QVQ-72B-Preview 可以理解為阿里巴巴 Qwen 團隊喺 2024 年 12 月推出嘅一個實驗性視覺推理模型。佢唔只係辨認張相入面有咩，目標係根據圖片證據，一步步處理較複雜嘅問題，例如睇圖表、理解示意圖、讀取圖片內文字，以及解視覺數學同科學題。

不過，個名入面嘅 Preview 好關鍵：Qwen 自己定位佢為研究型實驗模型，亦同時公開列出一系列可靠性同使用限制。3839 所以，佢較適合被視為一次「視覺理解＋多步推理」嘅早期開放權重嘗試，而唔係已經成熟、萬能嘅多模態助理。

佢點樣「睇圖再諗」？

用戶提交圖片加問題後，QVQ 旨在先從圖像找出相關資訊，再進行推論，最後作答。理論上，呢種方式適合以下場景：

• 解讀圖表、流程圖、幾何圖同其他視覺化資料；
• 讀取圖片嵌入嘅文字或數據；
• 處理要靠睇圖先做到嘅數學問題；
• 回答同科學觀察及推論有關嘅題目。

「72B」代表佢係 Qwen 系列入面嘅大型模型；而佢以 Qwen2-VL-72B 為基礎，特別加強圖像相關嘅延伸推理能力。3839

官方成績點睇？有進步，但唔等於實戰保證

Qwen 公布嘅比較表顯示，QVQ-72B-Preview 喺三項測試嘅分數如下：

基準測試	QVQ-72B-Preview	表內 Qwen2-VL-72B 對照
MMMU（驗證集）	70.3	64.5
MathVision（完整集）	35.9	25.9
OlympiadBench	20.4	11.2

MMMU 用嚟評估廣泛嘅大學程度多模態理解；MathVision 著重睇圖解數學題；OlympiadBench 則涵蓋高難度、中英雙語嘅數學同物理問題。按 Qwen 呢張表，QVQ 喺三項指標都高過所列嘅 Qwen2-VL-72B，符合佢主打「推理導向」嘅定位。3940

但要留意，以上係廠方自行公布嘅評測結果，唔係獨立驗證，亦唔能夠直接推論到真實工作流程會有同樣表現。遇上模糊圖片、問題寫得唔清楚、背景資料不足，或者推理鏈條脆弱時，模型照樣可能出錯。

上線時最重要嘅限制

QVQ 最值得留神嘅，其實唔只係分數，而係佢清楚劃咗一條「技術示範」同「實用工具」之間嘅界線。

只收圖片，唔支援影片

呢個 Preview 只接受圖片輸入，唔支援影片；即使較早嘅 Qwen2-VL 系列本身具備影片能力，QVQ 當時都未有提供。換句話講，佢只適合分析靜態畫面。3743

同一張圖做唔到連續追問

對一張圖片嘅互動基本上係單輪。用戶唔可以保留原有圖像脈絡再問追問問題；想就同一張圖問第二條問題，要重新上載圖片連同新提示詞。當時報道形容，模型係一次過產生分析同答案。34

諗得愈長，反而可能愈離題

Qwen 最重要嘅警告係：做多步視覺推理時，QVQ 可能慢慢失去對圖片內容嘅焦點，繼而產生幻覺。即係話，一段寫得好有條理、好似逐步拆解嘅長答案，未必真係每一步都仲有根據張圖。3338

模型文件亦提到，佢有機會突然夾雜其他語言或轉換語言，亦可能跌入循環推理，寫得好長但最終出唔到結論。3839

**實際意思係：**如果用喺重要決定、專業判讀或高風險工作，輸出一定要由人核實。睇到模型展示推理過程，並唔等於當中每個觀察都正確，或者真係源自圖片。

點解「開放權重」比一個模型名更值得討論？

QVQ 嘅意義唔只在於一張 benchmark 表，仲在於佢反映 Qwen 一類模型採取嘅開放權重路線。

所謂開放權重，即模型訓練後嘅參數可以下載、使用同修改。機構可以喺開發者自家 App 或 API 以外，自己運行模型，亦可以按新用途調整佢。18

對開發者而言，常見好處包括：

• **部署自主性：**可放喺自家伺服器、私有雲，或者自行揀選嘅雲端環境運行；
• **可調整性：**可以微調、量化，或者整合入專門系統；
• **較少 API 綁定：**唔使完全依賴單一供應商提供嘅雲端 API。

但控制權多咗，責任亦多咗。下載權重後自行運行嘅機構，要自己處理基礎設施、評估、存取控制、保安同防止濫用。路透指出，開放權重系統可被下載、檢查同修改，但亦可能以較少監管被修改及再分發。19

開放權重同封閉 API：唔係簡單嘅中美二分法

大方向上，唔少中國 AI 開發商近年積極推開放權重；OpenAI 同 Anthropic 等美國前沿供應商，則一般唔會公開旗下領先模型嘅可下載規格。19 不過，唔應該簡化成「中國一定開放、美國一定封閉」：實際策略會因模型、能力、公司同商業考量而變。

真正分別係運作模式：

• 開放權重模型畀使用者較大自由，決定模型喺邊度運行、點樣改；
• 封閉 API 模型就由供應商集中控制部署，同時掌握較大部分安全機制。

呢度存在真實嘅政策取捨。如果規管主要依賴集中式監察、預先測試、牌照或申報，大型 API 供應商可能較容易處理合規要求，因而較有利於佢哋嘅模式；呢個係對監管誘因嘅推論，唔係已被證實嘅必然結果。另一種做法，係針對高風險用途同實際營運者規管，而唔係直接禁止權重流通。史丹福研究人員亦提醒，中國開放權重模型若被廣泛採用，可能影響科技取得途徑、競爭、安全同 AI 管治。18

總結：一個有啟發性、但要保持戒心嘅早期實驗

QVQ-72B-Preview 係 2024 年 12 月一個值得留意嘅開放權重視覺推理實驗。Qwen 公布嘅成績顯示，佢喺 MMMU、MathVision 同 OlympiadBench 比 Qwen2-VL-72B 有提升；但同時，官方亦坦白承認佢有單輪圖片互動、唔支援影片、推理期間會失焦甚至幻覺等限制。3839

最值得記住嘅唔係「AI 已經識得完美睇圖思考」，而係：較強嘅圖像推理能力可以用可下載、可部署嘅方式釋出；而當部署自由度提高，嚴格測試、人工覆核同負責任營運就更加不可或缺。

QVQ-72B-Preview 可以理解為阿里巴巴 Qwen 團隊喺 2024 年 12 月推出嘅一個實驗性視覺推理模型。佢唔只係辨認張相入面有咩，目標係根據圖片證據，一步步處理較複雜嘅問題，例如睇圖表、理解示意圖、讀取圖片內文字，以及解視覺數學同科學題。

不過，個名入面嘅 Preview 好關鍵：Qwen 自己定位佢為研究型實驗模型，亦同時公開列出一系列可靠性同使用限制。3839 所以，佢較適合被視為一次「視覺理解＋多步推理」嘅早期開放權重嘗試，而唔係已經成熟、萬能嘅多模態助理。

佢點樣「睇圖再諗」？

用戶提交圖片加問題後，QVQ 旨在先從圖像找出相關資訊，再進行推論，最後作答。理論上，呢種方式適合以下場景：

• 解讀圖表、流程圖、幾何圖同其他視覺化資料；
• 讀取圖片嵌入嘅文字或數據；
• 處理要靠睇圖先做到嘅數學問題；
• 回答同科學觀察及推論有關嘅題目。

「72B」代表佢係 Qwen 系列入面嘅大型模型；而佢以 Qwen2-VL-72B 為基礎，特別加強圖像相關嘅延伸推理能力。3839

官方成績點睇？有進步，但唔等於實戰保證

Qwen 公布嘅比較表顯示，QVQ-72B-Preview 喺三項測試嘅分數如下：

基準測試	QVQ-72B-Preview	表內 Qwen2-VL-72B 對照
MMMU（驗證集）	70.3	64.5
MathVision（完整集）	35.9	25.9
OlympiadBench	20.4	11.2

MMMU 用嚟評估廣泛嘅大學程度多模態理解；MathVision 著重睇圖解數學題；OlympiadBench 則涵蓋高難度、中英雙語嘅數學同物理問題。按 Qwen 呢張表，QVQ 喺三項指標都高過所列嘅 Qwen2-VL-72B，符合佢主打「推理導向」嘅定位。3940

但要留意，以上係廠方自行公布嘅評測結果，唔係獨立驗證，亦唔能夠直接推論到真實工作流程會有同樣表現。遇上模糊圖片、問題寫得唔清楚、背景資料不足，或者推理鏈條脆弱時，模型照樣可能出錯。

上線時最重要嘅限制

QVQ 最值得留神嘅，其實唔只係分數，而係佢清楚劃咗一條「技術示範」同「實用工具」之間嘅界線。

只收圖片，唔支援影片

呢個 Preview 只接受圖片輸入，唔支援影片；即使較早嘅 Qwen2-VL 系列本身具備影片能力，QVQ 當時都未有提供。換句話講，佢只適合分析靜態畫面。3743

同一張圖做唔到連續追問

對一張圖片嘅互動基本上係單輪。用戶唔可以保留原有圖像脈絡再問追問問題；想就同一張圖問第二條問題，要重新上載圖片連同新提示詞。當時報道形容，模型係一次過產生分析同答案。34

諗得愈長，反而可能愈離題

Qwen 最重要嘅警告係：做多步視覺推理時，QVQ 可能慢慢失去對圖片內容嘅焦點，繼而產生幻覺。即係話，一段寫得好有條理、好似逐步拆解嘅長答案，未必真係每一步都仲有根據張圖。3338

模型文件亦提到，佢有機會突然夾雜其他語言或轉換語言，亦可能跌入循環推理，寫得好長但最終出唔到結論。3839

**實際意思係：**如果用喺重要決定、專業判讀或高風險工作，輸出一定要由人核實。睇到模型展示推理過程，並唔等於當中每個觀察都正確，或者真係源自圖片。

點解「開放權重」比一個模型名更值得討論？

QVQ 嘅意義唔只在於一張 benchmark 表，仲在於佢反映 Qwen 一類模型採取嘅開放權重路線。

所謂開放權重，即模型訓練後嘅參數可以下載、使用同修改。機構可以喺開發者自家 App 或 API 以外，自己運行模型，亦可以按新用途調整佢。18

對開發者而言，常見好處包括：

• **部署自主性：**可放喺自家伺服器、私有雲，或者自行揀選嘅雲端環境運行；
• **可調整性：**可以微調、量化，或者整合入專門系統；
• **較少 API 綁定：**唔使完全依賴單一供應商提供嘅雲端 API。

但控制權多咗，責任亦多咗。下載權重後自行運行嘅機構，要自己處理基礎設施、評估、存取控制、保安同防止濫用。路透指出，開放權重系統可被下載、檢查同修改，但亦可能以較少監管被修改及再分發。19

開放權重同封閉 API：唔係簡單嘅中美二分法

大方向上，唔少中國 AI 開發商近年積極推開放權重；OpenAI 同 Anthropic 等美國前沿供應商，則一般唔會公開旗下領先模型嘅可下載規格。19 不過，唔應該簡化成「中國一定開放、美國一定封閉」：實際策略會因模型、能力、公司同商業考量而變。

真正分別係運作模式：

• 開放權重模型畀使用者較大自由，決定模型喺邊度運行、點樣改；
• 封閉 API 模型就由供應商集中控制部署，同時掌握較大部分安全機制。

呢度存在真實嘅政策取捨。如果規管主要依賴集中式監察、預先測試、牌照或申報，大型 API 供應商可能較容易處理合規要求，因而較有利於佢哋嘅模式；呢個係對監管誘因嘅推論，唔係已被證實嘅必然結果。另一種做法，係針對高風險用途同實際營運者規管，而唔係直接禁止權重流通。史丹福研究人員亦提醒，中國開放權重模型若被廣泛採用，可能影響科技取得途徑、競爭、安全同 AI 管治。18

總結：一個有啟發性、但要保持戒心嘅早期實驗

QVQ-72B-Preview 係 2024 年 12 月一個值得留意嘅開放權重視覺推理實驗。Qwen 公布嘅成績顯示，佢喺 MMMU、MathVision 同 OlympiadBench 比 Qwen2-VL-72B 有提升；但同時，官方亦坦白承認佢有單輪圖片互動、唔支援影片、推理期間會失焦甚至幻覺等限制。3839

最值得記住嘅唔係「AI 已經識得完美睇圖思考」，而係：較強嘅圖像推理能力可以用可下載、可部署嘅方式釋出；而當部署自由度提高，嚴格測試、人工覆核同負責任營運就更加不可或缺。