阿里通义千问发布视觉推理模型QVQ-72B-Preview

阿里通义千问团队今日发布了一项开源视觉推理模型QVQ-72B-Preview，该模型基于Qwen2-VL-72B构建，能够通过逻辑推理解决复杂的物理问题。他们对QVQ-72B-Preview进行了四个数据集上的评估，包括MMMU、MathVista、MathVision和OlympiadBench。

测试结果显示，QVQ-72B-Preview在MMMU基准测试中取得了70.3的分数，在剩余三个专注于数学和科学问题的基准测试中表现出色，有效缩小了与领先的最先进的o1模型之间的差距。然而，他们也指出该模型存在一些限制需要注意：语言混合与切换可能会导致响应清晰度受到影响；递归推理可能会导致模型陷入循环逻辑模式而无法得出结论；安全和伦理考虑需要加强以确保可靠和安全的性能；尽管该模型在视觉推理方面有所改善，但它无法完全替代Qwen2-VL-72B的能力，并且在多步骤视觉推理过程中可能会逐渐失去对图像内容的关注。

总体而言，这项研究为增强视觉推理能力提供了新的进展。