通义千问推出 QVQ-Max 视觉推理模型第一版

通义千问发文宣布正式推出 QVQ-Max 视觉推理模型的第一版。

公告称，这一新版本的模型具备强大的多模态处理能力，它不仅能够“看懂”图片和视频里的内容，还能结合这些信息进行分析、推理，甚至给出解决方案。从数学题到生活小问题，从编程代码到艺术创作，QVQ-Max 都表现出了不俗的能力。

QVQ-Max 的应用范围很广，无论是在学习、工作还是日常生活中，它都能派上用场：

• 职场工具：在工作中，QVQ-Max 可以协助完成数据分析、信息整理、编程写代码等任务。
• 学习助手：对于学生来说，QVQ-Max 可以帮助解答数学、物理等科目的难题，尤其是那些配有图表的题目。它还能通过直观的方式讲解复杂概念，让学习变得更轻松。
• 生活小帮手：在生活中，QVQ-Max 也能提供不少实用建议。比如，它可以根据你的衣柜照片推荐穿搭方案，或者根据食谱图片指导你如何烹饪一道新菜。

目前的 QVQ-Max 只是第一版。项目团队计划接下来重点关注以下几个方向：

• 更准确地观察：通过视觉内容的校验，如grounding 来检查观察内容的准确性提高识别能力。
• 视觉Agent：提升模型在处理多步和更复杂的任务，如手机电脑操控，玩游戏。
• 更好的交互：让模型在思考和交互中不局限于文字，还可以涵盖更多的模态，比如工具校验，视觉生成等。