Qwen 2.5 Max 和 DeepSeek V3 对比

最新推荐文章于 2025-04-11 00:48:04 发布

吴脑的键客

最新推荐文章于 2025-04-11 00:48:04 发布

阅读量7.4k

点赞数 15

分类专栏：人工智能文章标签：人工智能 AIGC

本文链接：https://blog.csdn.net/weixin_41446370/article/details/145447277

版权

人工智能专栏收录该内容

580 篇文章

订阅专栏

阿里巴巴刚刚发布了迄今为止最先进的人工智能模型 Qwen2.5-Max。它不像 DeepSeek R1 或 OpenAI 的 o1 那样是一个推理模型，这意味着你无法看到它的思考过程。最好把 Qwen2.5-Max 看作是一个通用模型，是 GPT-4o、Claude 3.5 Sonnet 或 DeepSeek V3 的竞争对手。在这篇博客中，我将介绍 Qwen2.5-Max 是什么、它是如何开发的、它在竞争中的优势以及你如何获取它。

什么是 Qwen2.5-Max？

在这里插入图片描述
Qwen2.5-Max 是阿里巴巴迄今为止最强大的人工智能模型，旨在与 GPT-4o、Claude 3.5 Sonnet 和 DeepSeek V3 等顶级模型竞争。

阿里巴巴是中国最大的科技公司之一，以其电子商务平台而闻名，但它在云计算和人工智能领域也拥有强大的实力。从较小的开放式模型到大规模的专有系统，"Qwen "系列都是阿里巴巴更广泛的人工智能生态系统的一部分。

在这里插入图片描述
与之前的一些Qwen模型不同，Qwen2.5-Max没有开源，这意味着它的权重不对外公开。

Qwen2.5-Max以20万亿个代币为基础进行训练，拥有庞大的知识库和强大的通用人工智能能力。不过，它并不像 DeepSeek R1 或 OpenAI 的 o1 那样是一个推理模型，这意味着它不会明确显示自己的思考过程。不过，考虑到阿里巴巴正在进行的人工智能扩张，我们可能会在未来看到一个专门的推理模型–有可能是 Qwen 3。

Qwen2.5-Max 的工作原理是什么？

Qwen2.5-Max 采用专家混合（MoE）架构，DeepSeek V3 也采用了这种技术。这种方法既能扩大模型规模，又能控制计算成本。让我们以一种易于理解的方式来分解其关键组成部分。

在这里插入图片描述

Mixture-of-Experts (MoE) 架构

传统的人工智能模型会在每项任务中使用所有参数，与之不同的是，Qwen2.5-Max 和 DeepSeek V3 等 MoE 模型在任何时候都只激活模型中最相关的部分。

你可以把它想象成一个由专家组成的团队：如果你提出一个复杂的物理问题，只有物理方面的专家才会做出回应，而团队的其他成员则会保持沉默。这种选择性激活意味着模型可以更高效地处理大规模处理，而不需要极高的计算能力。

这种方法使 Qwen2.5-Max 不仅功能强大，而且具有可扩展性，使其能够与 GPT-4o 和 Claude 3.5 Sonnet 等密集模型竞争，同时更节省资源–密集模型是指对每个输入激活所有参数的模型。

训练和微调

Qwen2.5-Max 在 20 万亿个词库上进行了训练，涵盖了大量的主题、语言和语境。

从 20 万亿个代币的角度来看，这大约相当于 15 万亿个单词–数量之大难以估量。相比之下，乔治-奥威尔的《1984》包含约 89,000 个单词，这意味着 Qwen2.5-Max 已经在相当于 1.68 亿本《1984》的基础上进行了训练。

然而，仅靠原始训练数据并不能保证建立高质量的人工智能模型，因此阿里巴巴进一步完善了训练数据：

监督微调（SFT）：人工标注员提供高质量的回复，以指导模型生成更准确、更有用的输出结果。
从人类反馈中强化学习（RLHF）：对模型进行训练，使其答案与人类偏好保持一致，确保回答更自然、更贴近情境。

Qwen2.5-Max 基准测试

Qwen2.5-Max 已与其他领先的人工智能模型进行了测试，以衡量其在各种任务中的能力。这些基准测试同时评估了指导模型（针对聊天和编码等任务进行了微调）和基础模型（微调前的原始基础）。了解这一区别有助于明确这些数字的真正含义。

指令模型基准

指导模型针对实际应用进行了微调，包括对话、编码和常识任务。这里将 Qwen2.5-Max 与 GPT-4o、Claude 3.5 Sonnet、Llama 3.1 405B 和 DeepSeek V3 等模型进行比较。

在这里插入图片描述
指令模型的比较。来源：QwenLM

让我们快速分析一下结果：

Arena-Hard（偏好基准）： Qwen2.5-Max 得分为 89.4，领先于 DeepSeek V3（85.5）和 Claude 3.5 Sonnet（85.2）。该基准近似于人类对人工智能生成的反应的偏好。
MMLU-Pro（知识与推理）： Qwen2.5-Max 得分为 76.1，略高于 DeepSeek V3（75.9），但也略低于领先者 Claude 3.5 Sonnet（78.0）和亚军 GPT-4o（77.0）。
GPQA-Diamond（常识问答）： Qwen2.5-Max的得分为60.1，超过了DeepSeek V3（59.1），而Claude 3.5 Sonnet则以65.0领先。
LiveCodeBench（编码能力）：Qwen2.5-Max的得分为38.7，超过了DeepSeek V3（59.1）： Qwen2.5-Max的编码能力为38.7，与DeepSeek V3（37.6）大致相当，但落后于Claude 3.5 Sonnet（38.9）。
LiveBench（整体能力）： Qwen2.5-Max 以 62.2 分遥遥领先，超过了 DeepSeek V3（60.5 分）和 Claude 3.5 Sonnet（60.3 分），这表明 Qwen2.5-Max 在实际人工智能任务中具有广泛的能力。

总之，Qwen2.5-Max 被证明是一个全面的人工智能模型，在基于偏好的任务和一般人工智能能力方面表现出色，同时还保持了竞争知识和编码能力。

基本模型基准

由于 GPT-4o 和 Claude 3.5 Sonnet 是没有公开基础版本的专有模型，因此比较对象仅限于 Qwen2.5-Max、DeepSeek V3、LLaMA 3.1-405B 和 Qwen 2.5-72B 等开放重量模型。这样就能更清楚地了解 Qwen2.5-Max 与领先的大型开放模型之间的差距。

在这里插入图片描述
基本模型对比。来源：QwenLM

如果仔细观察上图，它根据评估基准的类型分为三个部分：

常识和语言理解（MMLU、MMLU-Pro、BBH、C-Eval、CMMU）： Qwen2.5-Max 在这一类别的所有基准中均处于领先地位，在 MMLU 和 C-Eval 中的得分分别为 87.9 和 92.2，超过了 DeepSeek V3 和 Llama 3.1-405B。这些基准主要考察知识的广度和深度，以及在推理中应用这些知识的能力。
编码和问题解决（HumanEval、MBPP、CRUX-I、CRUX-O）： Qwen2.5-Max 在所有基准测试中均遥遥领先，在编码相关任务中表现出色，HumanEval 得分为 73.2，MBPP 得分为 80.6，略高于 DeepSeek V3，大幅领先于 Llama 3.1-405B。这些基准衡量的是编码技能、解决问题的能力，以及遵循指令或独立生成解决方案的能力。
数学问题解决（GSM8K、MATH）：数学推理是 Qwen2.5-Max 的强项之一，在 GSM8K 中获得 94.5 分，远远超过 DeepSeek V3（89.3 分）和 Llama 3.1-405B （89.0 分）。不过，在侧重于解决更复杂问题的数学计算中，Qwen2.5-Max 的得分为 68.5，略微超过竞争对手，但仍有改进空间。

如何访问 Qwen2.5-Max 访问

Qwen2.5-Max 非常简单，无需任何复杂设置即可免费试用。

Qwen Chat

体验Qwen2.5-Max的最快方法是通过Qwen Chat平台。这是一个基于网络的界面，允许您直接在浏览器中与模型互动，就像在浏览器中使用 ChatGPT 一样。

要使用 Qwen2.5-Max 模型，请单击模型下拉菜单并选择 Qwen2.5-Max：

在这里插入图片描述

通过阿里云访问 API

对于开发者来说，Qwen2.5-Max 可通过阿里云 Model Studio API 访问。要使用它，你需要注册一个阿里云账户，激活 Model Studio 服务，并生成一个 API 密钥。由于 API 遵循 OpenAI 的格式，因此如果你已经熟悉 OpenAI 模型，整合起来应该很简单。有关详细设置说明，请访问 Qwen2.5-Max 官方博客。

结论

Qwen2.5-Max 是阿里巴巴目前能力最强的人工智能模型，可与 GPT-4o、Claude 3.5 Sonnet 和 DeepSeek V3 等顶级模型竞争。与之前的一些 Qwen 模型不同，Qwen2.5-Max 没有开源，但可通过 Qwen Chat 或阿里云上的 API 访问进行测试。鉴于阿里巴巴在人工智能领域的持续投资，未来出现一个以推理为重点的模型也不足为奇——有可能是 Qwen 3。