알리바바 클라우드, 시각 추론 모델 QVQ-Max 공식 출시: 이미지·비디오 이해 넘어 문제 해결 능력 강화

알리바바 클라우드는 시각 추론 모델 QVQ-Max의 첫 공식 버전을 출시했다. 이 모델은 이미지와 비디오 콘텐츠를 단순히 인식하는 것을 넘어, 해당 정보를 분석하고 추론하여 문제 해결책을 제공하는 데 중점을 둔다. 지난 12월에 탐색 모델 QVQ-72B-Preview를 선보인 바 있으나, QVQ-Max는 이를 개선하여 수학 문제, 일상 질문, 프로그래밍 코드, 예술 창작 등 광범위한 영역에서 인상적인 역량을 발휘한다.

이러한 변화는 기존 인공지능 모델이 주로 텍스트 입력에 의존했던 한계에서 비롯된다. 실제 세계의 많은 정보는 이미지, 차트, 비디오 등 비언어적 형태로 표현되며, 이는 색상, 모양, 공간 관계와 같은 풍부하고 직관적이지만 복잡한 세부 정보를 담고 있다. 예를 들어, 건축 설계도의 합리성을 판단할 때 텍스트 설명만으로는 불충분하며, 시각적 분석과 전문 지식이 결합되어야 한다. QVQ-Max는 AI가 단순히 '보는' 것을 넘어 '이해하고' '생각'할 수 있도록 하는 시각 추론의 중요성을 강조하며, '예리한 눈'과 '빠른 사고'를 겸비한 보조 도구를 목표로 개발되었다.

QVQ-Max의 핵심 역량은 상세 관찰, 심층 추론, 유연한 적용 세 가지로 요약된다. 상세 관찰 능력은 복잡한 차트나 일상 사진 등 다양한 이미지를 분석하여 핵심 요소를 식별하는 데 탁월하다. 사진 속 객체, 텍스트 라벨은 물론 사용자가 놓치기 쉬운 작은 세부 사항까지 파악한다. 심층 추론은 이미지 정보를 분석하고 배경 지식과 결합하여 결론을 도출하는 능력으로, 기하학 문제에서 다이어그램을 기반으로 답을 유도하거나 비디오 클립에서 현재 장면에 기반하여 다음 상황을 예측하는 등의 작업을 수행한다.

유연한 적용 능력은 분석 및 추론을 넘어 창의적인 작업까지 확장된다. 사용자의 요구사항에 따라 일러스트 디자인을 돕거나, 짧은 비디오 스크립트를 생성하고, 역할극 콘텐츠를 제작할 수 있다. 거친 스케치를 완전한 작품으로 다듬거나, 일반 사진을 비평가 또는 점쟁이처럼 변환하는 등 다채로운 활용이 가능하다. 특히, MathVision 벤치마크 평가에서는 모델의 '사고 과정 최대 길이(maximum length of the model’s thinking process)'를 조정함에 따라 수학 문제 해결 정확도가 지속적으로 개선되는 경향을 보이며 모델의 잠재력을 입증했다.

QVQ-Max는 학습, 업무, 일상생활 등 다양한 시나리오에서 사용자에게 실질적인 도움을 제공한다. 업무 환경에서는 데이터 분석, 정보 정리, 코드 작성 등을 지원하는 도구로 활용될 수 있다. 학생들을 위한 학습 보조 기능으로는 수학, 물리 등 다이어그램이 포함된 어려운 문제 해결을 돕고, 복잡한 개념을 직관적으로 설명하여 학습 효율을 높인다. 일상생활에서는 옷장 사진을 기반으로 의상 조합을 추천하거나, 레시피 이미지를 통해 새로운 요리 과정을 안내하는 등 실용적인 조언을 제공한다. 다중 이미지 인식, 수학적 추론, 손금 읽기(참고용), 비디오 이해, 비디오를 통한 코딩 학습 등의 데모 사례가 QVQ-Max-Preview 버전으로 공개되었다.

현재 QVQ-Max는 첫 번째 버전으로, 향후 개선을 위한 여러 계획이 진행 중이다. 알리바바 클라우드는 더 정확한 관찰을 위해 시각 콘텐츠에서 얻은 관찰 결과를 검증하는 그라운딩(grounding) 기술을 통해 인식 정확도를 향상시킬 예정이다. 또한, 스마트폰이나 컴퓨터 조작, 게임 플레이 등 다단계의 복잡한 작업을 처리하는 모델의 능력을 개선하여 시각 에이전트로서의 역량을 강화한다. 마지막으로, 텍스트 기반 상호작용을 넘어 도구 검증 및 시각 생성과 같은 더 많은 양식을 포함하여 사용자에게 더욱 풍부한 상호작용 경험을 제공할 계획이다. QVQ-Max는 아직 성장 단계에 있지만, 지속적인 최적화를 통해 실제 문제를 해결하는 데 기여하는 실질적인 시각 에이전트가 되는 것을 목표로 한다.