QVQ-72B，如期而至！繼QWQ后，通義千問又開源視覺推理大模型！
大家好，我是劉聰NLP。
沒錯，是的，對的，很棒，千問！
QWQ之后，千問團隊又開源了視覺推理大模型QVQ，是72B的呦。
圣誕快樂，如期而至！
HF: https://huggingface.co/Qwen/QVQ-72B-Preview為啥是72B，可想而知，這個QVQ就是基于前一段時間開源的Qwen2-VL-72B模型上進一步訓練得來的。
有個7B的為啥沒出QVQ-7B，估計是參數來太少，做o1式推理效果不行，QWQ也是32B起步的，所以模型參數量很關鍵。
在榜單上的效果，QVQ在MMMU是突破了70，并且整體效果相較于Qwen2-VL-72B還是好了很多，同時也是對標了閉源模型，QVQ依舊能打。
但QVQ-72B依然存在一些問題：
- 可能存在語言混亂的現象，最明顯的就是中英文夾雜
- 模型容易陷入循環推理，導致回復結果冗長，甚至可能無法返回最終答案
- 安全性可能有些問題，估計這個版本在安全上應該沒來及的做太多，甚至是沒做
- QVQ不能完全替代Qwen2-VL-72B，隨著推理步驟的驗證，模型可能逐漸失去對圖像內容的關注，從而產生幻覺。
模型，我還在下載，測試完，再寫評測文章！
用法跟Qwen2-VL-72B一樣，HF代碼如下：
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info
# 模型通過HF Repo加載
model = Qwen2VLForConditionalGeneration.from_pretrained(
"Qwen/QVQ-72B-Preview", torch_dtype="auto", device_map="auto"
)
# 加載processor
processor = AutoProcessor.from_pretrained("Qwen/QVQ-72B-Preview")
# 這里的系統提示詞跟之前有差別
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?"},
],
}
]
# 輸入準備
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)本文轉載自 ??NLP工作站??，作者： 劉聰NLP
贊
收藏
回復
分享
微博
QQ
微信
舉報
回復
相關推薦
