AnswersPublished19 sources
QVQ-72B-Preview: Alibaba’nın açık ağırlıklı görsel akıl yürütme modeli
QVQ 72B Preview, Qwen ekibinin Aralık 2024’te tanıttığı, görsel akıl yürütmeye odaklanan deneysel bir açık ağırlıklı modeldi.[38][39] Model; grafik, diyagram, görseldeki metin ve görsel matematik sorularında çok adımlı çıkarım yapmayı hedefliyordu. Açık ağırlık yaklaşımı modeli indirme, kendi altyapısında çalıştırma...
YayımlayanGPT-5.6 Terra ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- QVQ 72B Preview, Qwen ekibinin Aralık 2024’te tanıttığı, görsel akıl yürütmeye odaklanan deneysel bir açık ağırlıklı modeldi.[38][39]
- Model; grafik, diyagram, görseldeki metin ve görsel matematik sorularında çok adımlı çıkarım yapmayı hedefliyordu.
- Açık ağırlık yaklaşımı modeli indirme, kendi altyapısında çalıştırma ve uyarlama imkânı sunar; bununla birlikte güvenlik, değerlendirme ve işletim sorumluluğunu daha çok kullanıcıya devreder.[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, Alibaba’nın Qwen ekibinin Aralık 2024’te tanıttığı deneysel bir araştırma modeliydi. Temel amacı, bir görseli yalnızca tanımak değil; görseldeki bilgileri inceleyip bir sorunu çok adımda akıl yürüterek çözmekti. Model, Qwen2-VL-72B üzerine inşa edildi ve görsele dayalı zor problem çözmeye odaklandı. Bu nedenle onu tamamlanmış, genel amaçlı bir multimodal asistan yerine, açık ağırlıklarla yayımlanmış erken aşama bir görsel akıl yürütme deneyi olarak değerlendirmek daha doğru olur.38
39
Ne yapması hedefleniyordu?
Kullanıcı bir görsel ve istem verdiğinde QVQ’nun, yanıtını üretmeden önce görsel kanıtları inceleyip adım adım çıkarım yapması amaçlandı. Bu yaklaşım özellikle şu tür işler için anlamlıydı:
- grafik ve diyagramları yorumlama,
- görsele gömülü metin ya da bilgiyi okuma,
- görsel içeren matematik sorularını çözme,
- gözlem ve çıkarımı birlikte gerektiren fen sorularını yanıtlama.
Adındaki “72B”, modelin Qwen ailesindeki büyük ölçekli yapısını; “Preview” ise henüz deneysel bir sürüm olduğunu ifade ediyordu. Qwen, benchmark sonuçlarıyla birlikte modelin kısıtlarını da özellikle vurguladı.38
39
Yayınlanan benchmark sonuçları
Qwen’in paylaştığı karşılaştırma tablosunda QVQ-72B-Preview için şu skorlar yer aldı:
| Benchmark | QVQ-72B-Preview | Qwen2-VL-72B karşılaştırması |
|---|---|---|
| MMMU (doğrulama) | 70,3 | 64,5 |
| MathVision (tam set) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU, üniversite düzeyinde geniş kapsamlı multimodal anlama becerisini; MathVision, görsel içeren matematik problemlerini; OlympiadBench ise zorlu, iki dilli matematik ve fizik sorularını ölçüyor. Qwen’in tablosunda QVQ, bu üç ölçütte de listelenen Qwen2-VL-72B skorlarını geçti.39
40
Bununla birlikte bunlar geliştiricinin bildirdiği değerlendirme sonuçlarıdır. Sonuçlar, modelin gerçek dünyadaki her görevde aynı derecede güvenilir çalışacağını göstermez. Belirsiz görseller, alışılmadık istemler, eksik bağlam ve kırılgan akıl yürütme süreçleri pratikte hatalara yol açabilir.
Lansmandaki temel sınırlamalar
QVQ’nun sınırları, modelin vaatkâr bir araştırma demosu ile günlük kullanıma uygun bir asistan arasındaki farkı açıkça ortaya koyuyordu.
Video değil, yalnızca görsel girişi
Önceki Qwen2-VL serisinde video yeteneği bulunmasına rağmen, bu ön izleme sürümü video girdisini desteklemiyordu. Kullanım alanı statik görsellerin analizine indirgenmişti.37
43
Aynı görsel üzerinde devam eden sohbet yoktu
Görsel başına etkileşim pratikte tek turluydu. Kullanıcı, modelin görsel bağlamını koruyarak bir takip sorusu soramıyordu; yeni bir soru için aynı görseli yeni bir istemle tekrar göndermesi gerekiyordu.34
Uzun akıl yürütme görselden kopabiliyordu
Qwen’in en önemli uyarısı şuydu: Çok adımlı görsel akıl yürütme sırasında model, zamanla görüntünün içeriğine odaklanmayı kaybedebilir ve halüsinasyon üretebilirdi.33
38
Başka bir deyişle, uzun ve düzenli görünen bir açıklama, her aşamasının gerçekten görseldeki kanıtlara dayandığı anlamına gelmiyordu. Model kartında ayrıca beklenmedik dil karışımı veya dil değiştirme ile sonuca ulaşmadan uzayan döngüsel akıl yürütme riski de belirtildi.38
39
Pratik sonuç: Yüksek riskli kullanım alanlarında QVQ çıktıları mutlaka doğrulanmalıydı. Görünür bir akıl yürütme izi, gözlemlerin doğru ya da görsele dayalı olduğunun kanıtı değildir.
Açık ağırlık olarak yayımlanması neden önemliydi?
Modelin önemi yalnızca benchmark skorlarından kaynaklanmıyordu. QVQ, Qwen ve başka Çinli yapay zekâ geliştiricileriyle ilişkilendirilen daha geniş açık ağırlık yaklaşımının da bir örneğiydi.
“Açık ağırlık”, bir modelin eğitim sonunda oluşan parametrelerinin indirme, kullanma ve değiştirme için erişilebilir olması anlamına gelir. Böylece kuruluşlar modeli geliştiricinin uygulaması veya API’si dışında, kendi altyapılarında çalıştırabilir ve yeni kullanım alanlarına uyarlayabilir.18
Bu yaklaşım geliştiricilere şunları sağlayabilir:
- Dağıtım kontrolü: Modeli özel altyapıda veya tercih edilen bulut ortamında çalıştırma.
- Uyarlama esnekliği: Ağırlıkları ince ayar yapma, kuantize etme ya da uzmanlaşmış bir sisteme entegre etme.
- Taşınabilirlik: Tek bir sağlayıcının barındırdığı API’ye bağımlılığı azaltma.
Ancak bu esneklik ek sorumluluk getirir. İndirilen ağırlıkları işleten kuruluşlar; altyapı, test, erişim kontrolü, güvenlik uygulamaları ve kötüye kullanımın önlenmesinden daha fazla sorumlu olur. Reuters, açık ağırlıklı sistemlerin indirilebildiğini, incelenebildiğini ve değiştirilebildiğini; ama nispeten sınırlı denetimle değiştirilip yeniden dağıtılabildiğini belirtiyor.19
Açık ağırlık ve kapalı API: Basit bir jeopolitik ayrım değil
Birçok Çinli geliştiricinin açık ağırlıklı sürümleri öne çıkardığı; OpenAI ve Anthropic gibi önde gelen ABD merkezli sağlayıcıların ise en gelişmiş modellerinin teknik özelliklerini indirmeye açmadığı genel olarak doğru bir gözlem.19 Yine de bunu “Çinli modeller açık, ABD’li modeller kapalı” gibi mutlak bir kurala çevirmek yanıltıcı olur. Yayınlama tercihleri modele, geliştiriciye, kabiliyete ve ticari stratejiye göre değişir.
Asıl fark işletim biçimindedir:
- Açık ağırlıklı modeller, modelin nerede ve nasıl çalışacağı konusunda kullanıcıya daha fazla denetim verir.
- Kapalı API modelleri, dağıtımı ve güvenlik altyapısının önemli bölümünü sağlayıcının denetiminde tutar.
Bu fark, politika açısından gerçek bir denge sorununa işaret eder. Merkezi izleme, test, lisanslama veya raporlama etrafında tasarlanan kuralların, büyük API sağlayıcılarının çalışma modelini daha kolay desteklemesi olasıdır. Bu, düzenleme teşviklerine dair bir çıkarımdır; yerleşmiş bir sonuç değildir. Düzenlemeler, ağırlıkların dağıtımını bütünüyle engellemek yerine yüksek riskli kullanım alanlarına ve modelleri işleten kuruluşlara da odaklanabilir. Stanford araştırmacıları, Çinli açık ağırlıklı modellerin dünya çapında yaygınlaşmasının teknolojiye erişim, rekabet, güvenlik ve yapay zekâ yönetişimini etkileyebileceğine dikkat çekiyor.18
Sonuç
QVQ-72B-Preview, Aralık 2024’te ortaya çıkan dikkat çekici bir açık ağırlıklı görsel akıl yürütme denemesi oldu. Qwen’in bildirdiği sonuçlarda MMMU, MathVision ve OlympiadBench’te belirgin gelişim gösterirken; tek turlu etkileşim, video desteği olmaması ve görsel kanıttan koparak halüsinasyon üretme riski gibi önemli sınırları da açıkça belgelendi.38
39
Modelin temel mesajı, çok adımlı düşünme süreçlerinin multimodal yapay zekâ sorunlarını çözdüğü değildi. Daha çok, daha güçlü görsel akıl yürütmenin geliştiricilerin inceleyip kendi ortamlarında çalıştırabileceği bir biçimde yayımlanabileceğini; bunun da sıkı değerlendirme ve sorumlu işletim ihtiyacını artırdığını gösterdi.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: Alibaba’nın açık ağırlıklı görsel akıl yürütme modeli"?
QVQ 72B Preview, Qwen ekibinin Aralık 2024’te tanıttığı, görsel akıl yürütmeye odaklanan deneysel bir açık ağırlıklı modeldi.[38][39]
What are the key points to validate first?
QVQ 72B Preview, Qwen ekibinin Aralık 2024’te tanıttığı, görsel akıl yürütmeye odaklanan deneysel bir açık ağırlıklı modeldi.[38][39] Model; grafik, diyagram, görseldeki metin ve görsel matematik sorularında çok adımlı çıkarım yapmayı hedefliyordu.
What should I do next in practice?
Açık ağırlık yaklaşımı modeli indirme, kendi altyapısında çalıştırma ve uyarlama imkânı sunar; bununla birlikte güvenlik, değerlendirme ve işletim sorumluluğunu daha çok kullanıcıya devreder.[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