QwenLM, 시각 추론 AI 모델 ‘QVQ-Max’ 첫 버전 공개

기존 멀티모달 모델은 이미지 속 글자나 사물을 찾아내는 데는 능했지만, 도형이 포함된 수학 문제를 풀 때는 엉뚱한 답을 내놓기 일쑤였습니다. 보고 읽을 수는 있어도 논리적으로 생각하지는 못했기 때문입니다.

지난해 12월 공개된 실험용 모델 QVQ-72B-Preview의 수많은 문제점을 보완해, 큐원(Qwen) 팀이 3월 27일 시각적 추론 전용 모델인 'QVQ-Max'의 첫 번째 버전을 정식 공개했습니다.

생각하는 시간 늘릴수록 정답률 상승

QVQ-Max의 핵심은 이미지를 '인식'하는 수준을 넘어, 시각적 단서를 바탕으로 가설을 세우고 추론하는 능력입니다.

난이도 높은 멀티모달 수학 벤치마크인 MathVision 테스트 결과, 모델의 최대 사고 과정 길이를 늘릴수록 정답률이 꾸준히 상승하는 것으로 나타났습니다. 텍스트 추론 모델처럼 생각할 시간을 충분히 줄수록 복잡한 시각 정보를 더 정확하게 풀어내는 셈입니다.

정지된 이미지와 복잡한 도표뿐만 아니라 영상 클립을 보고 다음 장면에서 일어날 일을 예측하는 것도 가능합니다. 도형이 들어간 수학·물리 문제 풀이부터 데이터 분석, 코드 작성 보조, 러프 스케치를 기반으로 한 디자인 구체화까지 다양한 활용 데모가 제시되었습니다.

다음 목표는 화면을 직접 제어하는 비주얼 에이전트

큐원 팀은 이번 배포가 첫 번째 버전에 불과하며 앞으로 풀어야 할 과제가 많다고 밝혔습니다.

가장 먼저 집중할 영역은 시각적 관찰 결과가 맞는지 교차 검증하는 그라운딩(Grounding) 기술입니다. 이미지 속 요소를 잘못 짚어 엉뚱한 추론으로 빠지는 환각을 줄이기 위함입니다.

궁극적인 지향점은 스마트폰과 PC 화면을 직접 보고 판단해 기기를 조작하거나 게임을 플레이하는 '비주얼 에이전트'입니다. 텍스트 입력창을 벗어나 도구 검증과 이미지 생성 기능까지 결합해 복합적인 작업을 수행하도록 만들겠다는 계획입니다.

왜 중요한가

우리는 QVQ-Max가 텍스트 중심에 머물던 '테스트 타임 연산(Test-time compute)'과 느린 생각(Slow thinking) 패러다임이 비전 영역으로 본격 확산되었음을 보여주는 중요한 이정표라고 봅니다.

복잡한 도표나 설계도를 다루는 실무자에게는 단순히 그림을 묘사해 주는 챗봇보다, 시각 자료의 인과관계를 따져가며 결론을 도출하는 도구가 훨씬 절실합니다. MathVision에서 사고 길이가 길어질수록 성능이 올랐다는 점은 시각 추론의 잠재력을 분명히 증명합니다.

다만 한계도 뚜렷합니다. 이미지를 물고 늘어지며 장시간 추론을 수행하는 만큼 응답 속도가 느리고 연산 비용이 만만치 않습니다. 더욱이 초기 시각 인식 단계에서 픽셀 정보를 한 번 잘못 읽으면 뒤따르는 긴 추론 전체가 왜곡되는 고질적 위험이 있습니다. 지금 당장 복잡한 도표 해석이나 학습 보조용으로 써볼 가치는 충분하지만, 디바이스를 자율적으로 제어하는 에이전트로 쓰기까지는 완성도를 더 지켜볼 필요가 있습니다.