アリババQwen、視覚推論モデルQVQ-Maxをリリース：証拠付きで思考

Alibaba Qwenは、12月にリリースされたプレビュー版のQVQ-72B-Previewを超える、初のビジュアル思考モデル「QVQ-Max」を発表しました。このモデルは画像や動画の内容を理解し、それらに基づいて分析・推論を行い、数学の問題から日常的な疑問や創造的な作業まで、様々な課題の解決を支援します。複雑なマルチモーダル数学問題を集約したベンチマーク「MathVision」では、思考プロセスの最大長を増やすことでモデルの精度が向上します。QVQ-Maxは3つの主要な能力を備えています。すなわち、詳細な観察（物体、テキスト、細部の特定）、深い推論（視覚情報と背景知識に基づく結論の導出）、そして柔軟な応用（問題解決からイラストやシナリオの作成まで）です。デモ例には、仕事の支援（データ分析、コード作成）、学習（図表を用いた問題解決）、日常生活（服装やレシピの提案）が含まれます。今後の計画としては、検証メカニズムによる認識精度の向上、マルチステップタスク（スマートフォンやコンピュータの操作）を実現するビジュアルエージェントの開発、ツールやビジュアル生成の追加によるインタラクションの改善が挙げられます。