Alibabas Qwen-Team hat mit QVQ-72B-Preview ein experimentelles multimodales Sprachmodell veröffentlicht, das im MMMU-Benchmark 70,3 Prozent erreicht und damit GPT-4o (69,1 %) sowie Claude 3.5 Sonnet (70,4 %) knapp unter- bzw. gleichauf liegt, laut Modelldokumentation auf Hugging Face. Für Entscheider ist QVQ-72B-Preview relevant, weil das Modell visuelle Schlussfolgerungen mit mathematischem Reasoning verbindet: Im MathVista-Benchmark übertrifft es mit 71,4 Punkten sogar OpenAIs o1 (71,0). Unternehmen, die multimodale Analyseprozesse automatisieren wollen, erhalten damit eine Open-Weight-Alternative zu proprietären Diensten. Bekannte Einschränkungen wie Sprachvermischung und instabile Reasoning-Ketten sollten bei Produktiveinsätzen jedoch eingeplant werden.

Alibaba Qwen QVQ-72B-Preview: Visuelles Reasoning für multimodale Enterprise-Anwendungen

Das Qwen-Team von Alibaba hat mit QVQ-72B-Preview ein experimentelles Forschungsmodell veröffentlicht, das visuelle Reasoning-Fähigkeiten in den Mittelpunkt stellt. Laut den auf Hugging Face publizierten Modellkarten erreicht das Modell auf dem MMMU-Benchmark (Multimodal Massive Multi-task Understanding) einen Wert von 70,3 Prozent und übertrifft damit GPT-4o (69,1 Prozent) und Claude 3.5 Sonnet (70,4 Prozent) in dieser Disziplin. OpenAIs o1-2024-12-17 führt das MMMU-Feld mit 77,3 Prozent an.

Was hinter dem Modell steckt

QVQ-72B-Preview basiert auf dem Basismodell Qwen2-VL-72B und ist unter einer eigenen Qwen-Lizenz auf Hugging Face verfügbar. Das Modell ist als Forschungsvorschau deklariert, nicht als produktionsreifes System. Der Schwerpunkt liegt auf der Verknüpfung von Bildverständnis und mehrstufigem logischem Schließen.

Die Benchmark-Ergebnisse im Überblick laut Modellkarte:

Bei MathVista übertrifft QVQ-72B-Preview demnach alle gelisteten Wettbewerber, darunter auch o1. Im MathVision-Benchmark liegt das Modell auf Augenhöhe mit Claude 3.5 Sonnet und deutlich vor GPT-4o.

Bekannte Einschränkungen

Das Qwen-Team benennt in der Modellkarte explizit mehrere Limitierungen, die für den Einsatz in Unternehmensumgebungen relevant sind:

• Sprachmischung und Code-Switching: Das Modell wechselt gelegentlich unbeabsichtigt zwischen Sprachen, was Ausgaben in mehrsprachigen Workflows beeinträchtigen kann.
• Experimenteller Status: Der Preview-Charakter signalisiert, dass Stabilität und Konsistenz noch nicht dem Stand produktionsreifer Systeme entsprechen.

Entscheider sollten diese Punkte bei der Evaluierung für produktive Einsatzszenarien berücksichtigen.

Praktische Implikationen für Unternehmen

1. Visuelle Dokumentenanalyse und technisches Bildverstehen Unternehmen, die große Mengen an Konstruktionszeichnungen, Schaltplänen, medizinischen Bildern oder wissenschaftlichen Diagrammen verarbeiten, können von einem Modell mit hohen Werten in multidisziplinärem Bildverstehen profitieren. Die MMMU-Punktzahl von 70,3 Prozent deutet auf Stärken bei heterogenen Bildkategorien hin. Konkrete Produktionstauglichkeit muss intern validiert werden.

2. Mathematisch-visuelles Reasoning in Fertigung und Technik Der MathVista-Wert von 71,4 Prozent macht QVQ-72B-Preview für Aufgaben interessant, bei denen numerische Daten aus Grafiken, Messsystemen oder Tabellen extrahiert und weiterverarbeitet werden. Das betrifft etwa Qualitätssicherung, Prozessoptimierung oder technische Dokumentation. Verglichen mit dem leichtgewichtigeren QwQ-1B für Edge-Anwendungen adressiert QVQ-72B-Preview den Server-seitigen Hochleistungsbereich.

3. Open-Weight-Verfügbarkeit als Evaluierungsoption Das Modell ist über Hugging Face als Open-Weight-Variante zugänglich, unter anderem in einer 4-Bit-quantisierten Version (QVQ-72B-Preview-bnb-4bit). Das erlaubt On-Premises-Tests ohne direkte API-Abhängigkeit von Alibaba-Diensten, was für datenschutzsensible Umgebungen relevant sein kann. Wer die Reasoning-Stärken des größeren Qwen-Ökosystems einordnen möchte, findet im Artikel zu Qwen QwQ-32B als Open-Source-Reasoning-Modell einen direkten Vergleich mit OpenAI o1.

4. Benchmark-Ergebnisse unabhängig verifizieren Die publizierten Werte stammen aus der eigenen Modellkarte des Qwen-Teams. Wie bei anderen Herstellerangaben gilt: Eigenangaben und unabhängig gemessene Werte können divergieren. Unternehmen sollten aufgabenspezifische Evaluierungen auf eigenen Datensätzen durchführen, bevor Investitionsentscheidungen getroffen werden. Zur Einordnung der Benchmark-Methodik empfiehlt sich ein Blick auf die Diskussion zu Benchmark-Validität und Datenkontamination.

Einordnung im Wettbewerbsumfeld

QVQ-72B-Preview ist nicht das einzige Modell, das im multimodalen Reasoning-Segment punktet. Anthropics Claude-Modelle, GPT-4o und Googles Gemini-Familie adressieren ähnliche Anwendungsfälle. Der Unterschied liegt beim Qwen-Ansatz im Open-Weight-Charakter und der gezielten Ausrichtung auf visuell-mathematische Aufgaben. Wer multimodale Modelle systematisch für Enterprise-Entscheidungen bewertet, sollte zudem die EDPB-Leitlinien 2025 zu multimodalen LLMs und Datenschutz im Blick behalten, da Bildverarbeitungssysteme unter Umständen besondere datenschutzrechtliche Anforderungen auslösen.

Quellen

• README.md · Qwen/QVQ-72B-Preview auf Hugging Face
• unsloth/QVQ-72B-Preview-bnb-4bit · Hugging Face
• sinatras/QVQ-Licensed-Fork · Hugging Face

Häufige Fragen

Was ist QVQ-72B-Preview und wer hat es entwickelt?

QVQ-72B-Preview ist ein experimentelles Forschungsmodell des Qwen-Teams von Alibaba. Es basiert auf dem Grundmodell Qwen2-VL-72B und wurde mit dem Ziel entwickelt, visuelle Schlussfolgerfähigkeiten (Visual Reasoning) gezielt zu verbessern. Das Modell verarbeitet Bild- und Texteingaben und gibt Textantworten aus.

Wie schneidet QVQ-72B-Preview im Vergleich zu Modellen wie GPT-4o oder Claude 3.5 Sonnet ab?

Auf dem MMMU-Benchmark (Multimodal Massive Multi-task Understanding) erreicht QVQ-72B-Preview einen Wert von 70,3 Prozent. GPT-4o (Stand Mai 2024) erzielt dort 69,1 Prozent, Claude 3.5 Sonnet (Stand Oktober 2024) 70,4 Prozent. Beim MathVista-Benchmark liegt QVQ-72B-Preview mit 71,4 Prozent vor allen genannten Vergleichsmodellen. Lediglich OpenAIs o1 (Stand Dezember 2024) übertrifft das Modell beim MMMU-Wert mit 77,3 Prozent deutlich.

Für welche mathematischen und wissenschaftlichen Aufgaben eignet sich das Modell im Unternehmenseinsatz?

Die Benchmark-Ergebnisse zeigen besondere Stärken bei mathematisch-visuellen Aufgaben: Beim MathVision-Benchmark erreicht QVQ-72B-Preview 35,9 Prozent, das ist der höchste Wert unter den verglichenen Modellen. Beim OlympiadBench, der anspruchsvolle olympiadegradige Problemstellungen bewertet, erzielt es 20,4 Prozent. Diese Ergebnisse deuten auf einen Einsatzbereich in der Analyse komplexer Diagramme, mathematischer Dokumentenauswertung und wissenschaftlicher Bildinterpretation hin.

Welche bekannten Schwächen hat QVQ-72B-Preview, die Unternehmen vor dem Einsatz kennen sollten?

Das Qwen-Team weist selbst auf mehrere Einschränkungen hin. Das Modell kann unerwartet zwischen verschiedenen Sprachen wechseln, was die Ausgabequalität beeinträchtigen kann. Außerdem befindet es sich ausdrücklich im Preview-Status, was bedeutet, dass es für den produktiven Einsatz in kritischen Geschäftsprozessen noch nicht als vollständig geprüft gilt. Unternehmen sollten diese Punkte in ihrer Evaluierung berücksichtigen.

Unter welcher Lizenz steht QVQ-72B-Preview und wie kann es bezogen werden?

Das Modell wird unter der proprietären Qwen-Lizenz veröffentlicht, deren genaue Bedingungen in der zugehörigen LICENSE-Datei auf Hugging Face hinterlegt sind. Es ist über die Plattform Hugging Face abrufbar, unter anderem auch in einer speicheroptimierten 4-Bit-Quantisierung (bnb-4bit). Der Download ist per Hugging-Face-CLI oder curl direkt möglich.

Dieser Artikel wurde von einem KI-System automatisiert erstellt. Kennzeichnung gemäß Art. 50 der EU-KI-Verordnung.