总部位于中国的电商巨头阿里巴巴继推出对标OpenAI o1模型的QwQ-32B-Preview后，其人工智能研究团队Qwen再次发布开源新模型——QVQ-72B-Preview。该模型具备图像分析与推理能力，目前处于实验阶段，在视觉推理任务中表现优异。
🧠 核心特性：类o1的视觉推理机制
与主流推理模型类似，QVQ-72B-Preview采用“逐步思考”模式解决问题。当接收图像和指令时，系统会进行分析并预留思考时间，最终输出带置信度评分的答案。其行为逻辑与OpenAI o1、Google Flash Thinking等推理模型高度相似。
据悉，该模型基于Qwen现有视觉语言模型Qwen2-VL-72B构建，新增了深度思考与推理能力，是该类别中的首个开源模型。尽管其与QwQ推理模型存在相似性，但官方暂未披露两者具体关联。
📊 基准测试：多项指标超越GPT-4o
Qwen通过MMMU（大学水平视觉理解）、MathVista（数学图表推理）、MathVision（数学竞赛问题）及OlympiadBench（中英奥赛级数理问题）四大标准进行测试。结果显示，QVQ准确率对标OpenAI o1和Anthropic Claude 3.5 Sonnet，显著优于前代Qwen2-VL-72B-Instruct：
- MMMU测试：获70.3分，虽未超越o1，但成功领先GPT-4o和Claude 3.5 Sonnet；
- MathVista测试：获71.4分，表现优于o1、GPT-4o及Claude 3.5 Sonnet。
⚠️ 当前局限与未来展望
QVQ-72B-Preview仍存在一定局限性：可能意外切换语言或陷入推理循环（o1模型亦有此问题），且在复杂视觉推理中易丢失关注点导致幻觉。团队表示需进一步强化才能广泛商用。目前用户可通过Hugging Face访问体验。
Qwen团队将此次发布视为迈向通用人工智能（AGI）的关键一步，并预告未来将推出类似GPT-4o的全能型模型。