ОтветыОпубликовано19 источники
QVQ-72B-Preview: ранний эксперимент Alibaba с визуальным рассуждением
QVQ 72B Preview — экспериментальная модель визуального рассуждения команды Qwen от Alibaba, представленная в декабре 2024 года. Она была рассчитана на многошаговый разбор диаграмм, графиков, текста на изображениях и визуальных математических задач, однако длинная цепочка рассуждений не гарантировала привязку ответа...
ОпубликовалОтредактировано с помощью GPT-5.6 TerraИзображения созданы с помощью GPT Image 2
Ответ на исследование
Ключевые выводы
- QVQ 72B Preview — экспериментальная модель визуального рассуждения команды Qwen от Alibaba, представленная в декабре 2024 года.
- Она была рассчитана на многошаговый разбор диаграмм, графиков, текста на изображениях и визуальных математических задач, однако длинная цепочка рассуждений не гарантировала привязку ответа к картинке.
- Открытые веса позволяют скачать и адаптировать модель для самостоятельного запуска, но переносят на оператора больше обязанностей по безопасности, тестированию и контролю доступа.[18][19]
Промпт ИИ
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 — экспериментальная исследовательская модель команды Qwen, связанной с Alibaba. Она была представлена в декабре 2024 года и предназначалась для визуального рассуждения: модель должна была не только распознать содержание картинки, но и поэтапно решить задачу на основе увиденного. В основе лежала Qwen2-VL-72B, а акцент был сделан на более длинном рассуждении при работе с изображениями.38
39
Правильнее воспринимать QVQ не как готового универсального мультимодального помощника, а как раннюю попытку выпустить модель с открытыми весами, сочетающую понимание изображений и решение сложных многошаговых задач.
Какие задачи она должна была решать
Получив изображение и текстовый запрос, QVQ должна была сначала проанализировать визуальные данные, а затем сформулировать ответ. Такой подход был полезен для:
- интерпретации графиков, схем и диаграмм;
- чтения текста и других сведений внутри изображения;
- решения математических задач по картинке;
- естественно-научных вопросов, где требуется одновременно наблюдение и вывод.
Обозначение 72B указывает на масштаб модели в семействе Qwen, а слово Preview принципиально: сама Qwen называла релиз экспериментальной исследовательской моделью и публиковала не только результаты тестов, но и перечень ограничений.38
39
Заявленные результаты в бенчмарках
В опубликованной Qwen таблице QVQ-72B-Preview показала следующие результаты:
| Бенчмарк | QVQ-72B-Preview | Для сравнения: Qwen2-VL-72B |
|---|---|---|
| MMMU (validation) | 70,3 | 64,5 |
| MathVision (full) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU проверяет широкий спектр мультимодального понимания на уровне вузовских дисциплин. MathVision посвящён математическим задачам на основе изображений, а OlympiadBench включает сложные двуязычные задания по математике и физике. В таблице Qwen новая модель превзошла указанную базовую Qwen2-VL-72B по всем трём метрикам, что соответствует её позиционированию как модели для рассуждения.39
40
Важно, что это результаты, заявленные разработчиком, а не независимое подтверждение одинаковой эффективности в реальных продуктах. Рост баллов на тестах не отменяет ошибок из-за неясных изображений, нетипичных формулировок, отсутствующего контекста или ненадёжных рассуждений.
Ограничения на старте: почему они важнее красивых баллов
Именно ограничения очерчивали границу между многообещающим исследовательским релизом и практическим помощником.
Только изображения, без видео
QVQ-72B-Preview принимала изображения, но не поддерживала видео. Это отличало её от предыдущей линейки Qwen2-VL, у которой возможности обработки видео были, и ограничивало сценарии статическим визуальным анализом.37
43
Нельзя было продолжить разговор о той же картинке
Работа с изображением фактически была однократной. Пользователь не мог задать уточняющий вопрос, сохранив привязанный к картинке контекст: для нового ответа требовалось снова отправить то же изображение вместе с новым запросом. Современные релизу публикации описывали этот режим как ответ «за один проход».34
Длинное рассуждение могло оторваться от изображения
Главное предупреждение Qwen было особенно существенным: в ходе многошагового визуального рассуждения модель могла постепенно терять фокус на содержимом изображения и начинать галлюцинировать.33
38
В карточке модели также упоминались неожиданное смешение языков или переключение между ними, а также циклические петли рассуждений — длинные ответы без ясного вывода.38
39
Практический вывод: результат QVQ следовало проверять в любом ответственном сценарии. Видимая цепочка рассуждений сама по себе не доказывает, что каждое наблюдение верно и действительно основано на изображении.
Почему открытые веса сделали релиз заметным
Значение QVQ выходило за рамки одной таблицы бенчмарков. Релиз вписывался в более широкую стратегию открытых весов, характерную для Qwen и ряда других китайских разработчиков ИИ.
Модель с открытыми весами предоставляет для скачивания обученные параметры — числа, определяющие, как система формирует ответ на входные данные. Их можно использовать и модифицировать: организация получает возможность запускать модель самостоятельно, вне приложения или API разработчика, и адаптировать её под новые задачи.18
Для разработчиков это даёт несколько преимуществ:
- Контроль развёртывания. Модель можно запускать на собственной инфраструктуре или в выбранном облаке.
- Адаптация. Веса можно дообучать, квантизировать или встраивать в специализированный программный стек.
- Меньшая зависимость от API. Работа не привязана к одному поставщику облачного интерфейса.
Но вместе с контролем появляется и ответственность. Тот, кто запускает скачанные веса, сам отвечает за инфраструктуру, проверку качества, управление доступом, информационную безопасность и предотвращение злоупотреблений. Reuters отмечает, что открытые веса можно скачивать, изучать и изменять, но их также сравнительно легко модифицировать и распространять с ограниченным надзором.19
Открытые веса и закрытые API: не географическое правило, а разная модель контроля
В целом верно, что многие китайские разработчики активно продвигают модели с открытыми весами, тогда как ведущие американские поставщики передовых моделей — например, OpenAI и Anthropic — обычно не публикуют веса своих ведущих систем для скачивания.19 Однако формула «китайские модели открытые, американские закрытые» слишком упрощает ситуацию: политика релизов зависит от конкретной модели, компании, её возможностей и коммерческой стратегии.
Практическое различие выглядит так:
- Открытые веса дают пользователю больше контроля над местом и способом запуска модели.
- Закрытые API оставляют развёртывание и значительную часть защитных механизмов под контролем поставщика.
Отсюда возникает реальный вопрос для регулирования. Требования, построенные вокруг централизованного мониторинга, тестирования, лицензирования или отчётности, могут быть проще в администрировании для крупных API-провайдеров и тем самым косвенно поддерживать их операционную модель. Это вывод о возможных стимулах регулирования, а не установленный факт. Возможен и другой подход: регулировать высокорисковые применения и организации, которые эксплуатируют модели, а не запрещать само распространение весов. Исследователи Стэнфорда предупреждают, что широкое распространение китайских моделей с открытыми весами может повлиять на доступ к технологиям, конкуренцию, безопасность и управление ИИ.18
Главное
QVQ-72B-Preview стала заметным экспериментом декабря 2024 года в области визуального рассуждения с открытыми весами. По данным Qwen, она улучшила показатели на MMMU, MathVision и OlympiadBench, но разработчики одновременно прямо описали крупные проблемы с удобством и надёжностью.38
39
Главный урок этого релиза не в том, что многошаговое рассуждение решило проблемы мультимодального ИИ. Он в другом: более сильный анализ изображений можно предоставить разработчикам в форме, которую они способны изучать и самостоятельно развёртывать, — а значит, независимая проверка и ответственная эксплуатация становятся ещё важнее.
Studio Global AI
Продолжайте свое исследование
На этой странице есть ответ, подтвержденный источником, который вы можете продолжить внутри Studio Global.
Люди также спрашивают
Каков краткий ответ на вопрос «QVQ-72B-Preview: ранний эксперимент Alibaba с визуальным рассуждением»?
QVQ 72B Preview — экспериментальная модель визуального рассуждения команды Qwen от Alibaba, представленная в декабре 2024 года.
Какие ключевые моменты необходимо проверить в первую очередь?
QVQ 72B Preview — экспериментальная модель визуального рассуждения команды Qwen от Alibaba, представленная в декабре 2024 года. Она была рассчитана на многошаговый разбор диаграмм, графиков, текста на изображениях и визуальных математических задач, однако длинная цепочка рассуждений не гарантировала привязку ответа к картинке.
Что мне делать дальше на практике?
Открытые веса позволяют скачать и адаптировать модель для самостоятельного запуска, но переносят на оператора больше обязанностей по безопасности, тестированию и контролю доступа.[18][19]
Источники
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