阿里通义千问Qwen团队近日发布了一项令人瞩目的技术进展，他们推出了名为QVQ-72B-Preview的开源视觉推理模型。这款模型基于Qwen2-VL-72B构建，旨在解决复杂的物理问题，通过逻辑推理找到解决方案，仿佛拥有物理学大师般的智慧。
为了全面评估QVQ-72B-Preview的能力，阿里通义千问团队在四个数据集上进行了测试。首先是MMMU，这是一个涵盖多学科、多模态的大学级别评测集，用于检验模型在视觉相关综合理解和推理方面的表现。其次是MathVista，一个专注于数学视觉推理的测试集，要求模型在拼图测试图形的逻辑推理、函数图的代数推理以及学术论文图形的科学推理等方面展现能力。接下来是MathVision，一个来自真实数学竞赛的高质量多模态数学推理测试集，其问题多样性和学科广度相较于MathVista更为丰富。最后是OlympiadBench，这是一个奥林匹克竞赛级别的双语多模态科学基准测试集，包含了8476个来自奥林匹克数学和物理竞赛的问题，甚至包括中国高考题目，每个问题都附有专家级别的详细推理步骤。
测试结果显示，QVQ-72B-Preview在MMMU基准测试中取得了70.3的高分，这一成绩显著超越了其前身Qwen2-VL-72B-Instruct。同时，在MathVista、MathVision和OlympiadBench这三个专注于数学和科学问题的基准测试中，QVQ-72B-Preview也展现出了卓越的性能，有效缩小了与当前最先进的o1模型之间的差距。
然而，阿里通义千问Qwen团队也坦诚地指出了QVQ-72B-Preview目前存在的限制。在语言处理方面，模型可能会意外地混合或切换语言，从而影响响应的清晰度。在逻辑推理方面，模型可能会陷入循环逻辑模式，导致产生冗长的响应而无法得出明确的结论。从安全和伦理的角度考虑，模型还需要进一步增强安全措施，以确保其性能和使用的可靠性及安全性，用户在部署时应格外谨慎。
尽管QVQ-72B-Preview在视觉推理方面取得了显著的进步，但团队也强调，它并不能完全替代Qwen2-VL-72B的能力。特别是在多步骤视觉推理过程中，模型可能会逐渐失去对图像内容的关注，导致产生幻觉现象。因此，团队将继续对这一模型进行改进和优化，以期在未来实现更加精准和高效的视觉推理。
