不止于看，更在于思。

原標題：眼腦并用！Qwen 開源 QVQ 刷新視覺推理想象力
文章來源：特工宇宙
內(nèi)容字數(shù)：2966字

通義千問QVQ：開源多模態(tài)推理模型，為AGI鋪路

人工智能領(lǐng)域正經(jīng)歷著前所未有的快速發(fā)展。從單模態(tài)到多模態(tài)，從基礎(chǔ)對話到深度推理，AI 的能力不斷突破人類認知的邊界。尤其在2023年下半年，隨著GPT-4V、Claude-3等新一代多模態(tài)模型的涌現(xiàn)，“視覺智能”成為了行業(yè)關(guān)注的焦點。然而，真正的突破并非僅僅停留在“看得見”，更在于“想得透”。

多模態(tài)推理的突破：QVQ的出現(xiàn)

目前，大多數(shù)多模態(tài)模型仍處于“看圖說話”的階段，能夠?qū)⒁曈X信息與深度推理相結(jié)合的模型少之又少。更重要的是，領(lǐng)先的多模態(tài)模型大多選擇閉源，限制了技術(shù)的進一步發(fā)展和應(yīng)用。在這個背景下，阿里云通義千問于2023年末圣誕節(jié)發(fā)布的全球首個開源多模態(tài)推理模型QVQ-72B-Preview，無疑為該領(lǐng)域注入了新的活力。 QVQ的出現(xiàn)，被許多業(yè)內(nèi)人士譽為視覺推理領(lǐng)域的里程碑，甚至登上了Hacker News第二名。

QVQ的強大能力：超越簡單的“看圖說話”

QVQ在MMMU、MathVista等權(quán)威評測集上取得了令人矚目的成績，展現(xiàn)了超預(yù)期的視覺理解和推理能力。它不僅能夠識別圖片內(nèi)容，更能夠進行深度推理。例如，它可以準確識別電影片段的名稱，分辨游戲畫面中的細節(jié)，甚至可以勝任復(fù)雜的數(shù)學(xué)和物理題。 更令人印象深刻的是，QVQ能夠通過圖片中的細微線索進行推理，例如根據(jù)地鐵照片中的信息推斷當(dāng)前站點和列車行駛方向，并給出合理的出行建議。這展現(xiàn)了其強大的觀察力和邏輯推理能力。

QVQ的局限性和未來展望

盡管QVQ展現(xiàn)了強大的能力，但正如通義千問官方博客中所述，它仍然存在一些局限性，例如在語言混合、代碼切換和遞歸推理方面存在不足。但這并不影響其重要意義。QVQ的價值在于它展現(xiàn)了一種可能性：當(dāng)圖像和語言在機器的“大腦”中不再是兩條平行線，會產(chǎn)生怎樣的火花？

開源的意義：推動AGI發(fā)展

QVQ的開源，使得更多研究者可以參與到多模態(tài)推理模型的開發(fā)和改進中，這將極大地推動該領(lǐng)域的發(fā)展。通義千問的愿景是開發(fā)一個全方位的智能模型，而QVQ正是通往AGI（通用人工智能）漫長道路上的一塊重要基石。 它并非完美，但其帶來的啟示和推動作用是不可估量的。

結(jié)語

QVQ的出現(xiàn)，標志著多模態(tài)推理技術(shù)邁出了關(guān)鍵的一步。它不僅能“看”和“說”，更重要的是開始“思考”和“推理”。 這不僅是技術(shù)的進步，更是對人工智能未來發(fā)展方向的一次重要探索，預(yù)示著未來AI將擁有更強大的認知和解決問題的能力。

聯(lián)系作者

文章來源：特工宇宙
作者微信：
作者簡介：Agent Universe，專注于智能體的AI科技媒體。