金磊 发自 凹非寺

量子位 | 公众号 QbitAI

阿里又发了个有意思的大模型——

QVQ-Max，第一版视觉推理模型，对任意图像或视频都可以进行深度思考。

举个有趣的例子，上传一张你的手掌，再点击

Thinking，QVQ-Max就可以给你看手相：

可以看到，在深度思考过后，QVQ-Max就开始逐步分析手掌上的线条和其他特征。

包括心线、头线、生命线等主要线条的分析，以及戒指手指上的金戒指的象征意义。

这还只是一个比较有娱乐性的例子。

如果你一口气给QVQ-Max“喂”多张图片，它也可以进行深度思考：

这两张图片描绘了哪些风景？它们之间的关系是什么？

在一顿思考过后，QVQ-Max准确地识别出两张图联系——都是西湖的风景，但一张是春夏时节，另一张是冬季。

再如数学推理，同样是给它“喂”一张图即可，连提问都省了：

在思考之后，QVQ-Max是找到了数字们之间的规律，并最终给出了正确答案：10。

以及直接上传一个手绘简笔画视频，并附上一句：

分析视频，将视觉内容与文字结合，并为视频中的镜头创建生动有趣的字幕。

最终，QVQ-Max依旧是稳稳地完成了任务。

网友们看罢，也是麻溜地去试了试。

不过这一次，QVQ-Max有点小翻车——路飞是认对了，但这个乔巴……

以及啊，这两天被OpenAI GPT-4o图像生成带火的吉卜力，网友们也是跟上了：

那么QVQ-Max的图像视频深度思考实力到底如何，我们这就亲手尝试一番。

实测QVQ-Max

首先，我们还是来测试一下QVQ-Max看图解数学题的能力。

题目是这样的：

然后我们提问：

这道题的答案是多少？

在深度思考过后，QVQ-Max不仅精准识别出了手写的题目，而且给出了正确答案：2。

刚才Qwen官方给出了看手相的例子，这次我们再来“喂”下这张图：

问题是这样的：

这是什么？

嗯，是比较全面地介绍了星盘。

接下来，我们再来测试一下视频推理，例子就用Anthropic最新发布的一个：

若是刨去视频里的背景音，单是看内容，还是比较抽象的。

对此，QVQ-Max给出的理解是：

从观察到推理

除了效果之外，虽然Qwen团队没有公布相关论文，但对于背后的技术亮点，团队还是简单的介绍了一番。

首先，团队在MathVision这个benchmark（汇集各类困难多模态数学）上进行了一番测试：

结果表明，通过调整模型thinking的最大长度，模型在MathVision上的准确率也会持续提升。

除此之外，团队还总结了QVQ-Max的三大能力特点。

包括对图片的解析能力非常强，无论是复杂的图表还是日常生活中随手拍的照片，它都能快速识别出关键元素。比如，它可以告诉你一张照片里有哪些物品、有什么文字标识，甚至还能指出一些你可能忽略的小细节。

仅仅识别出图片里的内容还不够，QVQ-Max还能进一步分析这些信息，并结合背景知识得出结论。

例如，在一道几何题中，它可以根据题目附带的图形推导出答案；在一段视频里，它能根据画面内容推测出接下来可能发生的情节。

除了分析和推理，QVQ-Max还能做一些有趣的事情，比如帮你设计插画、生成短视频脚本，甚至根据你的需求创作角色扮演的内容。

如果你上传一幅草稿，它可能会帮你完善成一幅完整的作品；上传一个日常照片，它可以化身犀利的评论家，占卜师。

值得注意的是，QVQ-Max是免费可用的哦，感兴趣的朋友快去试试吧~

体验地址：https://chat.qwen.ai

参考链接：
[1]https://qwenlm.github.io/zh/blog/qvq-max-preview/
[2]https://x.com/Alibaba_Qwen/status/1905342260100956210

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态

点击扫码分享至微信