阿里开源首个视觉推理模型，击败GPT-4o，网页一度404

文章预览

白小交 发自 凹非寺 量子位 | 公众号 QbitAI 过年关啦！阿里送上了今年最后一份礼物—— “眼睛”模型QVQ ，其中V代表视觉。它只需读取图像和指令，就可以开始思考。 I’m watching you！ 据介绍，这可能是全球第一个视觉推理模型，也可以把它理解为上个月开源的阿里版o1模型QwQ的视觉版本。 可以解决数物化生等各领域问题。 读梗图、数鸭子也不在话下。 目前该模型处于实验阶段，开放测试。 结果可能因为访问过多，网页一度还404了。 从性能表现上看，QVQ在MMMU 上的得分为 70.3，这一结果超过GPT-4o、Claude 3.5 Sonnet，但比o1模型还差了那么一点。 阿里开源首个视觉推理模型 官方给了几个演示Demo，让咱们好好感知一下它的推理能力。 首先来看这道数学题。 解题思路如下： 再来个几何题，算算这个沙发的面积。 它的推理过程如下： 高中化学题：图片 ………………………………