QwQ-32B 测评和使用教程来了！

最新推荐文章于 2025-05-24 09:41:10 发布

原创最新推荐文章于 2025-05-24 09:41:10 发布 · 1.7k 阅读

8 ·

CC 4.0 BY-SA版权

Datawhale干货

作者：张龙斐，Datawhale鲸英助教

昨天凌晨，阿里开源了全新的推理模型：QwQ-32B。

据官方发布消息，该模型性能比肩满血版 DeepSeek-R1（671B）！

可以看到在官方放出的评测图中， QwQ-32B 与满血版 DeepSeek R1（671B）在五项基准测试的得分不相上下，更是远超同尺寸 R1 蒸馏模型。

看到了这些消息后，我就开始上手深度测试。

QwQ-32B开源链接：

魔搭开源链接：https://modelscope.cn/models/Qwen/QwQ-32B

huggingface开源链接：https://huggingface.co/Qwen/QwQ-32B

在线体验地址：

https://chat.qwen.ai/?models=Qwen2.5-Plus

本地部署：保姆级实战教程

我在 AutoDL 上租用一张 4090，本地部署了一个 QwQ-32B-AWQ 量化版本。

写了个保姆级部署教程，因篇幅原因，大家可以按需查看～

教程地址：https://datawhaler.feishu.cn/docx/Wz2NdqSx1oEZsuxB9zHcEQ20nNe

根据命令行打印的信息可以看到模型在一张 4090 GPU 上完美运行。我给他测试了最近很火的问题：

9.11 和 9.9 哪个更大？

推理一共花了 21.39 秒，结果如下所示：

实测下来，QwQ-32B-AWQ 量化版本显存占用不到 18GB ，一张 4090 绰绰有余。而 32B 的 QwQ，也是完美适配消费级硬件。

性能实测

在 QwQ-32B 的性能方面，我分了代码能力、数学能力和逻辑能力三个维度进行测评。

首先是代码能力，我让它“编写一个 python 脚本，显示一个球在旋转的六边形内部弹跳。球应该受到重力和摩擦的影响，并且必须真实地弹跳 off 转动的墙壁。”

可以看到，整个球体的弹跳和撞击特别真实，就连小球带动大框的效果都做出来了，很好的还原了真实的物理场景。

而 Grok-3 在这个问题上直接就炸了，小球直接自由落体。

然后我试了试它的数学能力。最近正好考研成绩出了，我就拿了两道数一的考研题进行了测试：

题目一：回答完全正确。

题目二：回答完全正确。

数学和代码作为 QwQ-32B 的主攻方向，确实是效果极佳。

最后的逻辑推理能力实测来自 unlock-deepseek 项目群。

有一道很有意思的题目：

下面我会给你一道数学单选题，请选出正确答案。题目信息如下：

下面说法正确的是（）．

A：跳远测距离，根据的是两点之间线段最短．

B：跳高杆不会掉落，是因为两点确定一条直线．

C：多条跑道找捷径，根据的是垂线段最短．

D：同一路口白色斑马线互相平行，是因为过直线外一点有且只有一条直线与已知直线平行．

这道题有多难呢，大家可以试试看，模型的思考过程真的特别精彩，上演了足足 7 分多钟的左右脑互搏。。

但是 QwQ 还是回答出了正确答案。

结合数学、代码、逻辑推理三个维度的实测，QwQ 的实力还是挺强悍的，一点也不输几个主流的超大杯参数的推理模型。

Agent 相关能力：Function Call

QwQ-32B 中还集成了与 Agent（智能体）相关的能力，支持函数调用。于是我也测试使用了一下，搭建了一个股票数据分析 Agent：

import osfrom openai import OpenAIimport efinance as efimport json# 设置模型的 API 地址openai_api_base = "http://localhost:8000/v1"api_key = "dummy_key"  # 本地部署不需要真实 key# 实例化 OpenAI 客户端client = OpenAI(    api_key=api_key,    base_url=openai_api_base,)# 定义可用的函数def query_stock_code(stock_name):    """查询股票代码"""    try:        stock_data = ef.stock.get_realtime_quotes(stock_name)        return stock_data.to_dict('records')    except Exception as e:        return {"error": str(e)}def get_stock_history(stock_code, start_date=None, end_date=None):    """获取股票历史数据"""    try:        history_data = ef.stock.get_quote_history(stock_code, start_date, end_date)        return history_data.to_dict('records')    except Exception as e:        return {"error": str(e)}def get_stock_financial(stock_code):    """获取股票财务数据"""    try:        financial_data = ef.stock.get_financial_report(stock_code)        return financial_data.to_dict('records')    except Exception as e:        return {"error": str(e)}# 定义函数映射function_map = {    "query_stock_code": query_stock_code,    "get_stock_history": get_stock_history,    "get_stock_financial": get_stock_financial}# 定义函数描述，用于告诉模型可用的函数functions = [    {        "name": "query_stock_code",        "description": "查询股票的实时行情数据",        "parameters": {            "type": "object",            "properties": {                "stock_name": {                    "type": "string",                    "description": "股票名称或代码"                }            },            "required": ["stock_name"]        }    },    {        "name": "get_stock_history",        "description": "获取股票的历史行情数据",        "parameters": {            "type": "object",            "properties": {                "stock_code": {                    "type": "string",                    "description": "股票代码"                },                "start_date": {                    "type": "string",                    "description": "开始日期，格式为YYYY-MM-DD"                },                "end_date": {                    "type": "string",                    "description": "结束日期，格式为YYYY-MM-DD"                }            },            "required": ["stock_code"]        }    },    {        "name": "get_stock_financial",        "description": "获取股票的财务报表数据",        "parameters": {            "type": "object",            "properties": {                "stock_code": {                    "type": "string",                    "description": "股票代码"                }            },            "required": ["stock_code"]        }    }]def interactive_stock_query():    """交互式股票查询功能"""    print("欢迎使用股票查询助手！您可以询问任何有关股票的问题。输入'退出'结束对话。")        # 保存对话历史    conversation_history = []        while True:        user_input = input("\n请输入您的问题: ")        if user_input.lower() in ['退出', 'exit', 'quit']:            print("感谢使用，再见！")            break                # 添加用户输入到对话历史        conversation_history.append({"role": "user", "content": user_input})                try:            # 调用模型，允许函数调用            response = client.chat.completions.create(                model="QwQ-32B",                messages=conversation_history,                functions=functions,                function_call="auto"            )                        assistant_message = response.choices[0].message                        # 添加助手回复到对话历史            conversation_history.append(assistant_message)                        # 检查是否有函数调用            if assistant_message.function_call:                function_call = assistant_message.function_call                function_name = function_call.name                                # 解析函数参数                try:                    function_args = json.loads(function_call.arguments)                except json.JSONDecodeError:                    print("函数参数解析错误")                    continue                                print(f"正在调用函数: {function_name}")                                # 执行函数                if function_name in function_map:                    function_to_call = function_map[function_name]                    function_response = function_to_call(**function_args)                                        # 将函数执行结果添加到对话历史                    conversation_history.append({                        "role": "function",                        "name": function_name,                        "content": json.dumps(function_response, ensure_ascii=False)                    })                                        # 再次调用模型，让它解释函数执行结果                    second_response = client.chat.completions.create(                        model="QwQ-32B",                        messages=conversation_history                    )                                        # 输出模型解释                    print("\n助手:", second_response.choices[0].message.content)                                        # 添加到对话历史                    conversation_history.append(second_response.choices[0].message)                else:                    print(f"未知函数: {function_name}")            else:                # 直接输出模型回复                print("\n助手:", assistant_message.content)                        except Exception as e:            print(f"发生错误: {str(e)}")if __name__ == "__main__":    interactive_stock_query()

成果展示：