在进入 2025 年之前，Qwen 为大家准备了最后一份礼物，那就是 QVQ！🎉 这是第一个用于视觉推理 的开源模型权重。它被称为 QVQ，其中 V 代表视觉。
Qwen 团队推出了新成员 QVQ-72B-preview，这是一个专注于提升视觉推理能力的实验性研究模型。提升了视觉表示的效率和准确性。它在多模态评测集如 MMMU、MathVista 和 MathVision 上表现出色，尤其在数学推理任务中取得了显著进步。尽管如此，该模型仍存在一些局限性，仍在学习和完善中。
- 官方博客： https://qwenlm.github.io/blog/qvq-72b-preview
- HuggingFace 地址： https://huggingface.co/collections/Qwen/qvq-676448c820912236342b9888
- ModelScope 地址： https://modelscope.cn/models/Qwen/QVQ-72B-Preview
- Kaggle 地址： https://kaggle.com/models/qwen-lm/qvq-72b-preview
模型简介
QVQ-72B-Preview 是基于 Qwen2-VL-72B 的多模态推理开放权重模型。QVQ-72B-Preview 代表了人工智能在视觉理解和复杂问题解决能力方面的重大飞跃。与 Qwen2-VL-72B-Instruct 相比，QVQ-72B-Preview 在 MMMU 上的得分为 70.3，并且在数学相关基准测试中显示出显着的改进。通过仔细的逐步推理，QVQ-72B-Preview 在视觉推理任务中展示了增强的能力，尤其是在需要复杂分析思维的领域表现出色
模型性能
Qwen 在 4 个数据集上评估 QVQ-72B-Preview，包括：
**MMMU**：一所大学级多学科多模态评估数据集，旨在评估模型的视觉相关的综合理解和推理能力。**MathVista**：以数学为中心的视觉推理测试集，使用谜题测试图形评估逻辑推理、使用函数图评估代数推理、使用学术论文图形评估科学推理等能力。**MathVision**：源自真实数学竞赛的高质量多模态数学推理测试集，与 MathVista 相比具有更大的问题多样性和主题广度。**OlympiadBench**：奥林匹克竞赛级双语多模态科学基准测试集，包含 8,476 道奥林匹克数学和物理竞赛题，包括中国高考。每道题都附有专家级注释，详细说明了分步推理过程。
尤其是 QVQ-72B-Preview 在 MMMU 基准测试中取得了令人印象深刻的 70.3 分，远远超过其前身 Qwen2-VL-72B-Instruct。此外，在其余三个针对数学和科学问题的基准测试中，该模型表现出色，有效缩小了与领先的最先进 o1 模型的差距。
模型体验
官方 Demo 体验地址为：
https://modelscope.cn/studios/Qwen/QVQ-72B-preview
- 示例 1 图片中的滤液 E 是什么化学物质?
模型答案：
所以我在看这个黄铜矿处理的流程图，有点复杂，不过我试着理清楚。首先，黄铜矿被粉碎，然后和硫酸铵一起焙烧，通入空气。这个过程中，应该会发生一些化学反应，产生高温混合气和固体B。高温混合气主要含有氨气，用硫酸吸收后得到溶液A。固体B用水浸铜，得到滤液C和滤渣D。滤液C加入过量铁粉进行置换，得到滤液E和粗铜。粗铜再通过电解得到纯铜。
首先，我需要理解黄铜矿是什么。黄铜矿一般是铜铁硫化物，化学式大概是CuFeS₂。硫酸铵是(NH4)2SO4，焙烧过程中通入空气，应该是在高温下发生氧化反应。
高温混合气主要含氨气，可能是硫酸铵分解产生的。硫酸铵分解会生成氨气和硫酸氢铵，再分解生成氨气和水等。用硫酸吸收氨气，得到溶液A，应该是硫酸铵或者硫酸铵和硫酸氢铵的混合物。
固体B是焙烧后的固体产物，可能包含氧化铜、氧化铁等。用水浸铜，可能是将可溶性的铜盐溶解出来，得到滤液C，而滤渣D可能是不溶于水的物质，比如氧化铁等。
滤液C中加入过量铁粉，可以将铜离子还原为铜单质，自己被氧化为亚铁离子。这样得到粗铜和滤液E，滤液E应该是含有亚铁离子的溶液，可能还有未反应的其他离子。
最后，粗铜通过电解精炼，得到纯铜。
现在，题目问滤液E是什么化学物质。根据上面的分析，滤液E应该是含有亚铁离子的溶液，可能还有未反应的其他离子。具体来说，可能是硫酸亚铁溶液，因为前面步骤中使用了硫酸，而且铁和铜离子反应生成铜和亚铁离子，如果滤液C是硫酸铜溶液，那么滤液E就是硫酸亚铁溶液。
不过，我需要更确切地知道滤液C的成分。黄铜矿焙烧后生成的固体B，主要包含氧化铜和氧化铁。用水浸取，氧化铜可能溶解形成铜离子，而氧化铁不溶，成为滤渣D。所以滤液C应该是含有铜离子的溶液，可能还有其他离子。
加入铁粉后，铁可以置换出铜，生成铜和亚铁离子。所以滤液E应该是含有亚铁离子的溶液，可能是硫酸亚铁。
不过，我有点不确定，因为可能还有其他离子存在。比如，如果焙烧过程中有硫酸铵参与反应，可能生成其他盐类。
也许我应该具体写一下可能发生的化学反应方程式，来更清楚地理解这个过程。
首先，黄铜矿CuFeS₂和硫酸铵一起焙烧，通入空气，可能发生以下反应：
4CuFeS₂ + 2(NH4)2SO4 + 11O2 → 4CuSO4 + 2Fe2O3 + 4NH3 + 2H2O
这个反应是猜测的，可能不太准确，但大致意思是黄铜矿氧化生成铜盐、铁氧化物，硫酸铵分解生成氨气和硫酸氢铵，再分解生成氨气和水等。
高温混合气主要含氨气，用硫酸吸收，得到硫酸铵和硫酸氢铵的混合物，也就是溶液A。
固体B是Fe2O3和CuO的混合物，可能还有其他杂质。
固体B用水浸取，CuO和水反应生成Cu(OH)2，然后Cu(OH)2溶解形成铜盐，可能是硫酸铜，如果用水浸取的话，可能形成碱式盐等，不太确定。
或者，可能有其他酸存在，比如前面生成的硫酸。
这个步骤有点模糊，可能需要更多信息来确定滤液C的成分。
假设滤液C是硫酸铜溶液，那么加入铁粉后，发生反应：
Fe + CuSO4 → FeSO4 + Cu
这样，滤液E就是硫酸亚铁溶液。
如果滤液C中还有其他金属离子，铁粉也可能将它们置换出来，但根据流程图，主要目的是提铜，所以可能滤液C主要是硫酸铜。
然后，粗铜电解精炼，阳极是粗铜，阴极是纯铜，电解质是硫酸铜溶液，通过电解，阳极的铜和杂质溶解，阴极析出纯铜，实现精炼。
所以，滤液E应该是硫酸亚铁溶液。
不过，我有点疑惑，为什么滤液E单独列出来，而不是直接作为废物处理。可能有回收利用的价值。
或者，滤液E可能是含有铁盐的溶液，可以循环使用或者进一步处理。
总之，根据流程图和我的分析，滤液E应该是硫酸亚铁溶液。
为了确认这一点，我可以再检查一下流程。
黄铜矿→粉碎→与硫酸铵混合→通空气焙烧→得到高温混合气和固体B
高温混合气主要含氨气，用硫酸吸收得到溶液A（可能是硫酸铵和硫酸氢铵）
固体B用水浸铜→得到滤液C（假设是硫酸铜）和滤渣D（可能是氧化铁等不溶物）
滤液C中加入过量铁粉→置换出铜，得到粗铜和滤液E（硫酸亚铁）
粗铜电解精炼→得到纯铜
看起来逻辑上是通的。
所以，滤液E是硫酸亚铁。
不过，题目可能希望更确切的答案，比如具体是哪种铁盐溶液。
或者，可能需要根据具体的化学反应来确定滤液E的成分。
也许我应该更详细地写出每个步骤的化学反应方程式。
首先，黄铜矿CuFeS₂和硫酸铵一起焙烧，通入空气，可能发生以下反应：
4CuFeS₂ + 2(NH4)2SO4 + 11O2 → 4CuSO4 + 2Fe2O3 + 4NH3 + 2H2O
这个反应可能不太准确，因为硫可能生成二氧化硫等。
更准确的反应可能是：
4CuFeS₂ + 2(NH4)2SO4 + 17O2 → 4CuSO4 + 2Fe2O3 + 4SO2 + 4NH3 + 6H2O
不过，具体反应可能更复杂，涉及多个步骤。
高温混合气主要含氨气，用硫酸吸收：
NH3 + H2SO4 → NH4HSO4
生成硫酸氢铵，如果氨气过量，还会生成硫酸铵：
NH3 + H2SO4 → (NH4)2SO4
所以，溶液A可能是硫酸氢铵和硫酸铵的混合物。
固体B是Fe2O3和CuO的混合物，可能还有其他杂质。
固体B用水浸取，CuO和水反应生成Cu(OH)2，然后Cu(OH)2溶解形成铜盐，可能是碱式硫酸铜等，具体取决于pH和条件。
可能需要加入酸来促进铜的溶解，比如硫酸，形成硫酸铜溶液。
如果这样，滤液C就是硫酸铜溶液，滤渣D是不溶的氧化铁等。
然后，滤液C中加入过量铁粉，发生反应：
Fe + CuSO4 → FeSO4 + Cu
这样，滤液E就是硫酸亚铁溶液。
所以，滤液E是硫酸亚铁。
不过，我需要确认一下，是否还有其他可能。
比如，如果滤液C中还有其他金属离子，加入铁粉后，铁可能将它们也置换出来，但根据流程图，主要目的是提铜，所以可能滤液C主要是硫酸铜。
另外，滤液E可能含有过量的铁粉，需要过滤除去，得到澄清的硫酸亚铁溶液。
可能还需要调节pH等步骤来纯化滤液E，但根据流程图，没有显示这些步骤。
总之，根据现有的信息和逻辑推理，滤液E应该是硫酸亚铁溶液。
所以，答案是硫酸亚铁。
不过，题目可能希望用化学式来表示，即FeSO4。
或者，可能需要考虑水合物，如FeSO4·7H2O。
但根据流程图，滤液E是溶液，所以写FeSO4即可。
综上所述，滤液E是硫酸亚铁。
**答案**
硫酸亚铁
- 示例 2 请解答这道题
自己也在多模态抽取任务上面尝试了一下，整体感觉就是推理过程很强，不过模型生成的答案较长，同时也加了一些约束，比如政治领域做了拒绝回答。
模型局限性
QVQ-72B-Preview 是由 Qwen 团队开发的一个实验性研究模型，专注于提升视觉推理能力。虽然它展现出了超出预期的性能，但仍有几个需要注意的局限性：
-
语言混合和代码切换：模型可能会混合不同语言或意外地在语言之间切换，影响回复的清晰度。
-
递归推理循环：模型可能会陷入循环推理模式，导致回复冗长甚至没有得出最终的答案。
-
安全和伦理考虑：模型需要加强安全措施以确保可靠和安全的性能，用户在部署时应当谨慎。
-
性能和基准测试局限性：尽管 QvQ 模型在视觉推理方面有所改进，但它无法完全替代 Qwen2-VL-72B 的能力。在多步视觉推理过程中，模型可能会逐渐失去对图像内容的关注，导致产生幻觉。此外，在一些基础的识别任务如人物、动植物识相比 Qwen2-VL-72B 并没有表现出明显的提升。