QVQ-72B，如期而至！继QWQ后，通义千问又开源视觉推理大模型！

发布于 2024-12-25 12:12

浏览

0收藏

大家好，我是刘聪NLP。

没错，是的，对的，很棒，千问！

QWQ之后，千问团队又开源了视觉推理大模型QVQ，是72B的呦。

圣诞快乐，如期而至！

HF: https://huggingface.co/Qwen/QVQ-72B-Preview1.

为啥是72B，可想而知，这个QVQ就是基于前一段时间开源的Qwen2-VL-72B模型上进一步训练得来的。

QVQ-72B，如期而至！继QWQ后，通义千问又开源视觉推理大模型！-AI.x社区

有个7B的为啥没出QVQ-7B，估计是参数来太少，做o1式推理效果不行，QWQ也是32B起步的，所以模型参数量很关键。

在榜单上的效果，QVQ在MMMU是突破了70，并且整体效果相较于Qwen2-VL-72B还是好了很多，同时也是对标了闭源模型，QVQ依旧能打。

QVQ-72B，如期而至！继QWQ后，通义千问又开源视觉推理大模型！-AI.x社区

但QVQ-72B依然存在一些问题：

可能存在语言混乱的现象，最明显的就是中英文夹杂
模型容易陷入循环推理，导致回复结果冗长，甚至可能无法返回最终答案
安全性可能有些问题，估计这个版本在安全上应该没来及的做太多，甚至是没做
QVQ不能完全替代Qwen2-VL-72B，随着推理步骤的验证，模型可能逐渐失去对图像内容的关注，从而产生幻觉。

模型，我还在下载，测试完，再写评测文章！

用法跟Qwen2-VL-72B一样，HF代码如下：

from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# 模型通过HF Repo加载
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "Qwen/QVQ-72B-Preview", torch_dtype="auto", device_map="auto"
)

# 加载processor
processor = AutoProcessor.from_pretrained("Qwen/QVQ-72B-Preview")

# 这里的系统提示词跟之前有差别
messages = [
    {
        "role": "system",
        "content": [
            {"type": "text", "text": "You are a helpful and harmless assistant. You are Qwen developed by Alibaba. You should think step-by-step."}
        ],
    },
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/QVQ/demo.png",
            },
            {"type": "text", "text": "What value should be filled in the blank space?"},
        ],
    }
]

# 输入准备
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# 模型推理
generated_ids = model.generate(**inputs, max_new_tokens=8192)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.
53.
54.