QVQ-Max – 阿里通义推出的视觉推理模型

QVQ-Max是什么

QVQ-Max 是阿里通义推出的视觉推理模型，是QVQ-72B-Preview的正式升级版。QVQ-Max能“看懂”图片和视频内容，结合信息进行分析、推理和解决问题。QVQ-Max支持应用于学习、工作和生活场景，如解答数学难题、协助数据分析、提供穿搭建议等。QVQ-Max在视觉推理能力上展现出强大的潜力，有望成为实用的视觉智能助手，帮助人们解决更多实际问题。

QVQ-Max的主要功能

• 图像解析：快速识别图像中的关键元素，包括物体、文字标识及容易被忽略的小细节。
• 视频分析：分析视频内容，理解场景，根据当前画面推测后续情节。
• 深入推理 ：进一步分析图片内容，结合相关背景知识进行推理。
• 创意生成：根据用户需求创作角色扮演内容，如设计插画、创作短视频脚本等。

QVQ-Max的性能表现

在MathVision benchmark测试中，调整模型的最大思维长度，模型的准确率持续提升，展现出在解决复杂数学问题上的巨大潜力。

QVQ-Max的生成示例

• 多图像识别

• 数学推理

• 解读手相

QVQ-Max的项目地址

• 项目官网：https://qwenlm.github.io/zh/blog/qvq-max

如何使用QVQ-Max

• 访问网站：访问QwenChat的官方网站。
• 注册和登录：根据提示创建账户并登录。
• 开启视觉推理功能：在网页界面中选择QVQ-Max视觉推理模型。
• 输入问题或任务：在输入框中上传图片或视频，进行任务或问题描述。
• 提交问题：输入完毕后，进行提交。
• 等待模型响应：模型根据输入内容生成回答或解决方案。

QVQ-Max的未来计划

• 提升观察准确性：基于视觉内容的校验技术（如 grounding），验证模型对图像和视频的观察结果，提高识别的准确性。
• 强化视觉 Agent 能力：增强模型处理多步骤和复杂任务的能力，例如操作智能手机和电脑，甚至参与游戏，成为更强大的视觉智能助手。
• 丰富交互方式：让模型在思考和交互过程中突破文字限制，涵盖更多模态，如工具校验、视觉生成等，提供更丰富的交互体验。

QVQ-Max的应用场景

• 职场辅助：协助完成数据分析、信息整理、编程代码编写等工作，提高工作效率。
• 学习辅导：帮助学生解答数学、物理等科目的难题。
• 生活助手：根据衣柜照片推荐穿搭方案，依据食谱图片指导烹饪，提供生活中的实用建议。
• 创意创作：支持艺术创作，如设计插画、生成短视频脚本、创作角色扮演内容等，激发创意灵感。
• 视觉分析：分析建筑图纸、工程图表等复杂图像，辅助专业领域的决策和设计。