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,
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:
chat.qwen.ai
参考链接:
1\][qwenlm.github.io/zh/blog/qvq...](https://link.juejin.cn?target=https%3A%2F%2Fqwenlm.github.io%2Fzh%2Fblog%2Fqvq-max-preview%2F "https://qwenlm.github.io/zh/blog/qvq-max-preview/") \[2\][x.com/Alibaba_Qwe...](https://link.juejin.cn?target=https%3A%2F%2Fx.com%2FAlibaba_Qwen%2Fstatus%2F1905342260100956210 "https://x.com/Alibaba_Qwen/status/1905342260100956210") **欢迎在评论区留下你的想法!** --- **完** ---