到年底了，AI大模型迭代继续突飞猛进。

近日阿里云发布视觉推理模型QVQ，并且全部开源，业界首次开源此类模型，阿里云再次第一。

多项评测结果显示，QVQ的整体性能超越了此前备受赞誉的视觉理解开源模型「Qwen2-VL」，并在综合能力上与顶级推理模型如 OpenAI o1 和 Claude3.5 Sonnet 的「满血版」相媲美：

上图中的测试题目难度较大，看到新模型QVQ在MathVista上取得了71.4分，超越了O1，位居第一名。

如下图所示MathVista数据集是基于视觉上下文测评数学推理能力的：

要想正确回答这个数据集的测试题目，必须要看懂图的前提下，有了很强的数学推理后，才能够正确作答，如下是MathVista数据集的三道测试题，大家感受下题目难度情况：

作为视觉推理模型，QVQ的第一大特性就是具备很强的视觉理解能力，比如下面这个图片内文字，由于字体原因难以识别出来：

交给QVQ模型，识别汉字准确率达到100%：

这种事情交给GPT4o，就比较难为它，它让我安装中文OCR语言包去识别，不然就无法识别图片内的文字出来：

O1就有些离谱了，竟然输出了大江东去：

事实上，人类是通过语言和视觉相结合，来感知和理解世界的。同理如果要AI更像人，可以教它同时学会感知文字、图片、公式、视频等多种输入知识，这就是多模态能力，如下图所示，除了输入常见的文字外，图片1,2,3，再加1个视频，全部输入给AI，让它统一编码学习。

验证了QVQ的视觉能力后，它还有第二大特性，就是科学问题的复杂推理能力，具体表现为足够详细的思考过程、中间还有自我质疑和反思。

通过QVQ开源模型验证。下面是我提问它的一道编程题，逻辑难度比较大，不会深入思考，肯定是无法求解出来的。

下面是它的回复，从中我们可以看到模型输出了足够详细的思考过程、中间还有自我质疑和反思，经过几轮后，历时2分06秒思考，最终输出求解代码。下面是它完整的思考视频，我把它录制出来一起看下，感兴趣的可以观看下：

Your browser does not support the video tag.

中间QVQ会有自我质疑和反思。

具体来说，在求解此题时，经历的步骤包括：分析题目，提出求解方案A，验证方案A，否定求解方案A；

提出新的求解方案B，验证方案B，初步认可方案B，继续优化方案B，再优化B，验证优化，确认优化可行；

开始构思方案B的代码实现细节，编写代码，最后再验证代码，总结求解此题过程。

下面我来展示几个关键步骤。首先，QVQ选择了BFS来尝试求解：

但是很快它就发现普通BFS不是好的求解策略，因为网格搜索空间大：

并很快探索出了双向BFS可以提高探索效率：

多次自我探索、自我验证、自我质疑后，QVQ提出了确认了最后的方案：

倒数第二步，开始思考代码实现的具体细节：

最后一步给出求解代码（部分截图展示）：

最后还会总结和验证代码：

以及最终求解代码（部分截图，详细求解代码参考上面的视频）：

总结一下

QVQ是阿里全新的多模态推理模型，通过验证看到，QVQ结合视觉+推理后，进一步变强了！O1无法识别的问题，高难度的编程题，QVQ加载视觉推理后，都能正确求解了。

QVQ关键是它还是开源、免费的，人人都能下载和体验，省钱，也为AI技术的前沿研究提供了强大的技术支持。

以上全文1686字，16图和视频。