大家好，我是刘聪NLP。
没错，是的，对的，很棒，千问！
QWQ之后，千问团队又开源了视觉推理大模型QVQ，是72B的呦。
圣诞快乐，如期而至！
HF: https://huggingface.co/Qwen/QVQ-72B-Preview
为啥是72B，可想而知，这个QVQ就是基于前一段时间开源的Qwen2-VL-72B模型上进一步训练得来的 。
有个7B的为啥没出QVQ-7B，估计是参数来太少，做o1式推理效果不行，QWQ也是32B起步的，所以模型参数量很关键 。
在榜单上的效果，QVQ在MMMU是突破了70，并且整体效果相较于Qwen2-VL-72B还是好了很多，同时也是对标了闭源模型，QVQ依旧能打。
但QVQ-72B依然存在一些问题：
- 可能存在语言混乱的现象，最明显的就是中英文夹杂
- 模型容易陷入循环推理，导致回复结果冗长，甚至可能无法返回最终答案
- 安全性可能有些问题，估计这个版本在安全上应该没来及的做太多，甚至是没做
- QVQ不能完全替代Qwen2-VL-72B，随着推理步骤的验证，模型可能逐渐失去对图像内容的关注，从而产生幻觉。
模型，我还在下载，测试完，再写评测文章！
用法跟Qwen2-VL-72B一样，HF代码如下：
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
# 模型通过HF Repo加载
model = Qwen2VLForConditionalGeneration.from_pretrained(
"Qwen/QVQ-72B-Preview", torch_dtype="auto", device_map="auto"
)
# 加载processor
processor = AutoProcessor.from_pretrained("Qwen/QVQ-72B-Preview")
# 这里的系统提示词跟之前有差别
messages = [
{
"role": "system",
"content": [
{"type": "text", "text": "You are a helpful and harmless assistant. You are Qwen developed by Alibaba. You should think step-by-step."}
],
},
{
"role": "user",
"content": [
{
"type": "image",
"image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/QVQ/demo.png",
},
{"type": "text", "text": "What value should be filled in the blank space?"},
],
}
]
# 输入准备
text = processor.apply_chat_template(
messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
text=[text],
images=image_inputs,
videos=video_inputs,
padding=True,
return_tensors="pt",
)
inputs = inputs.to("cuda")
# 模型推理
generated_ids = model.generate(**inputs, max_new_tokens=8192)
generated_ids_trimmed = [
out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)
PS：看到这里，如果觉得不错，可以来个点赞 、在看 、关注 。给公众号添加【星标⭐️】不迷路！您的支持是我坚持的最大动力！
欢迎多多关注公众号「NLP工作站」，加入交流群，交个朋友吧，一起学习，一起进步！