阿里干了一件离了大谱的事情：QwQ-32B直接拉到和DeepSeek R1满血版快齐平的高度。
仅有32B参数量的模型，居然能在多个关键基准测试上与671B参数的DeepSeek R1满血版表现相当！
问题是还集成了Agent相关能力！
QwQ-32B在几乎所有数据集里都已经能跟满血版DeepSeek R1（671B）表现相当，尤其是在数学和代码方面的表现更是惊人：
- MATH-500：QwQ-32B达到90.6%
- AIME：QwQ-32B达到50.0%
- GPQA：QwQ-32B达到65.2%
- LiveCodeBench：QwQ-32B达到50.0%
这些成绩几乎拉开了与o1-mini一个身位的差距，在某些方面甚至与DeepSeek R1的全尺寸版本不相上下。
就在GPT4.5刚刚证明传统路线可能即将撞墙之际，阿里给我们带来了强有力的证据：强化学习（RL）路线远远还没到头。
为什么会这么牛逼呢？QwQ-32B主要采用了两阶段的强化学习训练策略：
- 第一阶段RL：专注于数学和编码任务，利用精确验证器和代码执行服务器不断提升性能。
- 第二阶段RL：着力于提升通用能力，同时保持数学和编码领域的优势。
这与最近在斯坦福研究中发现的现象相呼应：为什么Qwen-2.5-3B一开始就能自我检查答案，而Llama-3.2-3B却不行？
答案就在于千问团队的强化学习技术，能让模型自己学会关键的"思考习惯"。
我第一时间用自己的4090D显卡，下载并部署了。
实际体验如何？让我从文学创作、编程计算和其他方面给大家分享一下测试结果：
我让QwQ-32B写一篇关于"数字化转型中人类价值的重新定义"的短文。结果让我惊讶——它不仅捕捉到了技术与人文的平衡点，还展现出了深刻的思辨能力：
在数字化转型的过程中，人类的价值不仅没有被削弱，反而得到了更加充分的体现和提升。数字化转型的核心是利用现代信息技术提高生产效率和服务质量，这一过程离不开人的创新思维、决策能力和情感交流等独特优势…
文章结构严谨逻辑清晰，还自然地融入了哲学思考，这种输出质量远超我对32B模型的期望。
整个过程显存都没有跑满：
接着，我给QwQ-32B出了几道Python经典算法题，其中一道是"实现一个高效的图算法来解决最短路径问题"。
几分钟的思考后，QwQ-32B不仅实现了Dijkstra算法，还同时提供了A*算法的优化版本，并附带了详细的思考：
思考过程和代码不仅正确实现了Dijkstra算法，而且使用了优先队列优化，将时间复杂度从朴素O(V²)优化到了O((V+E)logV)。
当我将这段代码与经典教科书的实现对比时，发现QwQ-32B的实现在可读性和效率上甚至更胜一筹。执行速度在大型图测试中比我之前使用的标准实现快了约40%！
最后我给QwQ-32B出了一道逻辑推理题，我同时对比了三家模型，结果让我惊讶：
五位小朋友（小明、小红、小华、小李、小张）排队领糖果。已知：
小明在小红前面；
小华不在队伍的最前面，也不在最后面；
小李在队伍中间位置（第三位）；
小张不紧挨着小红。
请问：五个小朋友的排队顺序是怎样的？
这道题虽然简单，但需要同时考虑多个条件，逐步推理出唯一解。
QwQ-32B的解题过程非常清晰，但过程说实话，极其漫长，本地速度大概在8~10token/s左右，差点以为翻车：
通过漫长的逐步推理，QwQ-32B最终得出了正确答案：
不仅如此，QwQ-32B还主动验证了这个解答是否满足所有约束条件，确保答案的正确性和唯一性。
后来，我又对比一下DeepSeek R1满血版，因为使用的是火山引擎，速度很快，使用和部署 请看这里：AI小白视频课程：DeepSeek API是什么？怎么用？
最令人没想到的是，Claude3.7 Sonent居然错了(无 Thinking），它居然错了！！！
32B这般严密的逻辑推理和约束处理能力，实属罕见！
32B与671B，在算力要求和成本上的差距是巨大的：671B的模型在FP16精度下需要1400G显存，这个门槛有多高，大家都懂！
而32B的QwQ仅需一张4090D就能运行
这是天壤之别的差距！
普通企业和开发者现在可以直接获取一个足以对标DeepSeek R1的推理能力的开源大模型，并在自家环境中任意调试、微调和二次开发。
更何况，阿里云资源、ModelScope、Hugging Face镜像的支持，让部署壁垒降到了几乎为零。
对于大多数企业垂直场景，一个优秀的32B模型已经足够，没必要一定要上那种"又烧又贵"的600多亿参数巨无霸！
如果你想体验这款强大的QwQ-32B，可以通过以下方式：
在线体验：访问 https://chat.qwen.ai ，选择Qwen2.5-Plus，再开启Thinking（QwQ）功能即可使用QwQ-32B
开源链接：魔搭
https://modelscope.cn/models/Qwen/QwQ-32B
如何学习AI大模型 ？
“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，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。【保证100%免费】🆓
优快云粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】
读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
👉1.大模型入门学习思维导图👈
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）
👉4.大模型落地应用案例PPT👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习
优快云粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传优快云，朋友们如果需要可以扫描下方二维码&点击下方优快云官方认证链接免费领取 【保证100%免费】
读者福利： 👉👉优快云大礼包：《最新AI大模型学习资源包》免费分享 👈👈
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
