QVQ-72B-Preview 是阿里巴巴 Qwen 团队在 2024 年 12 月推出的一款实验性、开放权重视觉推理模型。它以 Qwen2-VL-72B 为基础，目标不是单纯识别图片中的物体，而是让模型围绕图像线索进行较长的、多步骤的分析与解题。更合适的定位是：这是一次面向视觉推理的早期研究尝试，而非已经成熟的通用多模态助手。3839

它能做什么？

用户提交一张图片和一段提示词后，QVQ 试图先观察图中的信息，再给出推理与结论。适合的任务包括：

• 解读图表、示意图和图片中的文字；
• 处理含图的数学题；
• 回答需要“看图 + 推断”的科学问题；
• 对图像中的关系、结构或条件进行分析。

“72B”指其属于 Qwen 的大参数量模型系列；“Preview”则是关键限定词。Qwen 明确将其称作实验性研究模型，并同时公布了性能限制。3839

跑分表现如何？

Qwen 公布的对比表显示，QVQ-72B-Preview 在三项测试中的成绩如下：

基准测试	QVQ-72B-Preview	表中 Qwen2-VL-72B 对照成绩
MMMU（验证集）	70.3	64.5
MathVision（完整集）	35.9	25.9
OlympiadBench	20.4	11.2

其中，MMMU 用于评估广泛的大学水平多模态理解；MathVision 侧重图像数学题；OlympiadBench 则包含高难度的中英双语数学与物理题。按这张官方表格，QVQ 在三项指标上都超过了所列的 Qwen2-VL-72B 成绩，符合其强化推理能力的定位。3940

不过，这些是厂商自行报告的评测结果。基准分数可以反映模型潜力，却不能保证它面对模糊图片、非常规提问、上下文缺失或复杂业务流程时同样可靠。

发布时的几个关键限制

只接收图片，不支持视频

QVQ-72B-Preview 支持静态图片输入，但不支持视频；而更早的 Qwen2-VL 系列曾具备视频能力。这使其适用范围集中在静态视觉分析。3743

围绕同一图片无法连续追问

它的图像交互基本是单轮的。用户无法在保留原图上下文的前提下继续追问；若要针对同一张图提出新问题，需要重新提交图片和新提示词。相关报道将其描述为“一次性”输出分析。34

推理越长，未必越贴近图片

最值得警惕的限制是：Qwen 提醒，在多步骤视觉推理中，模型可能逐渐失去对图像内容的关注，继而产生幻觉。3338

换句话说，一段很长、看起来井井有条的推理，并不能证明其中每个观察和判断都确实来自图片。模型卡还提示，它可能出现语言混杂或意外切换语言，也可能陷入循环推理，生成冗长却没有结论的回答。3839

实际使用建议： 涉及医疗、金融、合规、工程决策等高风险场景时，输出必须经过人工或独立流程验证；“展示了推理过程”不等于结论正确，更不等于结论有图像证据支撑。

为什么“开放权重”值得关注？

QVQ 的意义不只在于一组基准成绩，也在于它符合 Qwen 所代表的开放权重路线。所谓开放权重，是指模型训练后得到的参数可供下载、使用和修改；开发者或机构可以在开发商应用或 API 之外自主运行模型，并为新的用途进行适配。18

这通常带来几项实际优势：

• 部署自主性： 可在自有服务器、私有云或选定的云环境中运行；
• 适配空间： 可进行微调、量化，或整合进垂直领域系统；
• 降低绑定： 不必完全依赖单一厂商托管的 API。

代价同样明确。下载权重后，基础设施、性能评测、权限管理、安全防护和滥用防范，都更大程度由部署方负责。路透社指出，开放权重系统可被下载、检查和修改，但也可能在相对有限的监督下被修改和再分发。19

开放权重与封闭 API：不是简单的地域标签

许多中国开发者确实积极推动开放权重发布；OpenAI、Anthropic 等美国前沿模型提供商通常不公开其领先模型的可下载权重。19 但不能简单归纳为“中国产品都开放、美国产品都封闭”——具体策略会随模型、能力、开发者和商业模式而变化。

真正重要的是运行方式的差异：

• 开放权重模型让使用者更能掌控模型运行地点和使用方式；
• 封闭 API 模型则将部署环境以及大量安全机制集中在提供商一侧。

这也带来政策层面的取舍：若监管主要围绕集中式监测、测试、许可或报告设计，大型 API 服务商或许更容易承担合规成本，从而使其运营模式更具优势。这是对监管激励的合理推断，并非既成结论；政策也可以聚焦高风险部署及其运营者，而不必直接禁止权重分发。斯坦福研究人员指出，中国开放权重模型在全球的广泛采用，可能影响技术可及性、竞争、安全与 AI 治理。18

结论

QVQ-72B-Preview 是一次具有代表性的开放权重视觉推理实验：它在 Qwen 报告的 MMMU、MathVision 和 OlympiadBench 测试中取得提升，同时也坦率标注了单轮图片交互、无视频输入、语言混杂、循环推理和视觉幻觉等局限。3839

它带来的启示并不是“长推理已经解决了多模态 AI 的可靠性问题”。相反，它说明了更强的图像推理能力可以以可下载、可部署的形式提供给开发者，而这种开放性也意味着：部署者必须投入更严格的评测、验证和安全治理。

QVQ-72B-Preview 是阿里巴巴 Qwen 团队在 2024 年 12 月推出的一款实验性、开放权重视觉推理模型。它以 Qwen2-VL-72B 为基础，目标不是单纯识别图片中的物体，而是让模型围绕图像线索进行较长的、多步骤的分析与解题。更合适的定位是：这是一次面向视觉推理的早期研究尝试，而非已经成熟的通用多模态助手。3839

它能做什么？

用户提交一张图片和一段提示词后，QVQ 试图先观察图中的信息，再给出推理与结论。适合的任务包括：

• 解读图表、示意图和图片中的文字；
• 处理含图的数学题；
• 回答需要“看图 + 推断”的科学问题；
• 对图像中的关系、结构或条件进行分析。

“72B”指其属于 Qwen 的大参数量模型系列；“Preview”则是关键限定词。Qwen 明确将其称作实验性研究模型，并同时公布了性能限制。3839

跑分表现如何？

Qwen 公布的对比表显示，QVQ-72B-Preview 在三项测试中的成绩如下：

基准测试	QVQ-72B-Preview	表中 Qwen2-VL-72B 对照成绩
MMMU（验证集）	70.3	64.5
MathVision（完整集）	35.9	25.9
OlympiadBench	20.4	11.2

其中，MMMU 用于评估广泛的大学水平多模态理解；MathVision 侧重图像数学题；OlympiadBench 则包含高难度的中英双语数学与物理题。按这张官方表格，QVQ 在三项指标上都超过了所列的 Qwen2-VL-72B 成绩，符合其强化推理能力的定位。3940

不过，这些是厂商自行报告的评测结果。基准分数可以反映模型潜力，却不能保证它面对模糊图片、非常规提问、上下文缺失或复杂业务流程时同样可靠。

发布时的几个关键限制

只接收图片，不支持视频

QVQ-72B-Preview 支持静态图片输入，但不支持视频；而更早的 Qwen2-VL 系列曾具备视频能力。这使其适用范围集中在静态视觉分析。3743

围绕同一图片无法连续追问

它的图像交互基本是单轮的。用户无法在保留原图上下文的前提下继续追问；若要针对同一张图提出新问题，需要重新提交图片和新提示词。相关报道将其描述为“一次性”输出分析。34

推理越长，未必越贴近图片

最值得警惕的限制是：Qwen 提醒，在多步骤视觉推理中，模型可能逐渐失去对图像内容的关注，继而产生幻觉。3338

换句话说，一段很长、看起来井井有条的推理，并不能证明其中每个观察和判断都确实来自图片。模型卡还提示，它可能出现语言混杂或意外切换语言，也可能陷入循环推理，生成冗长却没有结论的回答。3839

实际使用建议： 涉及医疗、金融、合规、工程决策等高风险场景时，输出必须经过人工或独立流程验证；“展示了推理过程”不等于结论正确，更不等于结论有图像证据支撑。

为什么“开放权重”值得关注？

QVQ 的意义不只在于一组基准成绩，也在于它符合 Qwen 所代表的开放权重路线。所谓开放权重，是指模型训练后得到的参数可供下载、使用和修改；开发者或机构可以在开发商应用或 API 之外自主运行模型，并为新的用途进行适配。18

这通常带来几项实际优势：

• 部署自主性： 可在自有服务器、私有云或选定的云环境中运行；
• 适配空间： 可进行微调、量化，或整合进垂直领域系统；
• 降低绑定： 不必完全依赖单一厂商托管的 API。

代价同样明确。下载权重后，基础设施、性能评测、权限管理、安全防护和滥用防范，都更大程度由部署方负责。路透社指出，开放权重系统可被下载、检查和修改，但也可能在相对有限的监督下被修改和再分发。19

开放权重与封闭 API：不是简单的地域标签

许多中国开发者确实积极推动开放权重发布；OpenAI、Anthropic 等美国前沿模型提供商通常不公开其领先模型的可下载权重。19 但不能简单归纳为“中国产品都开放、美国产品都封闭”——具体策略会随模型、能力、开发者和商业模式而变化。

真正重要的是运行方式的差异：

• 开放权重模型让使用者更能掌控模型运行地点和使用方式；
• 封闭 API 模型则将部署环境以及大量安全机制集中在提供商一侧。

这也带来政策层面的取舍：若监管主要围绕集中式监测、测试、许可或报告设计，大型 API 服务商或许更容易承担合规成本，从而使其运营模式更具优势。这是对监管激励的合理推断，并非既成结论；政策也可以聚焦高风险部署及其运营者，而不必直接禁止权重分发。斯坦福研究人员指出，中国开放权重模型在全球的广泛采用，可能影响技术可及性、竞争、安全与 AI 治理。18

结论

QVQ-72B-Preview 是一次具有代表性的开放权重视觉推理实验：它在 Qwen 报告的 MMMU、MathVision 和 OlympiadBench 测试中取得提升，同时也坦率标注了单轮图片交互、无视频输入、语言混杂、循环推理和视觉幻觉等局限。3839

它带来的启示并不是“长推理已经解决了多模态 AI 的可靠性问题”。相反，它说明了更强的图像推理能力可以以可下载、可部署的形式提供给开发者，而这种开放性也意味着：部署者必须投入更严格的评测、验证和安全治理。