QVQ-72B-Previewは、AlibabaのQwenチームが2024年12月に公開した、視覚推論に重点を置く実験的な研究モデルです。ベースとなったのはQwen2-VL-72Bで、画像の内容を認識するだけで終わらず、画像を手がかりに複数段階で問題を考えることを狙っていました。完成された汎用マルチモーダル助手というより、視覚理解と難しい推論を結び付けるオープンウェイト型の初期的な試みとして捉えるのが適切です。3839

何ができるよう設計されていたのか

画像と指示文を受け取ると、QVQは画像内の根拠をたどりながら回答を導くことを目指します。想定される用途には、次のようなものがあります。

• グラフ、表、模式図の読み取り
• 画像内の文字・情報の解釈
• 図を含む数学問題の解答
• 観察と推論の両方を要する科学問題への回答

名称中の「72B」はQwenファミリーの大規模モデルであることを示し、「Preview」は実験段階であることを示します。Qwen自身も研究用モデルと位置付け、性能だけでなく制約を明記していました。3839

公表ベンチマークでは前世代を上回る

Qwenが公開した比較表では、QVQ-72B-PreviewはQwen2-VL-72Bを以下の3指標で上回りました。

ベンチマーク	QVQ-72B-Preview	Qwen2-VL-72B
MMMU（validation）	70.3	64.5
MathVision（full）	35.9	25.9
OlympiadBench	20.4	11.2

MMMUは大学レベルの幅広いマルチモーダル理解を測るベンチマークです。MathVisionは画像を伴う数学問題、OlympiadBenchは中国語・英語の数学・物理の難問を含みます。これらの結果は、視覚推論を強化するというQVQの位置付けと整合的です。3940

ただし、これらは開発元が公表した評価値です。実際の業務や製品環境で同等の性能が保証されるわけではありません。曖昧な画像、想定外の質問、欠けた前提情報、推論の不安定さによって、回答が崩れる可能性は残ります。

実用化を考えるうえで重要だった制約

QVQは可能性を示した一方、使える範囲を明確に限定する制約もありました。

入力は画像のみで、動画には非対応

Preview版は画像を受け取れましたが、動画入力には対応していませんでした。先行するQwen2-VL系が持っていた動画対応と比べると、分析対象は静止画に限られます。3743

同じ画像を使った継続対話はできない

画像に対するやり取りは実質的に1回限りでした。最初に送った画像を文脈として保持したまま追加質問をすることはできず、別の質問をするには、同じ画像を添えて新しいプロンプトを送る必要がありました。34

長い推論ほど、画像の根拠から外れるリスク

最も重要な注意点は、多段階の視覚推論を行ううちに画像そのものへの焦点が薄れ、幻覚につながることがある、というQwenの警告です。もっともらしく手順を追った長い説明でも、その途中から画像内の事実に基づかなくなるおそれがあります。3338

モデルカードではこのほか、予期しない言語の混在・切り替え、結論に至らないまま冗長な出力を続ける再帰的な推論ループも課題として挙げられていました。3839

実務上の結論は明快です。 高い正確性が求められる用途では、QVQの出力を必ず検証する必要があります。推論過程が表示されていても、各観察や結論が正しい、あるいは画像に根ざしていることの証明にはなりません。

オープンウェイト公開の意味

QVQの意義は、単一のベンチマーク結果だけにとどまりません。Qwenをはじめとする中国AI開発者に見られる、オープンウェイトの展開を象徴する公開でもありました。

オープンウェイトとは、モデルが学習して得たパラメータ（重み）をダウンロードし、利用・改変できる形で提供する方式です。組織は開発元のアプリやAPIの外でモデルを稼働させ、新たな用途に合わせて適応できます。18

開発者・企業にとっては、主に次の利点があります。

• 配置場所を選べる：自社インフラや任意のクラウドで実行できる
• 用途に合わせて調整できる：量子化、ファインチューニング、専用システムへの統合が可能
• APIへの依存を減らせる：特定ベンダーのホスト型サービスに縛られにくい

一方で、責任も利用者側へ移ります。ダウンロードした重みを運用する組織は、インフラ、性能評価、アクセス制御、セキュリティ、悪用防止を自ら担わなければなりません。Reutersは、オープンウェイトのシステムはダウンロード・検査・改変できる半面、比較的限定的な監督の下で改変・再配布もされ得ると指摘しています。19

オープンウェイトと閉鎖型APIは、単純な国別の対立ではない

中国の開発者の多くがオープンウェイトを推進し、OpenAIやAnthropicなど米国の主要フロンティアAI企業が最先端モデルの仕様をダウンロード可能な形では公開していない、という傾向はあります。19 ただし、「中国製はオープン、米国製はクローズド」と一括りにするのは正確ではありません。公開方針は、モデル、開発元、能力、商業戦略ごとに異なります。

実用面での違いは次の通りです。

• オープンウェイトモデル：どこで、どのように動かすかを利用者がより強く管理できる
• 閉鎖型APIモデル：提供企業が配備環境と安全対策の多くを統制する

ここには政策上のトレードオフもあります。集中監視、事前テスト、許認可、報告を中心とする規制は、大規模なAPI事業者の運用方式に有利に働く可能性があります。これは規制インセンティブについての推論であり、確定した結果ではありません。高リスクな利用形態や、それを運用する組織に焦点を当てる設計も可能です。スタンフォード大学の研究者は、中国のオープンウェイトモデルが世界で広く採用されれば、技術へのアクセス、競争、安全性、AIガバナンスに影響し得ると指摘しています。18

まとめ

QVQ-72B-Previewは、2024年12月に登場したオープンウェイトの視覚推論モデルでした。Qwen公表値ではMMMU、MathVision、OlympiadBenchでQwen2-VL-72Bを上回った一方、動画非対応、画像ごとの単発対話、長い推論時の視覚的根拠の喪失と幻覚といった大きな限界も、開発元自身が認めていました。3839

このモデルが示したのは、思考過程を長くすればマルチモーダルAIの問題が解決する、ということではありません。画像をより深く推論するモデルを、開発者が検証・配備できる形で公開できること、そしてその開放性ゆえに厳格な評価と責任ある運用がいっそう重要になる、という点です。3839

QVQ-72B-Previewは、AlibabaのQwenチームが2024年12月に公開した、視覚推論に重点を置く実験的な研究モデルです。ベースとなったのはQwen2-VL-72Bで、画像の内容を認識するだけで終わらず、画像を手がかりに複数段階で問題を考えることを狙っていました。完成された汎用マルチモーダル助手というより、視覚理解と難しい推論を結び付けるオープンウェイト型の初期的な試みとして捉えるのが適切です。3839

何ができるよう設計されていたのか

画像と指示文を受け取ると、QVQは画像内の根拠をたどりながら回答を導くことを目指します。想定される用途には、次のようなものがあります。

• グラフ、表、模式図の読み取り
• 画像内の文字・情報の解釈
• 図を含む数学問題の解答
• 観察と推論の両方を要する科学問題への回答

名称中の「72B」はQwenファミリーの大規模モデルであることを示し、「Preview」は実験段階であることを示します。Qwen自身も研究用モデルと位置付け、性能だけでなく制約を明記していました。3839

公表ベンチマークでは前世代を上回る

Qwenが公開した比較表では、QVQ-72B-PreviewはQwen2-VL-72Bを以下の3指標で上回りました。

ベンチマーク	QVQ-72B-Preview	Qwen2-VL-72B
MMMU（validation）	70.3	64.5
MathVision（full）	35.9	25.9
OlympiadBench	20.4	11.2

MMMUは大学レベルの幅広いマルチモーダル理解を測るベンチマークです。MathVisionは画像を伴う数学問題、OlympiadBenchは中国語・英語の数学・物理の難問を含みます。これらの結果は、視覚推論を強化するというQVQの位置付けと整合的です。3940

ただし、これらは開発元が公表した評価値です。実際の業務や製品環境で同等の性能が保証されるわけではありません。曖昧な画像、想定外の質問、欠けた前提情報、推論の不安定さによって、回答が崩れる可能性は残ります。

実用化を考えるうえで重要だった制約

QVQは可能性を示した一方、使える範囲を明確に限定する制約もありました。

入力は画像のみで、動画には非対応

Preview版は画像を受け取れましたが、動画入力には対応していませんでした。先行するQwen2-VL系が持っていた動画対応と比べると、分析対象は静止画に限られます。3743

同じ画像を使った継続対話はできない

画像に対するやり取りは実質的に1回限りでした。最初に送った画像を文脈として保持したまま追加質問をすることはできず、別の質問をするには、同じ画像を添えて新しいプロンプトを送る必要がありました。34

長い推論ほど、画像の根拠から外れるリスク

最も重要な注意点は、多段階の視覚推論を行ううちに画像そのものへの焦点が薄れ、幻覚につながることがある、というQwenの警告です。もっともらしく手順を追った長い説明でも、その途中から画像内の事実に基づかなくなるおそれがあります。3338

モデルカードではこのほか、予期しない言語の混在・切り替え、結論に至らないまま冗長な出力を続ける再帰的な推論ループも課題として挙げられていました。3839

実務上の結論は明快です。 高い正確性が求められる用途では、QVQの出力を必ず検証する必要があります。推論過程が表示されていても、各観察や結論が正しい、あるいは画像に根ざしていることの証明にはなりません。

オープンウェイト公開の意味

QVQの意義は、単一のベンチマーク結果だけにとどまりません。Qwenをはじめとする中国AI開発者に見られる、オープンウェイトの展開を象徴する公開でもありました。

オープンウェイトとは、モデルが学習して得たパラメータ（重み）をダウンロードし、利用・改変できる形で提供する方式です。組織は開発元のアプリやAPIの外でモデルを稼働させ、新たな用途に合わせて適応できます。18

開発者・企業にとっては、主に次の利点があります。

• 配置場所を選べる：自社インフラや任意のクラウドで実行できる
• 用途に合わせて調整できる：量子化、ファインチューニング、専用システムへの統合が可能
• APIへの依存を減らせる：特定ベンダーのホスト型サービスに縛られにくい

一方で、責任も利用者側へ移ります。ダウンロードした重みを運用する組織は、インフラ、性能評価、アクセス制御、セキュリティ、悪用防止を自ら担わなければなりません。Reutersは、オープンウェイトのシステムはダウンロード・検査・改変できる半面、比較的限定的な監督の下で改変・再配布もされ得ると指摘しています。19

オープンウェイトと閉鎖型APIは、単純な国別の対立ではない

中国の開発者の多くがオープンウェイトを推進し、OpenAIやAnthropicなど米国の主要フロンティアAI企業が最先端モデルの仕様をダウンロード可能な形では公開していない、という傾向はあります。19 ただし、「中国製はオープン、米国製はクローズド」と一括りにするのは正確ではありません。公開方針は、モデル、開発元、能力、商業戦略ごとに異なります。

実用面での違いは次の通りです。

• オープンウェイトモデル：どこで、どのように動かすかを利用者がより強く管理できる
• 閉鎖型APIモデル：提供企業が配備環境と安全対策の多くを統制する

ここには政策上のトレードオフもあります。集中監視、事前テスト、許認可、報告を中心とする規制は、大規模なAPI事業者の運用方式に有利に働く可能性があります。これは規制インセンティブについての推論であり、確定した結果ではありません。高リスクな利用形態や、それを運用する組織に焦点を当てる設計も可能です。スタンフォード大学の研究者は、中国のオープンウェイトモデルが世界で広く採用されれば、技術へのアクセス、競争、安全性、AIガバナンスに影響し得ると指摘しています。18

まとめ

QVQ-72B-Previewは、2024年12月に登場したオープンウェイトの視覚推論モデルでした。Qwen公表値ではMMMU、MathVision、OlympiadBenchでQwen2-VL-72Bを上回った一方、動画非対応、画像ごとの単発対話、長い推論時の視覚的根拠の喪失と幻覚といった大きな限界も、開発元自身が認めていました。3839

このモデルが示したのは、思考過程を長くすればマルチモーダルAIの問題が解決する、ということではありません。画像をより深く推論するモデルを、開発者が検証・配備できる形で公開できること、そしてその開放性ゆえに厳格な評価と責任ある運用がいっそう重要になる、という点です。3839