A equipe Qwen anunciou recentemente o lançamento de código aberto de seu mais recente modelo de raciocínio multimodal, o QVQ, marcando um passo importante para a inteligência artificial na compreensão visual e na resolução de problemas complexos. Construído com base no Qwen2-VL-72B, o modelo visa melhorar a capacidade de raciocínio da IA combinando informações de linguagem e visão. No teste MMMU, o QVQ obteve uma pontuação alta de 70,3 e mostrou uma melhoria significativa de desempenho em vários benchmarks matemáticos em comparação com o Qwen2-VL-72B-Instruct.

Em 18 de dezembro, na conferência Volcano Engine FORCE, o presidente da Volcano Engine, Tan Dai, lançou o novo modelo de compreensão visual Doubao. O modelo processa simultaneamente informações de texto e imagem, fornecendo respostas mais precisas. O novo modelo apresenta excelente desempenho em reconhecimento, compreensão e raciocínio de conteúdo, além de uma capacidade de descrição visual mais detalhada, oferecendo aos usuários corporativos uma capacidade de processamento inteligente aprimorada. Tan Dai revelou na conferência que o modelo de compreensão visual Doubao não apenas alcançou avanços tecnológicos significativos, mas também reduziu drasticamente os preços.

A Lua Escura anunciou hoje o lançamento do novo modelo de raciocínio visual k1. Este modelo, baseado em tecnologia de aprendizado por reforço, não apenas suporta a compreensão de imagem de ponta a ponta, mas também integra a tecnologia de cadeia de pensamento, expandindo suas capacidades para além da matemática para mais áreas da ciência básica, incluindo física e química. Em testes de capacidade de referência, o modelo k1 superou modelos de referência líderes globais, como o o1 da OpenAI, o GPT-4o e o Claude3.5Sonnet.

A Microsoft lançou o Phi-3.5-vision, um modelo de IA leve e multimodal de código aberto, projetado para lidar com entradas de texto e visão, suportando comprimento de contexto de 128K. O modelo é adequado para ambientes com recursos limitados e possui recursos como compreensão de imagens, OCR, análise de gráficos, resumo de várias imagens, mostrando desempenho excepcional e baixa latência. Composto por 4,2 bilhões de parâmetros, treinado com dados de alta qualidade para garantir desempenho e privacidade. Inclui três modelos: IA leve, modelo híbrido de especialistas e modelo multimodal, todos apresentando desempenho superior em benchmarks de processamento de imagens e vídeos.