Câu trả lờiĐã xuất bản19 nguồn
QVQ-72B-Preview: Thử nghiệm của Alibaba về AI suy luận từ hình ảnh
QVQ 72B Preview là mô hình nghiên cứu thử nghiệm của nhóm Qwen thuộc Alibaba, ra mắt tháng 12/2024 để tăng cường suy luận từ hình ảnh. Mô hình hướng tới đọc biểu đồ, sơ đồ, thông tin trong ảnh và giải bài toán thị giác nhiều bước, nhưng chuỗi suy luận dài không bảo đảm câu trả lời luôn bám sát ảnh.
Đăng bởiBiên tập bằng GPT-5.6 TerraHình ảnh được tạo bằng GPT Image 2
Câu trả lời nghiên cứu
Bài học chính
- QVQ 72B Preview là mô hình nghiên cứu thử nghiệm của nhóm Qwen thuộc Alibaba, ra mắt tháng 12/2024 để tăng cường suy luận từ hình ảnh.
- Mô hình hướng tới đọc biểu đồ, sơ đồ, thông tin trong ảnh và giải bài toán thị giác nhiều bước, nhưng chuỗi suy luận dài không bảo đảm câu trả lời luôn bám sát ảnh.
- Trọng số mở cho phép tải xuống, tự triển khai và tùy biến ngoài API của nhà cung cấp; đổi lại, đơn vị vận hành phải tự gánh nhiều hơn trách nhiệm về an toàn, bảo mật và đánh giá.[18][19]
Prompt AI
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 là mô hình nghiên cứu thử nghiệm của đội ngũ Qwen thuộc Alibaba, được giới thiệu vào tháng 12/2024 với mục tiêu cải thiện suy luận thị giác: xem ảnh, nhận diện bằng chứng trong ảnh rồi giải quyết vấn đề qua nhiều bước. Mô hình phát triển từ Qwen2-VL-72B và nhấn mạnh khả năng suy luận dài cho các tác vụ dựa trên hình ảnh.38
39
Điểm đáng chú ý nhất không phải đây là một trợ lý đa phương thức hoàn thiện, mà là một nỗ lực sớm đưa năng lực hiểu hình ảnh kết hợp suy luận phức tạp ra dưới dạng mã trọng số mở (open-weight) — tức các tham số đã huấn luyện có thể được tải về để triển khai và điều chỉnh.
QVQ có thể làm gì với một bức ảnh?
Khi nhận ảnh cùng câu lệnh, QVQ được thiết kế để phân tích các chi tiết thị giác trước khi đưa ra đáp án. Cách tiếp cận này phù hợp với các tình huống như:
- diễn giải biểu đồ, đồ thị và sơ đồ;
- đọc thông tin hoặc chữ xuất hiện trong ảnh;
- giải bài toán toán học có hình minh họa;
- trả lời câu hỏi khoa học đòi hỏi vừa quan sát vừa suy luận.
Tên gọi “72B” cho biết đây là mô hình lớn trong họ Qwen; còn chữ “Preview” đặc biệt quan trọng. Qwen định vị nó là mô hình nghiên cứu thử nghiệm và công khai cả các hạn chế, thay vì chỉ nêu kết quả đánh giá.38
39
Điểm benchmark do Qwen công bố
Theo bảng so sánh do Qwen phát hành, QVQ-72B-Preview đạt các kết quả sau:
| Benchmark | QVQ-72B-Preview | Qwen2-VL-72B |
|---|---|---|
| MMMU (validation) | 70,3 | 64,5 |
| MathVision (full) | 35,9 | 25,9 |
| OlympiadBench | 20,4 | 11,2 |
MMMU đánh giá năng lực hiểu đa phương thức ở cấp độ đại học; MathVision tập trung vào bài toán toán học dựa trên hình ảnh; còn OlympiadBench gồm các câu hỏi toán và vật lý song ngữ có độ khó cao. Trên bảng của Qwen, QVQ vượt Qwen2-VL-72B ở cả ba thước đo, phù hợp với định hướng tăng cường suy luận của mô hình.39
40
Tuy nhiên, đây là kết quả do nhà phát triển công bố, không phải bằng chứng độc lập rằng mô hình sẽ hoạt động tương đương trong môi trường thực tế. Ảnh mơ hồ, câu lệnh bất thường, thiếu ngữ cảnh hoặc lỗi suy luận vẫn có thể khiến kết quả sai.
Những giới hạn cần biết ngay từ khi ra mắt
Các hạn chế của QVQ quyết định ranh giới giữa một bản trình diễn đầy hứa hẹn và một công cụ có thể dùng rộng rãi.
Chỉ nhận ảnh, không nhận video
Bản Preview hỗ trợ đầu vào là ảnh nhưng không hỗ trợ video, dù dòng Qwen2-VL trước đó có khả năng xử lý video. Vì vậy, phạm vi sử dụng của QVQ chủ yếu là phân tích nội dung tĩnh.37
43
Không duy trì hội thoại tiếp nối trên cùng một ảnh
Tương tác với một ảnh về cơ bản chỉ diễn ra trong một lượt. Người dùng không thể hỏi tiếp mà vẫn giữ nguyên ngữ cảnh hình ảnh đã gửi; muốn có câu trả lời khác, họ phải gửi lại ảnh kèm câu lệnh mới.34
Suy luận càng dài càng có thể rời xa bằng chứng trong ảnh
Cảnh báo đáng lưu ý nhất của Qwen là trong quá trình suy luận thị giác nhiều bước, QVQ có thể dần mất tập trung vào nội dung ảnh và dẫn tới hiện tượng “ảo giác” — đưa ra thông tin không được ảnh hỗ trợ.33
38
Tài liệu mô hình cũng nêu nguy cơ trộn hoặc chuyển đổi ngôn ngữ bất ngờ, cùng khả năng rơi vào vòng lặp suy luận khiến câu trả lời dài nhưng không đi đến kết luận.38
39
Hệ quả thực tế: Với các mục đích quan trọng, đầu ra của QVQ cần được kiểm tra lại. Việc mô hình trình bày một chuỗi giải thích có vẻ mạch lạc không chứng minh từng nhận định trong đó là chính xác hoặc thực sự dựa trên ảnh.
Vì sao việc phát hành trọng số mở lại đáng chú ý?
Ý nghĩa của QVQ không chỉ nằm ở bảng điểm benchmark. Nó phản ánh cách tiếp cận rộng hơn của Qwen và nhiều nhà phát triển AI Trung Quốc: phát hành trọng số để bên khác có thể tải xuống, sử dụng và sửa đổi. Theo định nghĩa của Stanford, điều này cho phép tổ chức chạy mô hình độc lập bên ngoài ứng dụng hay API của đơn vị phát triển, đồng thời tùy biến cho mục đích mới.18
Với đội ngũ kỹ thuật, mô hình trọng số mở có thể đem lại:
- Quyền kiểm soát triển khai: Chạy trên hạ tầng riêng hoặc nền tảng đám mây tự chọn.
- Khả năng tùy biến: Tinh chỉnh, lượng tử hóa hoặc tích hợp vào hệ thống chuyên biệt.
- Tính linh hoạt: Giảm phụ thuộc vào một API do một nhà cung cấp lưu trữ.
Nhưng quyền chủ động ấy đi kèm trách nhiệm. Đơn vị tải và vận hành trọng số phải tự lo hạ tầng, kiểm thử, kiểm soát truy cập, bảo mật và phòng ngừa lạm dụng. Reuters lưu ý các hệ thống trọng số mở có thể được tải xuống, kiểm tra và chỉnh sửa, nhưng cũng có thể bị sửa đổi rồi tái phân phối với mức giám sát tương đối ít.19
Trọng số mở và API đóng: khác biệt vận hành, không phải quy tắc địa chính trị tuyệt đối
Nói chung, nhiều nhà phát triển Trung Quốc đã thúc đẩy phát hành trọng số mở, trong khi các nhà cung cấp AI tiên phong hàng đầu của Mỹ như OpenAI và Anthropic thường không cho tải về thông số của các mô hình dẫn đầu.19 Dù vậy, sẽ là đơn giản hóa quá mức nếu kết luận “Trung Quốc là mở, Mỹ là đóng”: lựa chọn phát hành thay đổi tùy mô hình, năng lực, đơn vị phát triển và chiến lược kinh doanh.
Khác biệt thiết thực nằm ở cách vận hành:
- Mô hình trọng số mở cho người dùng nhiều quyền kiểm soát hơn về nơi và cách mô hình chạy.
- Mô hình API đóng giữ việc triển khai và phần lớn hạ tầng an toàn dưới quyền kiểm soát của nhà cung cấp.
Từ đó xuất hiện một đánh đổi chính sách. Các quy định thiên về giám sát tập trung, kiểm thử, cấp phép hoặc báo cáo có thể dễ áp dụng hơn với các nhà cung cấp API lớn, qua đó có khả năng ưu ái mô hình vận hành của họ. Đây là nhận định về động lực quản lý, không phải kết quả đã được xác lập. Chính sách cũng có thể nhắm vào các hoạt động triển khai rủi ro cao và tổ chức vận hành, thay vì cấm phát hành trọng số. Các nhà nghiên cứu Stanford cảnh báo việc các mô hình trọng số mở của Trung Quốc được sử dụng rộng rãi trên toàn cầu có thể ảnh hưởng đến khả năng tiếp cận công nghệ, cạnh tranh, an toàn và quản trị AI.18
Kết luận
QVQ-72B-Preview là thử nghiệm đáng chú ý vào tháng 12/2024 về suy luận thị giác với trọng số mở. Mô hình cho thấy mức tăng do Qwen báo cáo trên MMMU, MathVision và OlympiadBench, đồng thời thẳng thắn công bố các hạn chế lớn về trải nghiệm và độ tin cậy.38
39
Thông điệp từ QVQ không phải rằng chuỗi suy luận đã giải quyết xong bài toán AI đa phương thức. Giá trị của nó là cho thấy năng lực suy luận từ ảnh có thể được phát hành để nhà phát triển tự kiểm tra và triển khai — và chính độ mở đó khiến việc đánh giá nghiêm ngặt, vận hành có trách nhiệm trở nên quan trọng hơn.
Studio Global AI
Tiếp tục nghiên cứu của bạn
Trang này bao gồm câu trả lời dựa trên nguồn mà bạn có thể tiếp tục bên trong Studio Global.
Người ta cũng hỏi
Câu trả lời ngắn gọn cho "QVQ-72B-Preview: Thử nghiệm của Alibaba về AI suy luận từ hình ảnh" là gì?
QVQ 72B Preview là mô hình nghiên cứu thử nghiệm của nhóm Qwen thuộc Alibaba, ra mắt tháng 12/2024 để tăng cường suy luận từ hình ảnh.
Những điểm chính cần xác nhận đầu tiên là gì?
QVQ 72B Preview là mô hình nghiên cứu thử nghiệm của nhóm Qwen thuộc Alibaba, ra mắt tháng 12/2024 để tăng cường suy luận từ hình ảnh. Mô hình hướng tới đọc biểu đồ, sơ đồ, thông tin trong ảnh và giải bài toán thị giác nhiều bước, nhưng chuỗi suy luận dài không bảo đảm câu trả lời luôn bám sát ảnh.
Tôi nên làm gì tiếp theo trong thực tế?
Trọng số mở cho phép tải xuống, tự triển khai và tùy biến ngoài API của nhà cung cấp; đổi lại, đơn vị vận hành phải tự gánh nhiều hơn trách nhiệm về an toàn, bảo mật và đánh giá.[18][19]
Nguồn
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