Alibaba Qwen lanza QVQ-Max: modelo de razonamiento visual con evidencia

Alibaba Qwen ha presentado QVQ-Max, la primera versión de su modelo de razonamiento visual, que va más allá del QVQ-72B-Preview preliminar lanzado en diciembre. El modelo comprende el contenido de imágenes y videos, los analiza y razona sobre ellos, ayudando a resolver tareas que van desde problemas matemáticos hasta cuestiones cotidianas y creativas. En el benchmark MathVision, que agrega problemas matemáticos multimodales complejos, la precisión del modelo mejora al aumentar la longitud máxima del proceso de pensamiento. QVQ-Max posee tres capacidades clave: observación detallada (detección de objetos, texto y pequeños detalles), razonamiento profundo (inferencias basadas en información visual y conocimientos de fondo) y aplicación flexible (desde resolución de problemas hasta creación de ilustraciones y guiones). Entre los ejemplos de demostración se incluyen ayuda en el trabajo (análisis de datos, escritura de código), aprendizaje (resolución de problemas con diagramas) y vida cotidiana (recomendaciones de vestimenta y recetas). Los planes futuros incluyen mejorar la precisión del reconocimiento mediante mecanismos de verificación, desarrollar un agente visual para tareas de múltiples pasos (control de un teléfono inteligente o computadora) y mejorar la interacción agregando herramientas y generación visual.