AI大模型看手相！圖片視頻加持深度思考，阿里QVQ-Max“神了神了”
手繪簡筆畫視頻也能理解
金磊 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
阿里又發(fā)了個(gè)有意思的大模型——
QVQ-Max，第一版視覺推理模型，對任意圖像或視頻都可以進(jìn)行深度思考。
舉個(gè)有趣的例子，上傳一張你的手掌，再點(diǎn)擊
Thinking，QVQ-Max就可以給你看手相：
可以看到，在深度思考過后，QVQ-Max就開始逐步分析手掌上的線條和其他特征。
包括心線、頭線、生命線等主要線條的分析，以及戒指手指上的金戒指的象征意義。
這還只是一個(gè)比較有娛樂性的例子。
如果你一口氣給QVQ-Max“喂”多張圖片，它也可以進(jìn)行深度思考：
這兩張圖片描繪了哪些風(fēng)景？它們之間的關(guān)系是什么？
在一頓思考過后，QVQ-Max準(zhǔn)確地識(shí)別出兩張圖聯(lián)系——都是西湖的風(fēng)景，但一張是春夏時(shí)節(jié)，另一張是冬季。
再如數(shù)學(xué)推理，同樣是給它“喂”一張圖即可，連提問都省了：
在思考之后，QVQ-Max是找到了數(shù)字們之間的規(guī)律，并最終給出了正確答案：10。
以及直接上傳一個(gè)手繪簡筆畫視頻，并附上一句：
分析視頻，將視覺內(nèi)容與文字結(jié)合，并為視頻中的鏡頭創(chuàng)建生動(dòng)有趣的字幕。
最終，QVQ-Max依舊是穩(wěn)穩(wěn)地完成了任務(wù)。
網(wǎng)友們看罷，也是麻溜地去試了試。
不過這一次，QVQ-Max有點(diǎn)小翻車——路飛是認(rèn)對了，但這個(gè)喬巴……
以及啊，這兩天被OpenAI GPT-4o圖像生成帶火的吉卜力，網(wǎng)友們也是跟上了：
那么QVQ-Max的圖像視頻深度思考實(shí)力到底如何，我們這就親手嘗試一番。
實(shí)測QVQ-Max
首先，我們還是來測試一下QVQ-Max看圖解數(shù)學(xué)題的能力。
題目是這樣的：
然后我們提問：
這道題的答案是多少？
在深度思考過后，QVQ-Max不僅精準(zhǔn)識(shí)別出了手寫的題目，而且給出了正確答案：2。
剛才Qwen官方給出了看手相的例子，這次我們再來“喂”下這張圖：
問題是這樣的：
這是什么？
嗯，是比較全面地介紹了星盤。
接下來，我們再來測試一下視頻推理，例子就用Anthropic最新發(fā)布的一個(gè)：
若是刨去視頻里的背景音，單是看內(nèi)容，還是比較抽象的。
對此，QVQ-Max給出的理解是：
從觀察到推理
除了效果之外，雖然Qwen團(tuán)隊(duì)沒有公布相關(guān)論文，但對于背后的技術(shù)亮點(diǎn)，團(tuán)隊(duì)還是簡單的介紹了一番。
首先，團(tuán)隊(duì)在MathVision這個(gè)benchmark（匯集各類困難多模態(tài)數(shù)學(xué)）上進(jìn)行了一番測試：
結(jié)果表明，通過調(diào)整模型thinking的最大長度，模型在MathVision上的準(zhǔn)確率也會(huì)持續(xù)提升。
除此之外，團(tuán)隊(duì)還總結(jié)了QVQ-Max的三大能力特點(diǎn)。
包括對圖片的解析能力非常強(qiáng)，無論是復(fù)雜的圖表還是日常生活中隨手拍的照片，它都能快速識(shí)別出關(guān)鍵元素。比如，它可以告訴你一張照片里有哪些物品、有什么文字標(biāo)識(shí)，甚至還能指出一些你可能忽略的小細(xì)節(jié)。
僅僅識(shí)別出圖片里的內(nèi)容還不夠，QVQ-Max還能進(jìn)一步分析這些信息，并結(jié)合背景知識(shí)得出結(jié)論。
例如，在一道幾何題中，它可以根據(jù)題目附帶的圖形推導(dǎo)出答案；在一段視頻里，它能根據(jù)畫面內(nèi)容推測出接下來可能發(fā)生的情節(jié)。
除了分析和推理，QVQ-Max還能做一些有趣的事情，比如幫你設(shè)計(jì)插畫、生成短視頻腳本，甚至根據(jù)你的需求創(chuàng)作角色扮演的內(nèi)容。
如果你上傳一幅草稿，它可能會(huì)幫你完善成一幅完整的作品；上傳一個(gè)日常照片，它可以化身犀利的評論家，占卜師。
值得注意的是，QVQ-Max是免費(fèi)可用的哦，感興趣的朋友快去試試吧~
體驗(yàn)地址：https://chat.qwen.ai
參考鏈接：
[1]https://qwenlm.github.io/zh/blog/qvq-max-preview/
[2]https://x.com/Alibaba_Qwen/status/1905342260100956210
- 商湯林達(dá)華萬字長文回答AGI：4層破壁，3大挑戰(zhàn)2025-08-12
- 商湯多模態(tài)大模型賦能鐵路勘察設(shè)計(jì)，讓70年經(jīng)驗(yàn)“活”起來2025-08-13
- 以“具身智能基座”為核，睿爾曼攜全產(chǎn)品矩陣及新品亮相2025 WRC2025-08-11
- 哇塞，今天北京被機(jī)器人人人人人塞滿了！2025-08-08
相關(guān)閱讀
阿里達(dá)摩院科學(xué)家，3年造出小蠻驢！量產(chǎn)物流機(jī)器人，完全自動(dòng)駕駛，4度電跑100公里
阿里達(dá)摩院最前沿的AI和自動(dòng)駕駛技術(shù)的集大成者
