明敏 克雷西 發自 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、數學等方面表現格外突出，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，采用模型兩兩組隊交給用戶盲測，根據真實對話體驗對模型能力進行投票。
也正因此， Chatbot Arena LLM Leaderboard是全球頂級大模型的最權威、最重要的競技場。
在其新開的網頁應用開發WebDev榜單上，Qwen2.5-Max也沖進了前十。
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友表示，相比之下Qwen的表現更加穩定。
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在各個單項中的表現。
在邏輯性較強的數學和代碼任務當中，Qwen2.5-Max的成績都超過了o1-mini，和滿血o1以及DeepSeek-R1并列第一。
并且在數學榜單上并列第一的模型當中，Qwen2.5-Max是唯一一個非推理模型。
如果仔細觀察具體的對戰記錄，還可以發現，Qwen2.5-Max在代碼能力上和滿血o1進行PK的勝率達到了69%。
復雜提示詞任務中，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，阿里還在技術報告中展示了Qwen2.5-Max在一些經典榜單上的表現。
其中指令模型的對比當中，Qwen2.5-Max在Arena-Hard（近似人類偏好）、MMLU-Pro（大學水平知識）等基準當中，都和GPT-4o以及Claude 3.5-Sonnet處于近似或更高的水準。
在開源的基座模型對比當中，Qwen2.5-Max的成績也全面超過了DeepSeek-V3，并遙遙領先于Llama 3.1-405B。
至于base model，Qwen2.5-Max在大多數基準測試中，也都展現出了顯著的優勢（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，大量網友都來實測。
目前發現它在代碼、推理等方面的表現突出。
比如讓它用JavaScript寫一個象棋游戲。
因為具備Artifacts功能，一句話開發的小游戲，可立刻開玩：
它生成的代碼往往更簡單易讀好用。
復雜提示詞的推理問題上，Qwen2.5-Max快速又準確：
您的團隊處理客戶請求共有3步：
數據收集（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。驗證（階段C）：每個請求花費8分鐘。
團隊當前按順序操作，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，則每小時的產出將增加20%。然而，添加并行工作流在操作開銷上要多花費15%。考慮到時間和成本，你是否應該使用并行工作流程來優化效率？
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：當前工作流分析、并行工作流分析、成本含義、成本效率權衡、結論。
最終很快得出結論：應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數字組成的旋轉球體，離視角最近的數字是純白的，最遠的逐漸變成灰色，背景是黑色。
數單詞中特定字母的數量更是不在話下。
如果你也想上手實測，Qwen2.5-Max已在Qwen Chat平臺上線，可免費體驗。
企業用戶可以在阿里云百煉調用Qwen2.5-Max模型的API。
感興趣的同學，速來嘗鮮吧~
