引言

3月28日消息，凌晨三点，阿里在X上发布视觉推理模型QVQ-Max。

什么是视觉推理？

传统AI模型多基于文字输入处理任务。但现实里图片、图表、视频等非文字信息常见，像建筑图纸，其包含的颜色、形状、位置关系等细节，靠文字描述判断合理性较难，而结合专业知识看图纸分析就容易些。

视觉推理就是让AI具备像人一样“看”懂这些非文字信息的能力，不仅能识别画面元素，还能理解元素间关系并思考，像分析建筑图纸是否合理。

QVQ - Max的设计目标是成为既“眼尖”（能敏锐捕捉画面各种信息）又“脑快”（快速理解分析信息并思考应对）的助手，从而解决如建筑图纸评估等各种实际问题。

核心能力

QVQ-Max的能力可以总结为三个方面：细致观察、深入推理和灵活应用。

1. 细致观察：抓住每一个细节
   QVQ-Max 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。
2. 深入推理：不只是“看到”，还要“想到”
   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。
3. 灵活应用：从解答问题到创作
   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。

未来计划

目前的 QVQ-Max 只是第一版，还有很多可以提升的空间。接下来，通义千问团队会重点关注以下几个方向：

1. 更准确地观察：通过视觉内容的校验，如grounding来检查观察内容的准确性提高识别能力。
2. 视觉Agent：提升模型在处理多步和更复杂的任务，如手机电脑操控，玩游戏。
3. 更好的交互：让模型在思考和交互中不局限于文字，还可以涵盖更多的模态，比如工具校验，视觉生成等。

总结

QVQ-Max 是一款既有“眼力”又有“脑力”的视觉推理模型。它不仅能识别图片里的内容，还能结合这些信息进行分析和推理，甚至完成一些创造性的任务。