阿里推出“眼睛”模型QVQ：全球第一个用于视觉推理的开放权重模型

人的语言和视觉紧密交织，塑造着我们感知和理解世界的方式，QVQ的主要目标是模仿人的这一思维方式

QVQ 在人工智能的视觉理解和复杂问题解决能力方面实现了重大突破。在 MMMU 评测中，QVQ 取得了 70.3 的优异成绩，并且在各项数学相关基准测试中相比 Qwen2-VL-72B-Instruct 都有显著提升。通过细致的逐步推理，QVQ 在视觉推理任务中展现出增强的能力，尤其在需要复杂分析思维的领域表现出色

模型表现

QVQ在 4 个数据集上评估 QVQ-72B-Preview，包括：

MMMU：大学级别的多学科多模态评测集，旨在考察模型视觉相关的综合理解和推理能力

MathVista：数学相关的视觉推理测试集，评估拼图测试图形的逻辑推理、函数图的代数推理和学术论文图形的科学推理等能力

MathVision：高质量多模态数学推理测试集，来自于真实的数学竞赛，相比于MathVista具有更多的问题多样性和学科广度

OlympiadBench：奥林匹克竞赛级别的双语多模态科学基准测试集，包含来自奥林匹克数学和物理竞赛的8,476个问题，包括中国高考。每个问题都附有专家级别的注释，详细说明了逐步推理的过程

QVQ-72B-Preview 在 MMMU 基准测试中取得了 70.3 的分数，显著超越了 Qwen2-VL-72B-Instruct。此外，在剩下的三个专注于数学和科学问题的基准测试中，该模型表现出色，有效缩小了与领先的最先进的 o1 模型之间的差距

阿里展示几个QVQ解题的例子，QVQ可以展现实时思维过程