QVQ-72B-Preview 是阿里巴巴 Qwen 團隊在 2024 年 12 月推出的實驗型研究模型，核心目標是提升「視覺推理」能力：AI 不只是辨識一張圖片裡有什麼，還要能根據圖片中的文字、圖表、位置關係或題目條件，一步步推導答案。它以 Qwen2-VL-72B 為基礎，但定位不是成熟的通用多模態助理，而是一次面向複雜看圖推理的開放權重嘗試。3839

它能做什麼？重點在「看懂後再推」

使用者提供圖片與文字指令後，QVQ 的設計方向是先從圖像擷取證據，再完成後續的邏輯或數學推理。適用情境包括：

• 判讀圖表、示意圖與流程圖
• 讀取圖片內嵌的文字與資訊
• 解答含圖片的數學題
• 回答需要觀察圖像並進一步推論的科學問題

名稱中的「72B」代表它屬於大型 Qwen 模型家族；而「Preview」同樣關鍵，因為 Qwen 明確將其定位為實驗研究模型，並在模型文件中主動列出多項限制。3839

基準成績：比 Qwen2-VL-72B 高，但不能直接等同實戰表現

Qwen 公布的比較表中，QVQ-72B-Preview 與表列 Qwen2-VL-72B 的結果如下：

評測項目	QVQ-72B-Preview	Qwen2-VL-72B 對照成績
MMMU（驗證集）	70.3	64.5
MathVision（完整集）	35.9	25.9
OlympiadBench	20.4	11.2

MMMU 用於評估廣泛的大學程度多模態理解；MathVision 聚焦圖像式數學題；OlympiadBench 則涵蓋高難度的中英雙語數學與物理問題。依 Qwen 的表列結果，QVQ 在這三項測試都高於 Qwen2-VL-72B，符合其強化推理的定位。3940

不過，這些是廠商自行報告的評測數字，不能直接推論模型在真實工作流程裡也會有相同穩定度。圖片模糊、提問方式特殊、上下文不足，或推理鏈條脆弱，都可能造成失誤。

發表時最需要注意的限制

只接受圖片，不支援影片

QVQ-72B-Preview 可處理靜態圖片，但不支援影片輸入；這一點反而比先前具備影片能力的 Qwen2-VL 系列更受限。3743

同一張圖無法延續多輪追問

它的圖片互動實質上是單輪模式。使用者不能在保留原圖脈絡下持續追問；若要針對同一張圖片問另一個問題，必須重新上傳圖片並提交新的提示詞。當時的報導將其描述為一次完成分析的模式。34

推理愈長，愈可能離開圖片證據

更值得留意的是 Qwen 自己提出的警告：進行多步驟視覺推理時，QVQ 可能逐漸失去對圖片內容的聚焦，進而產生幻覺。換句話說，一段看似有條理、篇幅很長的說明，未必仍然忠實建立在圖像證據之上。3338

模型文件也提到，它偶爾會混用語言或突然切換語言；也可能陷入遞迴式推理迴圈，產生冗長內容卻無法得出結論。3839

**實務上的結論是：**若用於高風險決策，QVQ 的輸出必須由人或其他驗證流程覆核。看得到推理過程，不代表每一個觀察與推論都正確，或確實來自圖片。

為何開放權重比單一模型更受關注？

QVQ 的意義不只在於成績，也在於它延續 Qwen 的開放權重路線。所謂開放權重，是指模型訓練後的參數可供下載、使用與修改；組織可以在開發商 App 或 API 之外自行執行模型，並針對特定用途調整它。18

對開發者與企業來說，這通常帶來幾項優勢：

• **部署自主性：**可在自有伺服器、私有雲或選定的雲端環境執行。
• **調整彈性：**可進行微調、量化，或整合至專用系統。
• **降低綁定：**不必完全依賴單一廠商提供的 API。

但自主性也伴隨責任。下載權重後自行營運的組織，必須承擔基礎設施、效能評估、存取控管、資安與防止濫用等工作。路透指出，開放權重系統可被下載、檢視與修改，同時也可能在相對有限的監督下被修改與再散布。19

開放權重與封閉 API：不是國別二分，而是營運模式差異

許多中國開發商近年積極推廣開放權重，而 OpenAI、Anthropic 等美國前沿 AI 業者通常不公開其領先模型的可下載權重；這個趨勢確實存在。19 不過，不能簡化成「中國模型都開放、美國模型都封閉」：不同公司、模型能力與商業策略，選擇都可能不同。

真正重要的差別在於：

• 開放權重模型讓使用者對模型在哪裡、如何執行擁有較多控制權。
• 封閉式 API 模型則由供應商集中管理部署與大部分安全機制。

這也帶來政策上的取捨。若監管主要依賴集中式的監控、測試、許可或通報制度，大型 API 業者可能更容易負擔合規成本，因而更符合其營運模式；這是對監管誘因的推論，並非既定結果。政策同樣可以把焦點放在高風險應用與實際部署者，而不必一律禁止權重散布。史丹佛研究者指出，中國開放權重模型在全球的普及，可能影響技術取得、競爭、安全與 AI 治理。18

結論

QVQ-72B-Preview 是一項值得記住的早期實驗：它展示了開放權重模型也能挑戰更複雜的圖像推理，並在 Qwen 公布的 MMMU、MathVision 與 OlympiadBench 數據上展現相對於 Qwen2-VL-72B 的提升。

但它同時清楚暴露了早期多模態推理模型的邊界：不支援影片、無法針對同一圖片持續多輪對話，而且長篇推理可能脫離視覺事實。它帶來的啟示不是「推理鏈已解決多模態 AI 的可靠性」，而是：當更強的視覺推理能力能被下載與自行部署時，嚴謹評估與負責任營運會變得更加重要。3839

QVQ-72B-Preview 是阿里巴巴 Qwen 團隊在 2024 年 12 月推出的實驗型研究模型，核心目標是提升「視覺推理」能力：AI 不只是辨識一張圖片裡有什麼，還要能根據圖片中的文字、圖表、位置關係或題目條件，一步步推導答案。它以 Qwen2-VL-72B 為基礎，但定位不是成熟的通用多模態助理，而是一次面向複雜看圖推理的開放權重嘗試。3839

它能做什麼？重點在「看懂後再推」

使用者提供圖片與文字指令後，QVQ 的設計方向是先從圖像擷取證據，再完成後續的邏輯或數學推理。適用情境包括：

• 判讀圖表、示意圖與流程圖
• 讀取圖片內嵌的文字與資訊
• 解答含圖片的數學題
• 回答需要觀察圖像並進一步推論的科學問題

名稱中的「72B」代表它屬於大型 Qwen 模型家族；而「Preview」同樣關鍵，因為 Qwen 明確將其定位為實驗研究模型，並在模型文件中主動列出多項限制。3839

基準成績：比 Qwen2-VL-72B 高，但不能直接等同實戰表現

Qwen 公布的比較表中，QVQ-72B-Preview 與表列 Qwen2-VL-72B 的結果如下：

評測項目	QVQ-72B-Preview	Qwen2-VL-72B 對照成績
MMMU（驗證集）	70.3	64.5
MathVision（完整集）	35.9	25.9
OlympiadBench	20.4	11.2

MMMU 用於評估廣泛的大學程度多模態理解；MathVision 聚焦圖像式數學題；OlympiadBench 則涵蓋高難度的中英雙語數學與物理問題。依 Qwen 的表列結果，QVQ 在這三項測試都高於 Qwen2-VL-72B，符合其強化推理的定位。3940

不過，這些是廠商自行報告的評測數字，不能直接推論模型在真實工作流程裡也會有相同穩定度。圖片模糊、提問方式特殊、上下文不足，或推理鏈條脆弱，都可能造成失誤。

發表時最需要注意的限制

只接受圖片，不支援影片

QVQ-72B-Preview 可處理靜態圖片，但不支援影片輸入；這一點反而比先前具備影片能力的 Qwen2-VL 系列更受限。3743

同一張圖無法延續多輪追問

它的圖片互動實質上是單輪模式。使用者不能在保留原圖脈絡下持續追問；若要針對同一張圖片問另一個問題，必須重新上傳圖片並提交新的提示詞。當時的報導將其描述為一次完成分析的模式。34

推理愈長，愈可能離開圖片證據

更值得留意的是 Qwen 自己提出的警告：進行多步驟視覺推理時，QVQ 可能逐漸失去對圖片內容的聚焦，進而產生幻覺。換句話說，一段看似有條理、篇幅很長的說明，未必仍然忠實建立在圖像證據之上。3338

模型文件也提到，它偶爾會混用語言或突然切換語言；也可能陷入遞迴式推理迴圈，產生冗長內容卻無法得出結論。3839

**實務上的結論是：**若用於高風險決策，QVQ 的輸出必須由人或其他驗證流程覆核。看得到推理過程，不代表每一個觀察與推論都正確，或確實來自圖片。

為何開放權重比單一模型更受關注？

QVQ 的意義不只在於成績，也在於它延續 Qwen 的開放權重路線。所謂開放權重，是指模型訓練後的參數可供下載、使用與修改；組織可以在開發商 App 或 API 之外自行執行模型，並針對特定用途調整它。18

對開發者與企業來說，這通常帶來幾項優勢：

• **部署自主性：**可在自有伺服器、私有雲或選定的雲端環境執行。
• **調整彈性：**可進行微調、量化，或整合至專用系統。
• **降低綁定：**不必完全依賴單一廠商提供的 API。

但自主性也伴隨責任。下載權重後自行營運的組織，必須承擔基礎設施、效能評估、存取控管、資安與防止濫用等工作。路透指出，開放權重系統可被下載、檢視與修改，同時也可能在相對有限的監督下被修改與再散布。19

開放權重與封閉 API：不是國別二分，而是營運模式差異

許多中國開發商近年積極推廣開放權重，而 OpenAI、Anthropic 等美國前沿 AI 業者通常不公開其領先模型的可下載權重；這個趨勢確實存在。19 不過，不能簡化成「中國模型都開放、美國模型都封閉」：不同公司、模型能力與商業策略，選擇都可能不同。

真正重要的差別在於：

• 開放權重模型讓使用者對模型在哪裡、如何執行擁有較多控制權。
• 封閉式 API 模型則由供應商集中管理部署與大部分安全機制。

這也帶來政策上的取捨。若監管主要依賴集中式的監控、測試、許可或通報制度，大型 API 業者可能更容易負擔合規成本，因而更符合其營運模式；這是對監管誘因的推論，並非既定結果。政策同樣可以把焦點放在高風險應用與實際部署者，而不必一律禁止權重散布。史丹佛研究者指出，中國開放權重模型在全球的普及，可能影響技術取得、競爭、安全與 AI 治理。18

結論

QVQ-72B-Preview 是一項值得記住的早期實驗：它展示了開放權重模型也能挑戰更複雜的圖像推理，並在 Qwen 公布的 MMMU、MathVision 與 OlympiadBench 數據上展現相對於 Qwen2-VL-72B 的提升。

但它同時清楚暴露了早期多模態推理模型的邊界：不支援影片、無法針對同一圖片持續多輪對話，而且長篇推理可能脫離視覺事實。它帶來的啟示不是「推理鏈已解決多模態 AI 的可靠性」，而是：當更強的視覺推理能力能被下載與自行部署時，嚴謹評估與負責任營運會變得更加重要。3839