ITCOW牛新网 3月28日消息，阿里巴巴通义千问团队于今日凌晨推出新一代多模态视觉推理模型QVQ-Max。该模型突破传统计算机视觉的感知局限，实现了从”看到”到”想到”的认知跃迁，具备图像/视频解析、逻辑推理、内容创作三大核心能力，目前已集成至Qwen Chat平台开放体验。
技术突破：构建视觉认知闭环
原子级视觉解析
- 可精准识别复杂图表中的数据趋势、日常照片中的隐藏细节（如模糊文字、背景元素），支持对医学影像、工程图纸等专业内容的跨领域解析。
因果推理引擎
- 在数学几何题测试中，能根据图形特征自动推导证明步骤；
- 视频理解方面，可分析画面时序关系预测剧情发展（如通过演员微表情推断冲突爆发节点）。
生成式创作
- 输入服装设计草图可输出4K渲染效果图；
- 根据家庭照片生成带有角色设定的互动剧本，支持第一人称/上帝视角切换。
场景化应用矩阵
| 领域 | 典型功能案例 | 技术支撑 |
|---|---|---|
| 教育 | 物理受力分析图自动解题+三维动画演示 | 符号逻辑+空间建模 |
| 职场 | 会议白板拍照转结构化会议纪要 | OCR+语义归纳 |
| 创作 | 分镜草图→分镜头脚本→短视频成片建议 | 跨模态序列生成 |
| 生活 | 冰箱食材拍照→推荐菜谱+营养搭配报告 | 多对象关系推理 |
实测表现
在内部测试中，QVQ-Max展现出以下颠覆性体验：
- 法律文件分析：对200页扫描案卷的争议点提取准确率达92%，远超传统NLP模型；
- 工业质检：发现电路板图像中0.1mm级虚焊缺陷，较传统CV方案误检率降低67%；
- 影视创作：根据3张剧照生成5种合理剧情分支，获专业编剧团队认可。
用户现可通过Qwen Chat上传图片/视频，点击”Thinking”按钮触发智能推理。阿里透露，正在开发API接口供企业调用，医疗诊断、自动驾驶等垂直领域专用版本将于Q3发布。