惊艳超越Claude-2.1和GPT-3.5-Turbo，Qwen1.5还藏了哪些黑科技？32K Tokens上下文支持只是开胃菜！

开源新星Qwen1.5闪亮登场！不同大小的模型，满足你的各种需求。虽然在对齐上暂时没追上GPT-4-Turbo，但别小看它！在MT-Bench和Alpaca-Eval v2的测试中，Qwen1.5可是把Claude-2.1和GPT-3.5-Turbo-0613都甩在了身后！这就是开源的魔力，未来还有更多可能等待发掘。

那么，Qwen1.5到底还有多少惊喜等着我们？

如果有其他疑问，欢迎朋友关注留言！

更多内容迁移到知乎，感谢的关注：https://www.zhihu.com/people/dlimeng

模型介绍与特点

为了深入了解Qwen1.5的实力，我们对其基础和聊天模型进行了全面评估。从语言理解到代码、推理，每一项基础能力都经过严格测试。多语言处理、符合人类喜好、智能体能力，还有检索增强生成，它都游刃有余。

在MMLU、C-Eval等知名数据集上，Qwen1.5大显身手，尤其72B版本，更是远超Llama2-70B。数学、推理，对它来说都是小菜一碟。

小模型也火热，我们拿Qwen1.5的小参数版本和市面上的佼佼者比了比，结果很惊喜。虽然参数少，但实力一点不输。怎么让大模型的能力“传授”给小模型？我们正在研究。

想让AI更懂人，对齐技术很关键。我们用先进的策略优化技术，让Qwen1.5更贴合人类思维。

评估AI聊天模型，挑战多多。我们请大模型来当“评委”，在MT-Bench和Alpaca-Eval上给Qwen1.5打分。结果？很不错！虽然没赢过GPT-4-Turbo，但也超过了Claude-2.1等一众高手。

回答长短，不是Qwen1.5的考量。它注重质量，不会为了得分而啰嗦。用户反馈也证明了这一点：新版本的回答，更受欢迎。

多语言能力如何？我们选了12种语言来测。考试、翻译、数学…Qwen1.5样样行。阿拉伯语、日语、韩语，它都能轻松应对。

这只是Qwen1.5的冰山一角。它还有哪些隐藏技能？等你来探索。

技术合作与生态支持

通用语言模型的魅力，可不止于说话。它们还能与外部系统“搭档”，解决大问题。比如，RAG这种新热门任务，就能帮大语言模型避免“胡思乱想”、获取不到最新或私密信息等尴尬。而且，这些模型还能熟练地用API、写代码，就像个智能助手。

我们给Qwen1.5的Chat模型来了个全面体检，看看它在RAG任务上表现如何。结果挺不错！大模型通常比小模型更厉害，快赶上GPT-4了。但在数学和可视化任务上，Qwen1.5还得加把劲，尤其是编码能力。未来，我们打算让所有Qwen模型都更擅长编码，期待它们的进步吧！

不过，这只是开始。通用语言模型与外部系统的结合，还有哪些惊人潜能？

模型效果与评估

长文理解，轻松搞定！Qwen1.5全新升级，支持超长32K tokens上下文。我们在专业基准L-Eval上测试，看它如何应对复杂长文。

结果惊艳！Qwen1.5小模型就与GPT-3.5不相上下，而72B大模型更逼近GPT4-32k。无论多长的内容，它都能应对自如。

但这还不是极限！想挑战更长文本？试着调整config.json里的设置，可能会有新发现哦！

想要亲自体验Qwen1.5的超能力吗？

开发体验与应用前景

这次的最大看点，就是它与HuggingFace transformers库的完美结合。从4.37.0版本起，你无需加载任何自定义代码，就能轻松调用Qwen1.5。

代码语言：javascript

复制

from transformers import AutoModelForCausalLM  
# 以前的用法  
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen-7B-Chat", device_map="auto", trust_remote_code=True)  
# 现在更简单  
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen1.5-7B-Chat", device_map="auto")

想跟Qwen1.5聊天？没问题，几行代码就能搞定！

代码语言：javascript

复制

from transformers import AutoModelForCausalLM, AutoTokenizer  
device = "cuda"  # 选择你的设备  
  
# 加载模型和分词器  
model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen1.5-14B-Chat-AWQ", device_map="auto")  
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen1.5-14B-Chat-AWQ")  
  
# 提出问题  
prompt = "给我介绍一下大型语言模型。"  
messages = [{"role": "system", "content": "你是一个有用的助手。"}, {"role": "user", "content": prompt}]  
  
# 处理输入  
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)  
model_inputs = tokenizer([text], return_tensors="pt").to(device)  
  
# 生成回答  
generated_ids = model.generate(model_inputs.input_ids, max_new_tokens=512)  
generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]  
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

Qwen1.5-72B-Chat Demo使用，示例逻辑推理和写长文测试。

qwen1.5通用性功能没有问题，更深的功能得上开发手段，

结语

Qwen1.5不仅代表着开源AI技术的新高度，更以其卓越的性能、广泛的合作生态和出色的开发体验，为研究者与应用开发者提供了强大的支持。展望未来，Qwen1.5有望在更多场景中发挥其不可替代的作用，推动AI技术的持续创新与发展。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】