คำตอบเผยแพร่แล้ว2 เดือนที่ผ่านมาLast edited 2 เดือนที่ผ่านมา19 แหล่งที่มา

QVQ-72B-Preview: เมื่อ AI ของ Alibaba พยายาม “ดูภาพและคิดเป็นขั้นตอน”

QVQ 72B Preview คือโมเดลวิจัยเชิงทดลองของทีม Qwen จาก Alibaba ที่เปิดตัวในเดือนธันวาคม 2024 เพื่อยกระดับการให้เหตุผลจากภาพ ผลทดสอบที่ Qwen รายงานระบุว่ารุ่นนี้ได้ 70.3 บน MMMU, 35.9 บน MathVision และ 20.4 บน OlympiadBench ซึ่งสูงกว่า Qwen2 VL 72B ที่นำมาเปรียบเทียบ แม้เปิดให้นำ weights ไปใช้งานและปรับแต่งได้ แต่ผู้ใ...

เผยแพร่โดยแก้ไขด้วย GPT-5.6 Terraรูปภาพสร้างด้วย GPT Image 2

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AI ดูหน้าที่กำลังมาแรงเพิ่มเติม

คำตอบการวิจัย

ประเด็นสำคัญ

QVQ 72B Preview คือโมเดลวิจัยเชิงทดลองของทีม Qwen จาก Alibaba ที่เปิดตัวในเดือนธันวาคม 2024 เพื่อยกระดับการให้เหตุผลจากภาพ
ผลทดสอบที่ Qwen รายงานระบุว่ารุ่นนี้ได้ 70.3 บน MMMU, 35.9 บน MathVision และ 20.4 บน OlympiadBench ซึ่งสูงกว่า Qwen2 VL 72B ที่นำมาเปรียบเทียบ
แม้เปิดให้นำ weights ไปใช้งานและปรับแต่งได้ แต่ผู้ใช้งานต้องรับผิดชอบการประเมินความน่าเชื่อถือ ความปลอดภัย และการป้องกันการใช้งานผิดวัตถุประสงค์มากขึ้น[18][19]

AI-generated illustration representing multimodal visual reasoning and image analysis — What is Alibaba Cloud’s QVQ-72B-Preview, released in December 2024 as an experimental open-weight multimodal AI model combining Qwen2-VL-72BIllustration of visual reasoning in a multimodal AI system.
AI พรอมต์
Create 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
openai.com

QVQ-72B-Preview เป็นโมเดลวิจัยเชิงทดลองจากทีม Qwen ของ Alibaba เปิดตัวในเดือนธันวาคม 2024 โดยมุ่งพัฒนาเรื่อง visual reasoning หรือความสามารถในการดูข้อมูลในภาพแล้วใช้เหตุผลแก้ปัญหาเป็นลำดับขั้น โมเดลนี้ต่อยอดจาก Qwen2-VL-72B และควรมองว่าเป็นความพยายามระยะแรกในการผสานความเข้าใจภาพเข้ากับการแก้โจทย์หลายขั้น มากกว่าจะเป็นผู้ช่วยมัลติโหมดที่พร้อมใช้งานครบทุกด้าน38 39

มันทำอะไรได้บ้าง

เมื่อรับภาพพร้อมคำสั่ง QVQ ถูกออกแบบให้พิจารณาหลักฐานในภาพก่อนตอบ จึงเหมาะกับงานอย่างการอ่านกราฟและแผนภาพ การตีความข้อความที่อยู่ในภาพ โจทย์คณิตศาสตร์ที่มีองค์ประกอบภาพ หรือคำถามวิทยาศาสตร์ที่ต้องทั้งสังเกตและอนุมาน

ชื่อ “72B” สื่อว่าเป็นโมเดลขนาดใหญ่ในตระกูล Qwen ส่วนคำว่า “Preview” มีความหมายตรงตัว: Qwen ระบุว่าเป็นโมเดลวิจัยเชิงทดลอง และเอกสารของโมเดลก็เปิดเผยข้อจำกัดไว้ควบคู่กับผลการทดสอบ38 39

คะแนนทดสอบที่ Qwen รายงาน

ตารางเปรียบเทียบที่ Qwen เผยแพร่ระบุผลของ QVQ-72B-Preview ดังนี้

ชุดทดสอบ	QVQ-72B-Preview	Qwen2-VL-72B ที่ใช้เปรียบเทียบ
MMMU (validation)	70.3	64.5
MathVision (full)	35.9	25.9
OlympiadBench	20.4	11.2

MMMU วัดความเข้าใจแบบมัลติโหมดในโจทย์ระดับมหาวิทยาลัยหลายสาขา ขณะที่ MathVision เน้นโจทย์คณิตศาสตร์จากภาพ และ OlympiadBench มีโจทย์คณิตศาสตร์กับฟิสิกส์ระดับท้าทายทั้งภาษาจีนและอังกฤษ ตามตารางของ Qwen รุ่น QVQ ทำคะแนนสูงกว่า Qwen2-VL-72B ที่ระบุไว้ในทั้งสามชุดทดสอบ ซึ่งสอดคล้องกับการวางตำแหน่งให้เป็นโมเดลที่เน้นการใช้เหตุผล39 40

อย่างไรก็ดี ตัวเลขเหล่านี้เป็น ผลประเมินที่ผู้พัฒนาเป็นผู้รายงาน ไม่ใช่หลักฐานอิสระว่าระบบจะให้ผลดีเท่ากันในงานจริง ภาพกำกวม คำสั่งที่ไม่คุ้นเคย บริบทไม่ครบ หรือการให้เหตุผลที่เปราะบาง ล้วนยังทำให้คำตอบผิดพลาดได้

ข้อจำกัดตอนเปิดตัวที่ควรรู้

ข้อจำกัดของ QVQ สำคัญมาก เพราะเป็นเส้นแบ่งระหว่างเดโมที่น่าสนใจกับเครื่องมือที่พร้อมใช้จริง

รับภาพได้ แต่ไม่รับวิดีโอ

รุ่น Preview รองรับข้อมูลเข้าเป็นภาพ แต่ไม่รองรับวิดีโอ แม้สาย Qwen2-VL รุ่นก่อนหน้าจะมีความสามารถด้านวิดีโออยู่แล้วก็ตาม ดังนั้นขอบเขตการใช้งานจึงจำกัดอยู่ที่การวิเคราะห์ภาพนิ่ง37 43

ถามต่อจากภาพเดิมไม่ได้

การใช้งานภาพเป็นลักษณะรอบเดียว ผู้ใช้ไม่สามารถถามต่อโดยให้โมเดลคงบริบทที่ยึดกับภาพเดิมได้ หากต้องการคำตอบใหม่เกี่ยวกับภาพเดิม ต้องส่งภาพนั้นพร้อมพรอมป์ต์ใหม่อีกครั้ง รายงานในช่วงเปิดตัวอธิบายว่าโมเดลวิเคราะห์และตอบแบบครั้งเดียวจบ34

คิดนานขึ้น อาจยิ่งหลุดจากหลักฐานในภาพ

คำเตือนหลักจาก Qwen คือ ระหว่างการให้เหตุผลจากภาพหลายขั้น โมเดลอาจค่อย ๆ สูญเสียโฟกัสจากเนื้อหาในภาพ จนนำไปสู่การสร้างข้อมูลที่ไม่มีอยู่จริงหรือ “หลอน” ได้33 38

เอกสารโมเดลยังเตือนถึงการปนภาษา หรือสลับภาษาอย่างไม่คาดคิด และความเสี่ยงที่จะวนลูปการให้เหตุผล จนสร้างคำตอบยาวแต่ไม่ไปถึงข้อสรุป38 39

ข้อควรปฏิบัติ: หากนำไปใช้กับงานที่มีความเสี่ยงสูง ต้องตรวจสอบผลลัพธ์กับภาพต้นทางและแหล่งข้อมูลอื่นเสมอ การมีคำอธิบายเป็นขั้นตอน ไม่ได้พิสูจน์ว่าทุกขั้นนั้นถูกต้องหรืออ้างอิงจากภาพจริง

ทำไมการเปิด weights จึงมีนัยสำคัญ

ความสำคัญของ QVQ ไม่ได้อยู่แค่ตาราง benchmark แต่ยังอยู่ที่แนวทาง open-weight ของ Qwen และผู้พัฒนา AI จีนรายอื่น ๆ โมเดลโอเพนเวตเปิดให้ดาวน์โหลดพารามิเตอร์ที่ผ่านการฝึกแล้ว หรือ weights ไปใช้ ปรับแก้ และรันบนระบบของตนเองได้ โดยไม่ต้องอยู่ภายใต้แอปหรือ API ของผู้พัฒนา18

สำหรับนักพัฒนาและองค์กร แนวทางนี้มีข้อดี เช่น

ควบคุมการติดตั้งใช้งาน: รันบนโครงสร้างพื้นฐานภายใน หรือคลาวด์ที่องค์กรเลือกเอง
ปรับแต่งได้: ทำ fine-tuning, quantization หรือเชื่อมเข้ากับระบบเฉพาะทางได้
ลดการผูกกับ API รายเดียว: ไม่ต้องพึ่งบริการที่ผู้ให้บริการรายหนึ่งโฮสต์ไว้เพียงอย่างเดียว

แต่การควบคุมที่เพิ่มขึ้นก็มาพร้อมภาระมากขึ้น องค์กรที่ดาวน์โหลด weights ไปใช้งานต้องดูแลโครงสร้างพื้นฐาน การทดสอบ การกำหนดสิทธิ์เข้าถึง ความปลอดภัย และการป้องกันการใช้ผิดวัตถุประสงค์ด้วยตนเอง Reuters ระบุว่าโมเดลโอเพนเวตสามารถดาวน์โหลด ตรวจสอบ และแก้ไขได้ แต่ก็อาจถูกแก้ไขและแจกจ่ายต่อโดยมีการกำกับดูแลค่อนข้างน้อย19

Open-weight กับ API แบบปิด: ต่างกันอย่างไร

โดยภาพรวม ผู้พัฒนาในจีนจำนวนมากผลักดันการเปิด weights มากขึ้น ขณะที่ผู้ให้บริการโมเดลระดับแนวหน้าในสหรัฐฯ อย่าง OpenAI และ Anthropic โดยทั่วไปไม่ได้เปิดสเปกโมเดลชั้นนำให้ดาวน์โหลด19 อย่างไรก็ตาม ไม่ควรสรุปแบบเหมารวมว่า “จีนเท่ากับเปิด” หรือ “อเมริกาเท่ากับปิด” เพราะรูปแบบการเผยแพร่ขึ้นอยู่กับแต่ละโมเดล ผู้พัฒนา ระดับความสามารถ และกลยุทธ์ธุรกิจ

ความต่างในทางปฏิบัติคือ

โมเดลโอเพนเวต ให้ผู้ใช้ควบคุมได้มากขึ้นว่าจะรันโมเดลที่ไหนและอย่างไร
โมเดลผ่าน API แบบปิด ให้ผู้ให้บริการควบคุมการติดตั้งใช้งานและโครงสร้างความปลอดภัยส่วนใหญ่ไว้กับตนเอง

จึงเกิดโจทย์เชิงนโยบายตามมา กฎที่เน้นการติดตามแบบรวมศูนย์ การทดสอบ การออกใบอนุญาต หรือการรายงาน อาจบริหารจัดการได้ง่ายกว่ากับผู้ให้บริการ API รายใหญ่ และอาจเอื้อต่อรูปแบบธุรกิจนั้น นี่เป็นข้ออนุมานเรื่องแรงจูงใจด้านกฎระเบียบ ไม่ใช่ผลลัพธ์ที่เกิดขึ้นแล้ว เพราะนโยบายยังออกแบบให้กำกับการใช้งานที่มีความเสี่ยงสูงและผู้ดำเนินการระบบได้ โดยไม่จำเป็นต้องห้ามการแจกจ่าย weights ทั้งหมด นักวิจัยจาก Stanford เตือนว่าการยอมรับโมเดลโอเพนเวตจากจีนอย่างแพร่หลายทั่วโลกอาจส่งผลต่อการเข้าถึงเทคโนโลยี การแข่งขัน ความปลอดภัย และธรรมาภิบาล AI18

สรุป

QVQ-72B-Preview คือการทดลองที่น่าจับตาในเดือนธันวาคม 2024 สำหรับ AI ที่ให้เหตุผลจากภาพแบบโอเพนเวต ผลทดสอบที่ Qwen รายงานแสดงการพัฒนาบน MMMU, MathVision และ OlympiadBench แต่ผู้พัฒนาก็ระบุข้อจำกัดด้านการใช้งานและความน่าเชื่อถืออย่างชัดเจน บทเรียนของโมเดลนี้ไม่ใช่ว่า AI คิดเป็นขั้นตอนแล้วจะแก้ปัญหาได้เสมอไป แต่คือการให้เหตุผลจากภาพที่ดีขึ้นสามารถถูกปล่อยในรูปแบบที่นักพัฒนาตรวจสอบและนำไปติดตั้งเองได้—และความเปิดกว้างนั้นยิ่งทำให้การประเมินอย่างเข้มงวดกับการใช้งานอย่างรับผิดชอบมีความจำเป็น38 39

Studio Global AI

ทำการวิจัยต่อ

หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global

ค้นหาและตรวจสอบข้อเท็จจริงด้วย Studio Global AI

คนยังถาม

คำตอบสั้น ๆ สำหรับ "QVQ-72B-Preview: เมื่อ AI ของ Alibaba พยายาม “ดูภาพและคิดเป็นขั้นตอน”" คืออะไร

QVQ 72B Preview คือโมเดลวิจัยเชิงทดลองของทีม Qwen จาก Alibaba ที่เปิดตัวในเดือนธันวาคม 2024 เพื่อยกระดับการให้เหตุผลจากภาพ

ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?

ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?

แม้เปิดให้นำ weights ไปใช้งานและปรับแต่งได้ แต่ผู้ใช้งานต้องรับผิดชอบการประเมินความน่าเชื่อถือ ความปลอดภัย และการป้องกันการใช้งานผิดวัตถุประสงค์มากขึ้น[18][19]

แหล่งที่มา