阿里又发了个有意思的大模型——
QVQ-Max，第一版视觉推理模型，对任意图像或视频都可以进行深度思考。
举个有趣的例子，上传一张你的手掌，再点击 Thinking，QVQ-Max 就可以给你看手相，
若是刨去视频里的背景音，单是看内容，还是比较抽象的。
对此，QVQ-Max 给出的理解是：
从观察到推理
除了效果之外，虽然 Qwen 团队没有公布相关论文，但对于背后的技术亮点，团队还是简单的介绍了一番。
首先，团队在 MathVision 这个 benchmark（汇集各类困难多模态数学）上进行了一番测试：
结果表明，通过调整模型 thinking 的最大长度，模型在 MathVision 上的准确率也会持续提升。
除此之外，团队还总结了 QVQ-Max 的三大能力特点。
包括对图片的解析能力非常强，无论是复杂的图表还是日常生活中随手拍的照片，它都能快速识别出关键元素。比如，它可以告诉你一张照片里有哪些物品、有什么文字标识，甚至还能指出一些你可能忽略的小细节。
仅仅识别出图片里的内容还不够，QVQ-Max 还能进一步分析这些信息，并结合背景知识得出结论。
例如，在一道几何题中，它可以根据题目附带的图形推导出答案；在一段视频里，它能根据画面内容推测出接下来可能发生的情节。
除了分析和推理，QVQ-Max 还能做一些有趣的事情，比如帮你设计插画、生成短视频脚本，甚至根据你的需求创作角色扮演的内容。
如果你上传一幅草稿，它可能会帮你完善成一幅完整的作品；上传一个日常照片，它可以化身犀利的评论家，占卜师。
值得注意的是，QVQ-Max 是免费可用的哦，感兴趣的朋友快去试试吧~
体验地址：
chat.qwen.ai
参考链接：
[1]qwenlm.github.io/zh/blog/qvq…
[2]x.com/Alibaba_Qwe…
欢迎在评论区留下你的想法！
— 完 —
