アリババは最近、QVQ-72Bという新しいマルチモーダル推論モデルを発表しました。このモデルはQwen2-VL-72Bをベースに構築されており、強力な言語能力と視覚能力を融合することで、より複雑な推論と分析タスクを処理できます。これは、アリババが多モーダルAI分野で新たなブレークスルーを達成したことを示しています。

QVQ-72Bは、視覚推論、数学、科学の問題において顕著な性能向上を示しており、特に複数ステップの推論タスクにおいてその能力が際立っています。これは、テキスト情報だけでなく画像情報も理解し、複数ステップの推論を通じて複雑な問題を解決できることを意味し、従来のAIモデルでは実現困難なことです。

image.png

このモデルの大きな特徴は、物理の問題においてテキストと視覚情報を組み合わせ、因果関係を推論できる点です。例えば、物理的な状況の画像と関連するテキストの説明から、事象発生の因果関係を推論し、より深いレベルの理解能力を示します。

数学的推論タスク（代数、微積分など）において、QVQ-72Bは段階的な推論によって誤り率を大幅に削減します。これは、このモデルが単純な計算だけでなく、複雑な数学的推論も実行でき、明確な解法手順を提供できることを示しており、複雑な数学問題解決のための新たなツールを提供します。

image.png

さらに、QVQ-72Bは技術レポートや複雑なグラフ分析における重要な情報の抽出において、高い精度と効率性を誇ります。複雑な文書やグラフから重要な情報を迅速かつ正確に抽出できるため、研究者やアナリストなどの専門家にとって強力な支援ツールとなります。

画像認識においては、QVQ-72Bは物体の位置、色、空間関係、複雑な状況など、画像内の詳細を正確に認識できます。これは、このモデルがスマート監視や自動運転など、より幅広い場面に適用できることを意味します。

総じて、アリババが発表したQVQ-72Bマルチモーダル推論モデルは、その強力な視覚、言語、推論能力により、複雑な問題解決のための新たな考え方とツールを提供します。その登場は、間違いなく人工知能の様々な分野への応用を促進し、各業界のインテリジェント化アップグレードに新たな原動力をもたらすでしょう。

オンライン試用:https://huggingface.co/spaces/Qwen/QVQ-72B-preview

詳細情報:https://qwenlm.github.io/blog/qvq-72b-preview/