AnswersPublished19 sources
QVQ-72B-Preview: Alibabas öppna modell för visuell slutledning
QVQ 72B Preview var Qwen teamets experimentella modell för visuell slutledning, presenterad i december 2024. Den var avsedd för flerstegsresonemang om exempelvis diagram, text i bilder och visuella matematikproblem, men långa resonemang kunde tappa förankringen i bilden.
Publicerad avRedigerad med GPT-5.6 TerraBilder genererade med GPT Image 2
Research answer
Key takeaways
- QVQ 72B Preview var Qwen teamets experimentella modell för visuell slutledning, presenterad i december 2024.
- Den var avsedd för flerstegsresonemang om exempelvis diagram, text i bilder och visuella matematikproblem, men långa resonemang kunde tappa förankringen i bilden.
- Modellvikterna kunde laddas ned och anpassas utanför leverantörens API, vilket ger mer kontroll men också flyttar ansvar för säkerhet och drift till användaren.[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 experimentell forskningsmodell från Alibabas Qwen-team, presenterad i december 2024. Syftet var att förbättra visuell slutledning: att inte bara känna igen innehållet i en bild, utan också stegvis bearbeta ett problem utifrån det som faktiskt syns. Modellen byggde vidare på Qwen2-VL-72B och betonade mer omfattande resonemang för bildbaserade uppgifter. Den bör främst ses som ett tidigt försök med öppna modellvikter för att förena bildförståelse med mer krävande problemlösning – inte som en färdig allround-assistent.38
39
Vad modellen skulle klara
Med en bild och en instruktion som underlag var QVQ tänkt att först resonera om det visuella materialet och därefter svara. Det gjorde den relevant för bland annat:
- tolkning av diagram, grafer och illustrationer
- läsning av information som finns inbäddad i bilder
- visuella matematikuppgifter
- naturvetenskapliga frågor som kräver både observation och slutsatser.
Beteckningen 72B anger att det är en stor modell i Qwen-familjen. Ordet Preview är minst lika viktigt: Qwen beskrev den uttryckligen som en experimentell forskningsmodell och redovisade själv begränsningar vid sidan av benchmarkresultaten.38
39
Rapporterade resultat i tester
I Qwens egen jämförelsetabell fick QVQ-72B-Preview följande resultat:
| Benchmark | QVQ-72B-Preview | Qwen2-VL-72B som jämförelse |
|---|---|---|
| MMMU (validering) | 70,3 | 64,5 |
| MathVision (hela testet) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU mäter bred multimodal förståelse på ungefär universitetsnivå. MathVision fokuserar på matematikproblem i bildform, medan OlympiadBench innehåller svåra tvåspråkiga frågor i matematik och fysik. I Qwens tabell överträffade QVQ den angivna Qwen2-VL-72B-nivån i samtliga tre tester, vilket ligger i linje med modellens fokus på resonemang.39
40
Detta är dock leverantörsrapporterade resultat, inte oberoende belägg för att modellen fungerar lika bra i skarpa tillämpningar. Bra benchmarkresultat utesluter inte fel vid otydliga bilder, ovanliga instruktioner, saknad kontext eller bräckliga resonemang.
Begränsningarna vid lanseringen
Modellens begränsningar var avgörande för hur den kunde användas i praktiken.
Bilder, men inte video
Förhandsversionen tog emot bilder men hade inte stöd för videoinmatning, trots att den tidigare Qwen2-VL-serien hade videofunktioner. Användningen begränsades därmed till analys av stillbilder.37
43
Ingen fortlöpande dialog om samma bild
Interaktionen var i praktiken begränsad till en enda runda per bild. Det gick inte att ställa en följdfråga och behålla modellens bildbaserade kontext; användaren behövde skicka in samma bild på nytt tillsammans med en ny instruktion. Samtida rapportering beskrev analysen som ett engångssvar.34
Långa resonemang kunde tappa bildens innehåll
Qwens viktigaste varning gällde flerstegsresonemang. Modellen kunde gradvis tappa fokus på själva bilden och börja hallucinera – alltså generera uppgifter som inte stöds av det visuella underlaget.33
38
I modellkortet varnas också för oväntad språkblandning eller språkskiften samt rekursiva resonemangsloopar, där modellen kan producera långa svar utan att komma fram till en slutsats.38
39
Praktisk slutsats: Svar från QVQ behövde kontrolleras vid användning där fel får större konsekvenser. Ett synligt resonemang är inte ett bevis för att varje observation är korrekt eller att den faktiskt bygger på bilden.
Varför öppna modellvikter var strategiskt betydelsefulla
Lanseringen handlade om mer än en enskild resultatlista. Den passade in i den bredare satsning på öppna modellvikter som förknippas med Qwen och andra kinesiska AI-utvecklare. Med öppna modellvikter avses här att modellens tränade parametrar kan laddas ned, användas och ändras. Organisationer kan då köra modellen utanför utvecklarens app eller API och anpassa den för egna behov.18
För utvecklare kan det innebära flera fördelar:
- Kontroll över driften: Modellen kan köras i egen infrastruktur eller i valfri molnmiljö.
- Anpassningsbarhet: Vikterna kan finjusteras, kvantiseras eller integreras i en specialiserad teknikstack.
- Minskad inlåsning: Beroendet av en enskild leverantörs API minskar.
Samtidigt följer ett större ansvar. Den som driver nedladdade vikter måste själv hantera infrastruktur, utvärdering, åtkomstkontroller, säkerhetsarbete och åtgärder mot missbruk. Reuters noterar att öppna modellvikter kan laddas ned, granskas och modifieras, men också ändras och spridas vidare med jämförelsevis begränsad tillsyn.19
Öppna vikter och slutna API:er – en viktig skillnad, men ingen enkel geopolitisk regel
Det stämmer i stora drag att många kinesiska utvecklare har drivit på för öppna modellvikter, medan ledande amerikanska aktörer som OpenAI och Anthropic i allmänhet inte erbjuder sina främsta modellspecifikationer för nedladdning.19 Men det vore för förenklat att säga att kinesiska modeller alltid är öppna och amerikanska alltid slutna. Valet varierar mellan modeller, utvecklare, kapacitet och affärsstrategi.
Den viktiga skillnaden är i stället operativ:
- Modeller med öppna vikter ger användaren större kontroll över var och hur modellen körs.
- Slutna API-modeller låter leverantören behålla kontroll över driften och stora delar av säkerhetsinfrastrukturen.
Det skapar en verklig avvägning för regelverk. Krav som bygger på centraliserad övervakning, testning, licensiering eller rapportering kan vara enklare för stora API-leverantörer att administrera och därmed gynna deras arbetssätt. Det är en bedömning av möjliga regleringsincitament, inte ett fastslaget utfall. Regler kan också rikta in sig på högriskanvändning och de organisationer som driver systemen, snarare än på att förbjuda spridning av modellvikter. Forskare vid Stanford varnar för att global användning av kinesiska modeller med öppna vikter kan påverka tekniktillgång, konkurrens, säkerhet och AI-styrning.18
Slutsats
QVQ-72B-Preview var ett uppmärksammat experiment från december 2024 inom visuell AI-slutledning med öppna modellvikter. Qwen rapporterade tydliga förbättringar i MMMU, MathVision och OlympiadBench, men dokumenterade också betydande begränsningar i användbarhet och tillförlitlighet.
Lärdomen var inte att långa resonemang hade löst multimodal AI. Snarare visade QVQ att förbättrad bildslutledning kunde göras tillgänglig för granskning och egen drift – och att öppenheten gör noggrann utvärdering och ansvarsfull användning ännu viktigare.38
39
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 öppna modell för visuell slutledning"?
QVQ 72B Preview var Qwen teamets experimentella modell för visuell slutledning, presenterad i december 2024.
What are the key points to validate first?
QVQ 72B Preview var Qwen teamets experimentella modell för visuell slutledning, presenterad i december 2024. Den var avsedd för flerstegsresonemang om exempelvis diagram, text i bilder och visuella matematikproblem, men långa resonemang kunde tappa förankringen i bilden.
What should I do next in practice?
Modellvikterna kunde laddas ned och anpassas utanför leverantörens API, vilket ger mer kontroll men också flyttar ansvar för säkerhet och drift till användaren.[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