12月25日圣诞节当天，阿里通义千问Qwen团队发文宣布推出首个开源视觉推理模型——QVQ-72B-Preview。该模型展现出优秀的视觉理解和推理能力，在解决数学、物理、科学等领域的复杂推理问题上表现尤为突出。
Qwen团队在 4 个数据集上评估了QVQ-72B-Preview，包括MMMU、MathVista、MathVision 、OlympiadBench。其中在MMMU 基准测试中取得了 70.3 的分数，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，QVQ-72B-Preview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。
> 在302.AI上使用
当前302.AI的聊天机器人和API超市均上线了QVQ-72B-Preview模型。
302.AI提供按需付费的服务方式，无论是企业还是个人用户，都能够依据实际需求灵活选择使用模型，从而满足自身需求。
【聊天机器人】
用户可以通过聊天机器人快速体验最新模型。302.AI的聊天机器人提供市场上多种先进模型，并持续进行更新，保持与市场的发展同步。以下是在聊天机器人中获取QVQ-72B-Preview模型 的步骤：
1、进入302.AI——点击左侧菜单栏使用机器人——选择聊天机器人——点击模型——选择QVQ-72B-Preview模型并确定，最后点击创建聊天机器人按钮；
【API超市】
302.AI的API超市涵盖了多种API，且分类明晰。企业用户可以通过302.AI的API超市快速、便捷地调用模型，还能够根据特定项目需求进行定制化开发，加快AI应用的研发与部署流程。以下是在API超市中获取QVQ-72B-Preview的详细步骤：
1、进入302.AI后——点击使用API——选择API超市——分类中点击语言大模型——选择开源模型。
2、下滑可以看到已经提供了模型QVQ-72B-Preview的API，可按需选择【查看文档】快速接入API或者【在线体验】测试模型的参数。
> 实测对比
为了更直观了解模型，下面会使用302.AI的模型竞技场进行模型对比。
对比模型：QVQ-72B-Preview、Doubao-vision-pro-32k、grok-2-vision-1212；
对比模型均是多模态模型，且价格较为接近。
实测1：图像内容识别
提示词：请问图片中的是什么水果，共有多少个？
分析：第一轮是图像内容识别测试，旨在评估模型在视觉感知和理解方面的能力。根据图片，正确答案为5个苹果，有一个苹果隐藏在后侧只微微露出一点。
QVQ-72B-Preview：物体识别正确，但数量回答错误。
Doubao-vision-pro-32k：物体识别正确，虽然在输出的答案中非常详细地描述了苹果的外型，但是数量没答对。
grok-2-vision-1212：物体与数量都回答正确。
实测2：物理测试
提示词：请根据图片回答问题
分析：根据介绍Qwen团队介绍，QVQ-72B-Preview模型非常擅长物理方面的问题。因此，第二轮实测为一道中考物理题。
QVQ-72B-Preview：回答正确，但是输出的回答先是分析题目得出答案，再对答案进行验算，对比其他模型的答案，整体篇幅较长。
Doubao-vision-pro-32k：回答较为简洁清晰且答案正确。
grok-2-vision-1212：虽然输出的格式很规整，但可惜回答错误。
实测3：图形推理测试
提示词：请问图片中问号处应该填什么？
分析：这是一个逻辑推理，需要模型找出正确的规律。
答案分析：问号处为第四列数字，根据图片上的数字，可以得出规律：第四列的数字=（第一列的数字+第二列的数字）x（第二列的数字）。例如第一行：（2+3）x3=15，第二行：（3+4）x4=28，以此类推，所以问号处的数字是：（6+7）x7=91。
QVQ-72B-Preview：首先QVQ最后的答案是正确的，但是这次输出的答案篇幅更长。在得出答案后，还一直寻找其他规律，然后开启反复验算、否定的思路过程。
Doubao-vision-pro-32k：分析错误，寻找的规律一开始就并不成立，最后回答错误，
grok-2-vision-1212：分析错误，答案错误。
实测中存在的问题：
实测过程中，我们发现模型在面对较为复杂的题目容易陷入无限循环思考，久久无法给出答案，最终只能手动暂停输出。我们尝试在提示词中加入限制“得到答案后不需要进行反复验算”，也无法避免。比如：
面对复杂的数学题目时：
面对复杂的图形推理题时：
> 总结：
通过以上实测，可以初步得出以下结论：
内容识别测试：在内容测试中未能给出正确答案，这表明在视觉感知能力方面还存在不足。
物理测试：在物理测试中给出了正确答案，展现了出色的物理解题能力。
图形推理测试：QVQ-72B-Preview的输出在逻辑推理题上相对冗长，虽然最终得出的答案是正确的，但其推理过程显得有些繁琐。
总体来看，QVQ-72B-Preview展现了一定的视觉理解和推理能力，但输出答案过长，用户在使用过程中无法快速获取答案，且过长的答案输出可能包含模型生成的错误或无关信息，从而增加幻觉风险。
此外，Qwen团队还指出，QVQ-72B-Preview模型目前存在“会意外地混合语言或在语言之间切换，从而影响响应的清晰度”的问题，但在实测中我们未遇得到这样的情况。
随着进一步的优化和迭代，期待Qwen团队在未来能够克服现有的不足，带来更优质的多模态模型。
