Alibaba stellt sein neuestes Reasoning-Modell als Open Source vor: QwQ-32B – vergleichbar mit DeepSeek-R1 191

In den frühen Morgenstunden des 6. März 2025 hat Alibaba offiziell ihr neuestes Inferenzmodell veröffentlicht und als Open Source veröffentlicht – Tongyi Qianwen QwQ - 32B.

Tongyi Qianwen QwQ - 32B wurde mit umfangreichem Reinforcement Learning trainiert. Im Gegensatz zu herkömmlichen Methoden des Pre-Trainings und Post-Trainings ermöglicht Reinforcement Learning dem Modell, durch die Interaktion mit der Umgebung Wissen zu erlernen. Dadurch ist es in den Bereichen mathematisches Reasoning, Programmierung sowie allgemeinen Fähigkeiten besonders herausragend, und auch die Inferenzfähigkeiten können effektiver verbessert werden.

Darüber hinaus verfügt dieses Modell über agentenbezogene Fähigkeiten. Mit dieser Fähigkeit kann das Modell beim Einsatz von Werkzeugen kritisch denken und den Reasoning-Prozess jederzeit an das Feedback der Umgebung anpassen.

Überblick über das Tongyi Qianwen QwQ-32B-Modell

• Tongyi Qianwen QwQ - 32B ist ein Inferenzmodell mit 32 Milliarden Parametern. Obwohl seine Parameteranzahl deutlich geringer ist als die von DeepSeek - R1 (mit 671 Milliarden Parametern, von denen 370 Milliarden aktiviert werden), ist seine Leistung vergleichbar mit der Vollversion von DeepSeek - R1.

• Dieses Modell verwendet die Apache-2.0-Open-Source-Lizenz, die es den Nutzern ermöglicht, es kostenlos herunterzuladen und auch kommerziell zu nutzen. Es gibt zwei Open-Source-Plattformen für das Modell, nämlich Hugging Face (https://huggingface.co/Qwen/QwQ - 32B ) und ModelScope (https://modelscope.cn/models/Qwen/QwQ - 32B ).

Leistung des Tongyi Qianwen QwQ-32B-Modells

• Hervorragende Leistung: In den Bereichen mathematisches Reasoning, Programmierung und allgemeine Fähigkeiten ist QwQ - 32B äußerst leistungsstark. Im aiME24-Benchmark und im LiveCodeBench-Test ist seine Leistung mit der von DeepSeek - R1 vergleichbar und besser als bei anderen Modellen derselben Größe.

• Reinforcement Learning und Agenten-Unterstützung: Durch umfangreiches Reinforcement Learning wurden die Inferenzfähigkeiten von QwQ - 32B erheblich verbessert, sodass es komplexe Probleme tiefgründig durchdenken und verarbeiten kann. Darüber hinaus integriert das Modell Agentenfähigkeiten, die es ihm ermöglichen, beim Einsatz von Werkzeugen kritisch zu denken und den Reasoning-Prozess an das Feedback der Umgebung anzupassen.

• Anpassungsfähigkeit in mehreren Bereichen: QwQ - 32B schneidet in den Bereichen Mathematik, Programmierung und allgemeine Aufgabenbewältigung hervorragend ab und unterstützt auch multimodale Aufgaben wie Spracherkennung und Bilderkennung mit Leichtigkeit. In Benchmark-Tests wie LiveBench, IFEval und BFCL übertrifft es DeepSeek - R1. Darüber hinaus sind die Hardwareanforderungen gering, sodass eine lokale Bereitstellung auf Consumer-Grafikkarten möglich ist, was es ideal für Anwendungsszenarien mit begrenzten Hardwareressourcen macht.

Anwendungdes Tongyi Qianwen QwQ-32B-Modells

• Mathematik und logisches Reasoning: Bei mathematischen Reasoning-Aufgaben wie AIME24 erzielt QwQ - 32B hervorragende Ergebnisse und ist sowohl im Bildungs- als auch im Forschungsbereich einsetzbar.

• Programmierung und Codegenerierung: Im LiveCodeBench-Test kann es qualitativ hochwertigen Code generieren und eignet sich für Softwareentwicklung und Programmierunterricht.

• Allgemeine Aufgabenbewältigung: Bei der Befolgung von Anweisungen (IFEval) und der Verarbeitung multimodaler Aufgaben zeigt QwQ - 32B eine herausragende Leistung und kann vielfältige allgemeine Aufgaben bewältigen.

• Agentenbezogene Aufgaben: Da es Agentenfähigkeiten unterstützt und dynamische Entscheidungen treffen sowie sich an die Umgebung anpassen kann, eignet es sich für die Automatisierung komplexer Aufgaben.

HF: https://huggingface.co/Qwen/QwQ-32B

Modell: https://modelscope.cn/models/Qwen/QwQ-32B

Demo: https://huggingface.co/spaces/Qwen/QwQ-32B-Demo

Chat: https://chat.qwen.ai