QVQ-72B通义千问视觉推理模型：简评与使用

于 2024-12-26 17:07:55 发布
阅读量797 收藏 4
点赞数 8
文章标签： 人工智能 gpt ai chatgpt AIGC 视觉检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_85549225/article/details/144748643
版权

       通义千问团队刚刚发布了QVQ-72B-Preview，这是一个专注于增强视觉推理能力的模型，可以理解为视觉版的QWQ。

QVQ官方介绍链接：QVQ: 更睿智地看世界 | Qwen

高通智匠MindCraft AI官网：高通智匠MindCraft AI官网

   他们在四个数据集上评估QVQ-72B-Preview

  • MMMU：一个大学级别的多学科多模态评测集，旨在考察模型视觉相关的综合理解和推理能力。
  • MathVista：一个数学相关的视觉推理测试集，评估拼图测试图形的逻辑推理、函数图的代数推理和学术论文图形的科学推理等能力。
  • MathVision：一个高质量多模态数学推理测试集，来自于真实的数学竞赛，相比于MathVista具有更多的问题多样性和学科广度。
  • OlympiadBench：一个奥林匹克竞赛级别的双语多模态科学基准测试集，包含来自奥林匹克数学和物理竞赛的8,476个问题，包括中国高考。每个问题都附有专家级别的注释，详细说明了逐步推理的过程

      在表格中对比的有gpt4o,claude3.5 sonnet这样一些主流的顶级模型，包括o1，是正式版的o1，不是preview版本。在指标上对比可圈可点吧，貌似在奥数题上还不如gpt4o。

       另外我们可以看到在官网上有几个题目示例，都是涉及到图片的多模态，包括图表，化学，几何等等。每个题目解题的过程都很详细。大家可以自己上官方链接看具体示例。

       现在大家可以在高通智匠（MindCraft AI）上去使用QVQ-72B-Preview这个模型，也可以在开发者平台上调用API。

博客
智谱发布Z1系列推理模型
04-17 515
GLM-4-32B-0414（GLM-4-AIR-250414）指标评测。GLM-4-32B-0414 在工程代码、Artifacts 生成、函数调用、搜索问答及报告撰写等任务上均表现出色，部分 Benchmark 指标已接近甚至超越 GPT-4o、DeepSeek-V3-0324（671B）等更大模型的水平。这个模型推测应该是GLM-4-9B-0414 （GLM-4-FLASH-250414）训练的推理模型，模型参数类似，价格都是免费。
博客
OpenAI全新旗舰款模型GPT4.1系列
04-17 338
价格对比OpenAI此次发布了全新旗舰系列模型GPT4.1系列，包含了GPT4.1，GPT4.1 mini和GPT4.1 nano。接下来说一下GPT4.1系列的指标评测和计费情况。
博客
Gemini 2.5 Pro指标屠榜登顶主流大模型
04-11 400
指标领先：与o3 - mini、GPT4.5、Claude3.7sonnet、Grok3和Deepseek r1等，目前都是主流模型去做对比，Gemini 2.5 Pro在多数指标评测中占优，尤其在视觉能力和长文本能力方面表现突出。Gemini 2.5 Pro目前处于领先，但大模型行业竞争激烈，OpenAI拟推o3和o4 - mini，Claude 3.7或为过渡版本，Qwen3也即将推出，后续模型更新值得期待。客户端、小程序使用，也可于开发者平台调用API。
博客
2025年Q1大模型更新汇总
04-02 977
本篇内容将盘点2025年Q1所有的主流大模型更新汇总。
博客
通义千问QwQ简评与使用
03-14 1183
通义千问本次发布了QwQ-32B和QwQ-Plus两个推理模型。
博客
Cursor上使用MindCraft API
03-07 370
然后我们打开高通智匠（MindCraft AI）的开发者平台，进入到API KEY的栏目，我们可以看到这里能创建API KEY，还有API BASE URL。好了以后我们随便创建一个新文件，点击右上角打开Chat，然后选择“ask”模式，选择模型列表里的模型，就可以用了。我们看一下高通智匠的平台上支持哪些模型，这里有列出能够调用的大模型。首先我们打开Cursor，进入到设置，进入Models，这里我们可以看到有很多模型，我们看下面这个“OpenAI API KEY”。
博客
将任意模型变成Deepseek R1
03-06 326
比如说大家可以用qwen-plus这种性价比很高，上下文也比较长的模型，也能用doubao-1.5-pro这种性能强价格低的模型，成本能省个五六倍都不止。首先我们要知道推理模型的格式一般是分为“思考过程”和“回复用户”两个部分，在原生推理模型中，思考过程是用<think></think>标签包起来的，在API端则是用了reasoning_content字段用于调用。我们分别试一下模型的默认输出和开启预设指令后的输出。我们先进到高通智匠的客户端，我们去选择一个预设指令，用提示词的方法来实现推理模型的效果。
博客
DeepSeek Janus多模态模型,有何独特之处?
02-24 547
尽管Janus系列在同级别参数模型中展现出技术优势，但在行业顶尖的LLM、图像识别及生成模型面前，尚存在不小差距，因此目前该系列的学术价值高于实用价值，但其潜在前景令人期待。值得注意的是，这些新型多模态模型的开发主要由中国机构推动，例如Emu-3由北京智源人工智能研究院（BAAI）主导，而Show-O的团队则来自字节跳动和新加坡国立大学。区别于传统的多模态模型（一般涉及图像/视频识别，或使用多个独立的模型进行协同工作），Janus系列通过单一模型整合了文本处理、图像识别与图像生成的功能。
博客
Qwen2.5新春三连发——Qwen2.5-1M, Qwen2.5-VL, Qwen2.5-Max
02-12 1524
Qwen2.5新春模型三连发，分别发布了Qwen2.5-1M长上下文模型，Qwen2.5-VL视觉模型以及Qwen2.5-Max旗舰款模型。
博客
妈妈再也不担心我用deepseek卡了
02-11 252
在高通智匠（MindCraft AI）的客户端上接入了deepseek官方，阿里云，百度云，腾讯云，火山引擎（字节跳动），硅基流动（Pro版），六家厂商部署的原版满血deepseek模型，包括deepseek v3和deepseek r1。高通智匠（MindCraft AI）这个应用，可以使用PC客户端，网页版和手机小程序版，也支持API的调用。不仅如此，还可以设定提示词，文件交互，创建个人知识库，网页渲染，图表生成，联网搜索，划词对话，截图对话等等，功能比deepseek官网还丰富。
博客
豆包1.5系列登顶国内外模型-----解读与使用
01-23 2711
这次发布了四个型号，doubao-1.5-pro-32k, doubao-1.5-pro-256k, doubao-1.5-lite-32k, doubao-1.5-vision-pro-32k，价格全部与上一个版本doubao模型一致，加量不加价。Doubao-1.5-lite 在轻量版语言模型中处于全球一流水平，在综合（MMLU_pro）、推理（BBH）、数学（MATH）、专业知识（GPQA）权威测评指标持平或超越 GPT-4omini、Cluade 3.5 Haiku。4、模型基本规格与计费。
博客
DeepSeek R1模型解读与使用
01-22 1万+
下面有个图表，这里可以重点关注DeepSeek-R1-Distill-Qwen-32B这个模型，这也是他们官方标注的，基座采用了Qwen32B的模型，在数学，代码，复杂问题的测试集中跟o1-mini一个水准，远高于GPT4o，Claude3.5-Sonnet，DeepSeek-V3。相比国内的推理模型，价格不算便宜，但性能目前确实最好的，通义千问QWQ预览版输入价格3.5元/百万tokens，输出7元/百万tokens，智谱GLM-ZERO预览版，输入输出10元/百万tokens。这是官方的性能评测图。
博客
智谱四大免费模型GLM-4-FLASH系列
01-21 894
例如，GLM-4-Flash和GLM-4V-Flash在知识问答、文案生成、图像识别和图片打标签等基础任务中表现良好，能够高效完成相关任务。智谱AI目前发布了四大免费模型，分别是文本模型GLM-4-Flash，图片识别模型GLM-4V-Flash，图片生成模型CogView-3-Flash，视频生成模型CogVideoX-Flash。智谱AI是目前国内模型厂商中产品线最全的一家，不仅产品线全，免费模型也是很全，提供了四种不同的免费模型：文本生成、图片识别、图片生成和视频生成。免费模型，支持视频生成。
博客
MiniMax-Text-01——模型详细解读与使用
01-20 1204
RULER是一个基于长上下文的基准，评估模型在处理较长文本时的能力，能够处理更多的信息输入（如超过8k字符）。Gemini2.0FLASH分数最高，MiniMax优于claude3.5sonnet和gemini1.5pro，但是比gpt4o低。点评：长文本下指标的对比测试，再更长文本的情况下，有明显优势。长文本处理的准确率远远领先于大部分模型，与minimax最相近的是gemini1.5pro。远远领先于其他模型。先来看整体指标，以下图表分为三块指标，分别是文本能力，多模态能力以及长文本能力。
博客
用AI工具解读Git项目代码
01-13 1021
本教程将介绍如何利用高通智匠（MindCraft AI）的API和AI代码编程工具Cline，免费解读Git项目的代码。通过简单的步骤配置和操作，用户可以轻松实现对项目结构的深度分析，无论是新手还是经验丰富的开发者都能从中受益。通过高通智匠的API和Cline工具，用户可以轻松实现对Git项目代码的高效解读，无需任何编程基础或额外成本。这一工具不仅适用于新手，也对经验丰富的开发者提供了极大便利。
博客
各品牌大语言模型汇总
01-08 914
2024年大语言模型快速发展，应用广泛。面对众多选择，我们整理了一份各大语言模型汇总表格，提供清晰参考，助您了解各模型参数截止日期为2025年1月8日）。
博客
免费GEMINI模型使用及API调用
01-06 2576
该模型分为两个版本：gemini-2.0-flash-exp 和 gemini-2.0-flash-thinking-exp-1219。预计未来收费模式可能与GPT-4o类似，甚至更低，因为Gemini 1.5 Pro的价格仅为GPT-4o的一半，Gemini 2.0 FLASH对标可能还不是gpt4o，而是gpt4o-mini。：最大输出长度同样为8K，能够生成详细的推理结果。：最大输出长度为8K，适用于生成较长的文本内容。：最大上下文长度为40K，适合推理任务。：支持文字和图片输入，不支持视频输入。
博客
2024年大模型使用总攻略
01-02 1209
2024年，大模型市场竞争异常激烈，各厂商纷纷推出新模型并调整价格策略。性价比王者，输入3元/百万tokens，输出9元/百万tokens。（腾讯混元）：256K上下文，MOE架构，适合大文件摸底。输入3元/百万tokens，输出9元/百万tokens。（智谱）：免费视觉模型，基础任务表现良好。（智谱）：免费视觉模型，基础任务表现良好。：256K上下文，免费，适合大文件摸底。（讯飞星火）：免费模型，适合基础任务。（智谱）：旗舰视觉模型，支持视频识别，（智谱）：10元/百万tokens，
博客
Deepseek V3性能比肩顶尖模型：解读与使用
12-27 1万+
Deepseek在年关前发布了V3版本，并对模型做了比较详细的介绍，首先我们来看一下模型的参数与指标。
博客
豆包视觉大模型Doubao-vision-pro-32k——模型简评与使用
12-13 2878
智匠MindCraft近期整合了全新的视觉大模型——Doubao-vision-pro-32k。该模型具备32K的上下文长度，支持多图识别功能，暂不支持视频识别。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值