग्रणी मॉडल विनिर्देश डाउनलोड के लिए उपलब्ध नहीं कराए हैं।19 मगर “चीनी मॉडल यानी ओपन” और “अमेरिकी मॉडल यानी क्लोज़्ड” जैसी सरल धारणा भ्रामक होगी। रिलीज़ की नीति मॉडल, कंपनी, क्षमता और व्यावसायिक रणनीति के हिसाब से बदलती है।
वास्तविक अंतर संचालन के तरीके में है:
- ओपन-वेट मॉडल उपयोगकर्ता को यह नियंत्रण देते हैं कि मॉडल कहाँ और कैसे चलाया जाए।
- क्लोज़्ड API मॉडल में तैनाती और सुरक्षा ढाँचे का बड़ा हिस्सा प्रदाता के नियंत्रण में रहता है।
इससे नीति संबंधी एक वास्तविक संतुलन पैदा होता है। केंद्रीय निगरानी, परीक्षण, लाइसेंसिंग या रिपोर्टिंग पर केंद्रित नियम बड़े API प्रदाताओं के लिए लागू करना अपेक्षाकृत आसान हो सकते हैं और उनके संचालन मॉडल को लाभ दे सकते हैं। यह नियामकीय प्रोत्साहनों पर आधारित एक अनुमान है, स्थापित परिणाम नहीं। नीतियाँ वेट के वितरण पर रोक लगाने के बजाय उच्च-जोखिम वाली तैनाती और उन्हें चलाने वाले संगठनों पर भी केंद्रित हो सकती हैं। स्टैनफोर्ड के शोधकर्ताओं ने चेताया है कि चीनी ओपन-वेट मॉडलों का वैश्विक प्रसार तकनीकी पहुँच, प्रतिस्पर्धा, सुरक्षा और AI गवर्नेंस को प्रभावित कर सकता है।18
निष्कर्ष
QVQ-72B-Preview दिसंबर 2024 का ओपन-वेट विज़ुअल रीजनिंग प्रयोग था। Qwen द्वारा रिपोर्ट किए गए MMMU, MathVision और OlympiadBench स्कोर में सुधार दिखा, लेकिन इसके साथ उपयोगिता और विश्वसनीयता की बड़ी सीमाएँ भी खुलकर स्वीकार की गईं। इसका सबक यह नहीं था कि विस्तृत तर्क-श्रृंखला ने मल्टीमॉडल AI की समस्या हल कर दी। बल्कि यह था कि बेहतर इमेज रीजनिंग को ऐसे रूप में जारी किया जा सकता है जिसे डेवलपर जाँच और तैनात कर सकें—और यही खुलापन कठोर मूल्यांकन तथा जिम्मेदार संचालन को और जरूरी बनाता है।38
39
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"QVQ-72B-Preview क्या था और इसकी सीमाएँ क्यों अहम थीं?" का संक्षिप्त उत्तर क्या है?
QVQ 72B Preview, अलीबाबा की Qwen टीम का दिसंबर 2024 में पेश किया गया प्रयोगात्मक विज़ुअल रीजनिंग मॉडल था।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
QVQ 72B Preview, अलीबाबा की Qwen टीम का दिसंबर 2024 में पेश किया गया प्रयोगात्मक विज़ुअल रीजनिंग मॉडल था। इसे चित्रों, चार्ट, आरेख और विज़ुअल गणित के प्रश्नों पर बहु चरणीय तर्क के लिए बनाया गया था, लेकिन लंबी तर्क श्रृंखला के बावजूद उत्तर का चित्र में मौजूद साक्ष्य से जुड़ा रहना तय नहीं था।
मुझे अभ्यास में आगे क्या करना चाहिए?
ओपन वेट रिलीज़ से डेवलपर मॉडल को डाउनलोड कर अपने ढाँचे पर चला और अनुकूलित कर सकते हैं, पर सुरक्षा, परीक्षण और दुरुपयोग रोकथाम की अधिक जिम्मेदारी भी ऑपरेटर पर आ जाती है।[18][19]
सूत्र
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