杭州超越杭州：阿里Qwen2.5-Max反超DeepSeek-V3！網(wǎng)友：中國AI正在快速縮小差距

克雷西 2025-02-04 20:37:51 來源：量子位

明敏 克雷西 發(fā)自 凹非寺

量子位 | 公眾號 QbitAI

剛剛，大模型競技場榜單上再添一款國產(chǎn)模型——

來自阿里，Qwen2.5-Max，超越了DeepSeek-V3，以總分1332的成績位列總榜第七。

同時還一舉超越Claude 3.5 Sonnet、Llama 3.1 405B等模型。

特別是在編程、數(shù)學(xué)等方面表現(xiàn)格外突出，能夠與滿血o1、DeepSeek-R1并列第一。

Chatbot Arena是由LMSYS Org推出的大模型性能測試平臺，目前集成了190多種模型，采用模型兩兩組隊(duì)交給用戶盲測，根據(jù)真實(shí)對話體驗(yàn)對模型能力進(jìn)行投票。

也正因此， Chatbot Arena LLM Leaderboard是全球頂級大模型的最權(quán)威、最重要的競技場。

在其新開的網(wǎng)頁應(yīng)用開發(fā)WebDev榜單上，Qwen2.5-Max也沖進(jìn)了前十。

對此lmsys官方評價說，中國AI正在快速縮小差距！

并且親身使用過的網(wǎng)友表示，相比之下Qwen的表現(xiàn)更加穩(wěn)定。

還有人說，Qwen很快就會取代硅谷的所有普通模型。

四種單項(xiàng)能力登頂

綜合榜單前三名中第一、二名被谷歌Gemini家族包攬，GPT-4o和DeepSeek-R1并列第三。

Qwen2.5-Max則是和o1-preview一起并列第七名，稍遜于滿血o1。

接下來Qwen2.5-Max在各個單項(xiàng)中的表現(xiàn)。

在邏輯性較強(qiáng)的數(shù)學(xué)和代碼任務(wù)當(dāng)中，Qwen2.5-Max的成績都超過了o1-mini，和滿血o1以及DeepSeek-R1并列第一。

并且在數(shù)學(xué)榜單上并列第一的模型當(dāng)中，Qwen2.5-Max是唯一一個非推理模型。

如果仔細(xì)觀察具體的對戰(zhàn)記錄，還可以發(fā)現(xiàn)，Qwen2.5-Max在代碼能力上和滿血o1進(jìn)行PK的勝率達(dá)到了69%。

復(fù)雜提示詞任務(wù)中，Qwen2.5-Max和o1-preview并列第二，如果僅限英文則可以排到第一，和o1-preview、DeepSeek-R1等平起平坐。

另外，Qwen2.5-Max的多輪對話能力也和DeepSeek-R1并列第一；長文本（不低于500tokens）則排行第三，超過了o1-preview。

此外，阿里還在技術(shù)報告中展示了Qwen2.5-Max在一些經(jīng)典榜單上的表現(xiàn)。

其中指令模型的對比當(dāng)中，Qwen2.5-Max在Arena-Hard（近似人類偏好）、MMLU-Pro（大學(xué)水平知識）等基準(zhǔn)當(dāng)中，都和GPT-4o以及Claude 3.5-Sonnet處于近似或更高的水準(zhǔn)。

在開源的基座模型對比當(dāng)中，Qwen2.5-Max的成績也全面超過了DeepSeek-V3，并遙遙領(lǐng)先于Llama 3.1-405B。

至于base model，Qwen2.5-Max在大多數(shù)基準(zhǔn)測試中，也都展現(xiàn)出了顯著的優(yōu)勢（閉源模型base model無法訪問，只能比較開源模型）。

代碼/推理突出，支持Artifacts

Qwen2.5-Max上線后，大量網(wǎng)友都來實(shí)測。

目前發(fā)現(xiàn)它在代碼、推理等方面的表現(xiàn)突出。

比如讓它用JavaScript寫一個象棋游戲。

因?yàn)榫邆?strong>Artifacts功能，一句話開發(fā)的小游戲，可立刻開玩：

它生成的代碼往往更簡單易讀好用。

復(fù)雜提示詞的推理問題上，Qwen2.5-Max快速又準(zhǔn)確：

您的團(tuán)隊(duì)處理客戶請求共有3步：

數(shù)據(jù)收集（階段A）：每個請求需要5分鐘。
處理（階段B）：每個請求需要10分鐘。
驗(yàn)證（階段C）：每個請求花費(fèi)8分鐘。

團(tuán)隊(duì)當(dāng)前按順序操作，但您正在考慮并行工作流。如果每個階段分配兩個人，并允許并行工作流程，則每小時的產(chǎn)出將增加20%。然而，添加并行工作流在操作開銷上要多花費(fèi)15%?？紤]到時間和成本，你是否應(yīng)該使用并行工作流程來優(yōu)化效率？

Qwen2.5-Max不到30秒就可以完成全部推理，將整體過程清晰分為5步：當(dāng)前工作流分析、并行工作流分析、成本含義、成本效率權(quán)衡、結(jié)論。

最終很快得出結(jié)論：應(yīng)該使用并行工作流程。

與同為非推理模型的DeepSeek-V3相比，Qwen2.5-Max的回答更簡潔迅速。

亦或是讓它生成一個由ASCII數(shù)字組成的旋轉(zhuǎn)球體，離視角最近的數(shù)字是純白的，最遠(yuǎn)的逐漸變成灰色，背景是黑色。

數(shù)單詞中特定字母的數(shù)量更是不在話下。

如果你也想上手實(shí)測，Qwen2.5-Max已在Qwen Chat平臺上線，可免費(fèi)體驗(yàn)。

企業(yè)用戶可以在阿里云百煉調(diào)用Qwen2.5-Max模型的API。

感興趣的同學(xué)，速來嘗鮮吧~