ÁLVAROMAUREIRA

Alibaba Cloud Presenta QVQ-72B-Preview: Modelo de Razonamiento Visual con Cadenas de Pensamiento Paso a Paso

Publicado ·

Alibaba Cloud ha presentado QVQ-72B-Preview, un modelo de lenguaje y visión pionero enfocado en el razonamiento visual de frontera, diseñado para resolver problemas altamente complejos en matemáticas, geometría, diagramas técnicos y comprensión de documentos mediante cadenas de pensamiento (Chain-of-Thought) explícitas y profundas.

Razonamiento Visual Paso a Paso con Cadenas de Pensamiento

A diferencia de los modelos multimodales convencionales que generan respuestas directas propensas a errores de percepción o lógica espacial, QVQ-72B-Preview incorpora un proceso deliberativo interno. Antes de emitir una conclusión, el modelo desglosa visualmente cada elemento de la imagen, analiza relaciones métricas y valida hipótesis:

  • Pensamiento Visual Estructurado: Capacidad para inspeccionar múltiples regiones de una imagen secuencialmente, emulando la atención ocular humana al verificar detalles minuciosos en planos de ingeniería, circuitos y tablas estadísticas densas

Sigue aprendiendo

Explora los recursos y continúa tu recorrido en la comunidad.

Únete gratis a la comunidad →

Sigue leyendo las noticias clave de IA

  1. Alibaba lanza Qwen 2.5-VL: modelo de visión y lenguaje de frontera con resolución nativa dinámica y comprensión de video de larga duraciónAlibaba presenta Qwen 2.5-VL con resolución dinámica sin distorsión de relación de aspecto, liderando benchmarks de visión documental y video largo.Leer análisis completo
  2. Alibaba Lanza Qwen2-VL: Modelo Multimodal de Visión y Lenguaje con Resolución Dinámica y Análisis de Video LargoAlibaba presenta Qwen2-VL (2B, 7B, 72B) con resolución dinámica nativa, análisis de video de más de 20 minutos y operación de interfaces UI.Leer análisis completo
  3. Alibaba lanza Qwen 2.5-Coder 32B: el modelo abierto de programación que iguala a GPT-4o en generación de código con 128k de contextoAlibaba liberó Qwen 2.5-Coder 32B con pesos abiertos, igualando a modelos propietarios en generación de código y asistencia de repositorios.Leer análisis completo
  4. Alibaba Cloud Presenta Wan 2.1: Modelos Abiertos de Difusión de Video en 1080p con Compresión Espaciotemporal y DiTAlibaba Cloud lanza Wan 2.1 en versiones 1.3B y 14B, modelos abiertos de generación de video con DiT, VAE 3D espaciotemporal y renderizado en resolución 1080p.Leer análisis completo
  5. Cohere for AI Lanza Aya Vision: Modelos Multimodales Abiertos de 8B y 32B para Razonamiento Visual Multilingüe en 23 IdiomasCohere for AI presenta Aya Vision, modelos multimodales abiertos de 8B y 32B diseñados para razonamiento visual y de texto en 23 idiomas diversos.Leer análisis completo
  6. DeepSeek Presenta DeepSeek-VL2: Modelos Multimodales MoE de Visión y Lenguaje con Mosaico Dinámico de ImágenesDeepSeek libera DeepSeek-VL2, modelos multimodales MoE con visión avanzada, segmentación dinámica y comprensión detallada de diagramas y documentos.Leer análisis completo
  7. Mistral AI Presenta Pixtral 12B: Modelo Multimodal de Visión con Soporte para Múltiples Imágenes y Resolución DinámicaMistral AI lanza Pixtral 12B, modelo multimodal de pesos abiertos con codificador de visión dinámico para analizar múltiples imágenes y documentos complejos.Leer análisis completo
  8. Nomic Presenta Nomic Embed Vision: Modelo Abierto de Embeddings Multimodales de 1.5B para Búsqueda Visual y TextoNomic presenta Nomic Embed Vision, modelo abierto de embeddings multimodales de 1.5B con alineación contrastiva abierta para búsqueda visual y texto cruzado.Leer análisis completo
  9. Shanghai AI Lab Presenta InternLM-XComposer 2.5: Modelo Multimodal Abierto para Comprensión Visual y Composición de ArtículosShanghai AI Lab presenta InternLM-XComposer 2.5, modelo multimodal de 7B capaz de generar artículos extensos ilustrados y comprender video y alta resolución.Leer análisis completo
  10. LMMs-Lab Presenta LLaVA-OneVision: Modelo Abierto Multimodal Unificado para Imágenes, Múltiples Vistas y VideoLMMs-Lab publica LLaVA-OneVision en versiones 0.5B, 7B y 72B, unificando razonamiento sobre imágenes individuales, multi-imagen y secuencias de video continuo.Leer análisis completo
  11. Allen AI Presenta Molmo: Familia de Modelos Multimodales Abiertos de Visión y Lenguaje con Capacidad de Apuntado y LocalizaciónAllen AI lanza Molmo (7B y 72B), modelos abiertos de visión y lenguaje que superan a GPT-4V en apuntado de píxeles y comprensión visual de UI.Leer análisis completo
  12. Google DeepMind avanza en razonamiento matemático formal con AlphaGeometry 2 y resuelve el 83% de los problemas de geometría olímpicaDeepMind presentó AlphaGeometry 2, combinando LLMs neuronales con motores de deducción simbólica para resolver problemas de la Olimpiada Internacional.Leer análisis completo
  13. Shanghai AI Lab Presenta InternLM2-Math-20B: Modelo Abierto Especializado en Razonamiento Matemático FormalShanghai AI Lab lanza InternLM2-Math-20B, modelo abierto de 20B para razonamiento matemático formal mediante cadenas de pensamiento y código integrado.Leer análisis completo
  14. Microsoft Presenta GraphRAG: Marco de RAG Estructurado con Grafos de Conocimiento para Razonamiento Complejo en Modelos de LenguajeMicrosoft libera GraphRAG, marco abierto que extrae grafos de conocimiento de textos para responder consultas complejas globales en LLMs.Leer análisis completo
  15. Meta Presenta Sapiens: Modelos Fundacionales de Visión para Pose, Segmentación y Superficie HumanaMeta presenta Sapiens, familia de modelos fundacionales de visión de hasta 2B de parámetros para estimación de pose 2D/3D y segmentación del cuerpo humano.Leer análisis completo
  16. Zhipu AI Presenta GLM-4V-9B: Modelo Multimodal Abierto con Comprensión Visual de Alta Resolución y OCR DensoZhipu AI lanza GLM-4V-9B, modelo multimodal abierto de 9B con procesamiento de imágenes hasta 1120x1120, OCR denso bilingüe y razonamiento visual avanzado.Leer análisis completo
Desliza para descubrir las 16 lecturas.16 artículos relacionados