AnswersPublished19 sources
QVQ-72B-Preview: Alibabas åpne modell for visuell resonnering
QVQ 72B Preview var Qwen teamets eksperimentelle modell for visuell resonnering, lansert i desember 2024. Den var laget for å tolke blant annet diagrammer, grafer og visuelle matematikkoppgaver, men modellen kunne miste forankringen i bildet under lange resonnementer.
Publisert avRedigert med GPT-5.6 TerraBilder generert med GPT Image 2
Research answer
Key takeaways
- QVQ 72B Preview var Qwen teamets eksperimentelle modell for visuell resonnering, lansert i desember 2024.
- Den var laget for å tolke blant annet diagrammer, grafer og visuelle matematikkoppgaver, men modellen kunne miste forankringen i bildet under lange resonnementer.
- Åpne modellvekter gir virksomheter større kontroll over drift og tilpasning, men flytter også mer ansvar for sikkerhet, evaluering og tilgangskontroll til den som tar modellen i bruk.[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 var en eksperimentell forskningsmodell fra Alibabas Qwen-team, presentert i desember 2024. Målet var å styrke visuell resonnering: å analysere et bilde og arbeide seg fram til et svar på grunnlag av det som faktisk vises. Modellen bygget på Qwen2-VL-72B og var rettet mot mer omfattende, trinnvis resonnering i bildebaserte oppgaver.38
39
Den bør først og fremst forstås som et tidlig forsøk med åpne modellvekter for å kombinere bildeanalyse med krevende problemløsing i flere ledd – ikke som en ferdig, allsidig multimodal assistent.
Hva modellen skulle kunne gjøre
Når den fikk et bilde og en instruksjon, var QVQ ment å undersøke de visuelle holdepunktene før den ga et svar. Det er relevant for oppgaver som å:
- tolke grafer, tabeller og diagrammer
- lese informasjon som er innebygd i et bilde
- løse visuelle matematikkoppgaver
- svare på naturfaglige spørsmål som krever både observasjon og slutninger
«72B» viser til at modellen tilhørte den store Qwen-familien. Endelsen «Preview» var også viktig: Qwen beskrev den selv som en eksperimentell forskningsmodell og la samtidig tydelig fram begrensningene.38
39
Resultatene Qwen rapporterte
I Qwens egen sammenligningstabell hadde QVQ-72B-Preview følgende resultater:
| Benchmark | QVQ-72B-Preview | Qwen2-VL-72B til sammenligning |
|---|---|---|
| MMMU (validering) | 70,3 | 64,5 |
| MathVision (full) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU måler bred, multimodal forståelse på universitetsnivå. MathVision handler om matematikkoppgaver basert på bilder, mens OlympiadBench inneholder krevende tospråklige oppgaver i matematikk og fysikk. I Qwens tabell slo QVQ den oppførte Qwen2-VL-72B-scoren på alle tre målene, noe som samsvarer med modellens vekt på resonnering.39
40
Dette er imidlertid leverandørrapporterte testresultater, ikke uavhengig dokumentasjon på at modellen fungerer like godt i praktisk drift. Benchmark-forbedringer er nyttige signaler, men fjerner ikke risikoen for feil ved tvetydige bilder, uvanlige spørsmål, manglende kontekst eller sviktende resonnering.
Begrensningene ved lanseringen
Det var særlig begrensningene som avgjorde hvor praktisk modellen faktisk var.
Bilder, men ikke video
Preview-versjonen tok imot bilder, men støttet ikke videoinndata – selv om den tidligere Qwen2-VL-serien hadde videofunksjoner. Bruken var dermed begrenset til analyse av stillbilder.37
43
Ingen oppfølgingsdialog om samme bilde
For et bilde var samhandlingen i praksis begrenset til én runde. Brukeren kunne ikke stille et oppfølgingsspørsmål og beholde den bildebaserte konteksten; bildet måtte sendes inn på nytt sammen med en ny instruksjon. Samtidsomtale beskrev analysen som et engangssvar.34
Lange resonnementer kunne miste kontakten med bildet
Qwens viktigste advarsel var at modellen under flerstegs visuell resonnering gradvis kunne miste fokus på bildeinnholdet og begynne å hallusinere.33
38
Med andre ord kunne en lang og tilsynelatende systematisk forklaring etter hvert bygge på antakelser framfor det bildet faktisk viste. Modellkortet advarte også om uventet språkblanding eller språkbytte, og om sirkulære resonneringssløyfer som kunne gi lange svar uten en klar konklusjon.38
39
Den praktiske konsekvensen: Resultatene måtte kontrolleres ved bruk med høy risiko. Et synlig resonnement er ikke bevis på at hver observasjon er riktig eller godt forankret i bildet.
Hvorfor åpne modellvekter var sentralt
Lanseringen handlet om mer enn én enkelt benchmark-tabell. Den passet inn i den bredere strategien med åpne modellvekter som Qwen og flere andre kinesiske AI-utviklere har satset på.
En modell med åpne vekter gjør de trente parameterne tilgjengelige for nedlasting, bruk og modifisering. Det betyr at organisasjoner kan kjøre modellen utenfor utviklerens egen app eller API – programmeringsgrensesnittet som vanligvis brukes for å få tilgang til en skytjeneste – og tilpasse den til egne formål.18
For utviklere og virksomheter kan det gi flere fordeler:
- Kontroll over driften: Modellen kan kjøre på egen infrastruktur eller i en valgt skytjeneste.
- Tilpasning: Vektene kan finjusteres, kvantiseres eller integreres i en spesialisert teknisk løsning.
- Mindre leverandørbinding: Avhengigheten av én bestemt leverandørs API kan reduseres.
Men friheten innebærer også ansvar. Den som drifter nedlastede vekter, må selv håndtere infrastruktur, testing, tilgangsstyring, sikkerhet og forebygging av misbruk. Reuters peker på at åpne vekter kan lastes ned, undersøkes og endres, men også modifiseres og distribueres videre med forholdsvis lite tilsyn.19
Åpne vekter eller lukket API: en reell forskjell, men ikke en enkel geopolitisk regel
Det er i hovedsak riktig at mange kinesiske utviklere har fremmet modeller med åpne vekter, mens ledende amerikanske aktører som OpenAI og Anthropic vanligvis ikke gjør spesifikasjonene for sine fremste modeller tilgjengelige for nedlasting.19 Men det blir for enkelt å si at «kinesisk» alltid betyr åpent og «amerikansk» alltid betyr lukket. Valget varierer mellom modeller, selskaper, kapasitet og forretningsstrategi.
Den viktigste forskjellen er praktisk:
- Modeller med åpne vekter gir brukeren større kontroll over hvor og hvordan modellen kjører.
- Lukkede API-modeller lar leverandøren beholde kontrollen over utrulling og store deler av sikkerhetsinfrastrukturen.
Dette skaper en reell avveining for regulering. Regler som bygger på sentralisert overvåking, testing, lisensiering eller rapportering kan være enklere å administrere for store API-leverandører. Det kan i teorien favorisere deres driftsmodell, men dette er en analyse av mulige regulatoriske insentiver – ikke et fastslått resultat. Regulering kan også rettes mot høyrisikobruk og virksomheten som drifter modellen, framfor å forby distribusjon av vekter. Stanford-forskere peker på at global utbredelse av kinesiske modeller med åpne vekter kan påvirke teknologitilgang, konkurranse, sikkerhet og styring av AI.18
Kort oppsummert
QVQ-72B-Preview var et bemerkelsesverdig eksperiment fra desember 2024 innen åpen, visuell AI-resonnering. Qwen rapporterte klare forbedringer på MMMU, MathVision og OlympiadBench, men dokumenterte også store svakheter i brukervennlighet og pålitelighet.38
39
Lærdommen var ikke at lange resonneringskjeder hadde løst utfordringen med multimodal AI. Snarere viste modellen at bedre bildeanalyse kunne publiseres på en måte utviklere kan inspisere og drifte selv – og at nettopp denne åpenheten gjør grundig testing og ansvarlig bruk enda viktigere.
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: Alibabas åpne modell for visuell resonnering"?
QVQ 72B Preview var Qwen teamets eksperimentelle modell for visuell resonnering, lansert i desember 2024.
What are the key points to validate first?
QVQ 72B Preview var Qwen teamets eksperimentelle modell for visuell resonnering, lansert i desember 2024. Den var laget for å tolke blant annet diagrammer, grafer og visuelle matematikkoppgaver, men modellen kunne miste forankringen i bildet under lange resonnementer.
What should I do next in practice?
Åpne modellvekter gir virksomheter større kontroll over drift og tilpasning, men flytter også mer ansvar for sikkerhet, evaluering og tilgangskontroll til den som tar modellen i bruk.[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