Qwen版o1發佈即開源！32B參數比肩OpenAI o1-mini，一手實測在此

通義千問版o1來了，還是開源的！

深夜，通義團隊突然上線推理模型QwQ，參數量只有32B，在GPQA上擊敗了o1-mini。

目前，QwQ的模型權重已在HuggingFace和魔搭社區上發佈，還可以直接在線試玩。

Ollama、Together.ai等大模型平臺也迅速跟進，第一時間宣佈支持QwQ運行。

還有網友實測發現，對於自己手中的一道化學計算題，QwQ是除了o1之外唯一能答對的。

此外有網友指出，QwQ預覽版參數量只有32B，這意味着o1水平的推理模型，在本地就能運行了。

按照官方放出的成績，QwQ、o1-preview和o1-mini在GPQA（科學推理）、AIME、MATH-500（數學）以及LiveCodeBench（代碼）四個數據集中各有勝負，但整體水平比較接近。

而相比GPT-4o、Claude 3.5 Sonnet和自家的Qwen2.5，領先優勢就比較明顯了。

至於QwQ的實際推理能力到底如何，我們就拿o1-mini對比着測試一下~

首先是官方展示的一道邏輯推理題目：

對於這個問題，QwQ用了足足兩千多字進行了分析，這是其中的核心思路：

之後，QwQ開始了近乎列舉式的分析方式，一張一張牌地來判斷，但好在最終得到的結果是正確的。

相比之下，o1-mini的回答就顯得十分簡潔了。

再來一道經典的邏輯題，果不其然QwQ又寫起了小作文，而且這次更甚，有4千多字，而且依然是主打一個“試”。

經過對列出情況的逐個嘗試和檢查，一段時間後得到了最後的正確答案。

再看看o1-mini，用很簡單的文字就把問題解釋了，推理效率要高得多。

雖然QwQ解釋得詳細些不是壞事，但中間的錯誤嘗試對於提問者而言就顯得有些多餘了。

除了基礎邏輯，再來看看QwQ的數學水平如何，先來幾道考研數學題試試。

第一題關於微分方程，題目是這樣的，我們稍作了改動，要求模型以x=_的形式輸出：

QwQ依然採用了長篇大論的作答方式，整串回答有將近1400字。

不過仔細看會發現，QwQ的中間過程出現了失敗，然後又改用了其他的方式。

折騰了一番之後，結果倒也沒有錯。

而o1-mini的回答依然保持簡潔。

即使把o1-mini默認不顯示的“思考過程”展示出來，依然是沒有QwQ的回答那麼長。

第二道題目是線性代數題，這道題我們也做了修改，從選擇題改成了直接求A³的跡：

這次相比之前，QwQ的回答要簡潔一些，但還是有上千字，當然結果依然是對的，o1-mini也依然保持簡潔。

第三道題關於概率論，情況大致和前面兩道類似，這裡就直接上圖：

（QwQ方框中的答案把根號漏了，不過這裡是顯示問題，從正文看答案是正確的）

除了這樣的純數學題目，情景式的數學問題也是考察模型能力的一項重要標準。

所以這裡我們選擇了一道數學競賽AIME的題目：

翻譯過來是這樣的，測試中我們也是用的這段中文翻譯版本：

o1-mini的解法是一種正常思路，最後結果也對了，而QwQ這邊上來先是一大通的枚舉，然後試圖從中尋找規律。

當發現沒找到規律時，還會進行更多的枚舉，但是最後找出的規律並不正確，結果自然也就錯了（不過方向上確實和5的模相關）。

從以上的案例當中可以看到，如果單看正確率，QwQ的表現確實可以和o1-mini同臺較量。

但從過程中看，QwQ想一步到位還存在一定難度，還要經歷列舉、試錯等步驟，甚至有時會陷入死循環。

這導致了其結果對於人類的的易讀性和o1-mini還存在差距，QwQ需要在這一點上再多改進。

好在QwQ是個開源模型，如果是按token計費的商用模型，這樣的輸出長度恐怕也會讓人望而卻步。

當然對於這樣的問題，千問團隊自身也十分坦然，表示處於測試階段的QwQ，確實存在冗長而不夠聚焦的現象，將會在未來做出改進。

除了這些正經題目，我們也試了試陷阱問題，看下QwQ能不能看出其中的破綻。

問題是這樣的，注意是不需要：

遺憾的是，QwQ並沒有發現這個關鍵點，而且當做一道正常的農夫過河問題進行了回答。

不過這也算是大模型的一個通病了，OpenAI的o1在這樣的文字遊戲面前照樣招架不住。

實際上這個問題最早被關注是在幾個月之前了，當時還沒有o1這樣的推理模型，大模型幾乎在這個問題上全軍覆沒。

現在看來，推理能力增強後，也依然沒改掉不認真讀題的毛病啊（手動狗頭）。

參考鏈接：https://qwenlm.github.io/blog/qwq-32b-preview/體驗地址（Hugging Face）：https://huggingface.co/spaces/Qwen/QwQ-32B-preview體驗地址（魔搭社區）：https://modelscope.cn/studios/Qwen/QwQ-32B-preview