阿里巴巴发布 QVQ-Max：能看、能理解、能思考的视觉推理模型

阿里巴巴推出一款名为 QVQ-Max 的全新视觉推理模型，这是其 Qwen模型系列中的最新成员。QVQ-Max 的独特之处在于它能够理解照片和视频的内容，并对这些信息进行分析和推理，从而提供解决方案。

• 项目主页：https://qwenlm.github.io/zh/blog/qvq-max-preview

核心功能与应用场景

视觉推理能力

QVQ-Max 的核心优势在于其强大的视觉推理能力。它能够“看见”、“理解”并“思考”世界中的事物，通过解析图像和识别关键元素，提供深度分析和解决方案。具体应用场景包括：

• 插图设计：帮助设计师快速生成创意插图。
• 视频脚本生成：根据视频内容生成脚本，提升内容创作效率。
• 角色扮演：为角色扮演游戏提供视觉和逻辑支持。
• 教育辅助：解决附带图表的数学和物理问题，辅助教学。
• 烹饪指导：根据食谱图片指导用户烹饪。

多领域应用

与其他 AI 聊天机器人类似，QVQ-Max 不仅可以帮助用户完成工作、教育或个人生活中的任务，还能在更多领域发挥作用。例如：

• 解决复杂问题：通过视觉分析，解决复杂的图表和数据问题。
• 操作设备：帮助用户操作手机和电脑，甚至玩游戏。
• 内容创作：生成高质量的视觉内容，提升创作效率。

未来发展方向

阿里巴巴表示，QVQ-Max 目前只是第一个迭代版本，未来将进行多项改进：

1. 提高图像识别准确性：通过“grounding技术”验证观察结果，提升图像识别的准确性。
2. 处理多步骤任务：增强模型处理多步骤任务和复杂问题的能力，使其能够操作设备、玩游戏等。
3. 扩展交互功能：从仅支持基于文本的交互扩展到包括工具验证和视觉生成的功能，进一步提升用户体验。

如何使用 QVQ-Max

要开始使用 QVQ-Max，用户可以访问 chat.qwen.ai，点击左上角的模型下拉菜单，选择“Expand more models”（展开更多模型），并选中 QVQ-Max。进入聊天框后，用户可以上传视觉内容（如图片或视频），体验其强大的视觉推理能力。