作者 | 程茜

编辑 | 云鹏

智东西3月6日报道，今日凌晨，阿里云发布最新推理模型QwQ-32B，性能媲美DeepSeek-R1，在消费级显卡上也能实现本地部署。

要知道其参数量为32B，DeepSeek-R1参数量达到了671B，相差将近20倍。

在数学推理、编程能力上，QwQ-32B的表现与DeepSeek-R1相当，强于o1-mini及相同尺寸的R1蒸馏模型。通用能力测评效果上，QwQ-32B的得分均超越DeepSeek-R1。

苹果的机器学习科学家Awni Hannun（吴恩达学生）发文展示了QwQ-32B在配备MLX（专门为苹果芯片设计的开源框架）的M4 Max芯片电脑上的运行速度很快。

该模型在Hugging Face和ModelScope上以Apache 2.0许可证下的开源。这意味着它可用于商业和研究用途，因此企业可以立即使用它来为他们的产品和应用程序提供动力（即使是他们向客户收费使用的产品和应用程序）。

Hugging Face地址：huggingface.co/Qwen/QwQ-32B

魔搭社区地址：https://modelscope.cn/models/Qwen/QwQ-32B

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

一、网友赞不绝口：推理速度“非常快”、“o1-mini级别本地模型”

具体来看QwQ-32B在一系列基准测试中的得分。

QwQ-32B与DeepSeek-R1-Distilled-Qwen-32B、DeepSeek-R1-Distilled-Llama-70B、o1-mini以及DeepSeek-R1进行了对比。

在测试数学能力的AIME24评测集上，以及评估代码能力的LiveCodeBench中，QwQ-32B表现与DeepSeek-R1相当，强于o1-mini及相同尺寸的R1蒸馏模型。

在由Meta首席科学家杨立昆领衔的“最难LLMs评测榜”LiveBench、谷歌等提出的指令遵循能力IFEval评测集、由加州大学伯克利分校等提出的评估准确调用函数或工具方面的BFCL测试中，QwQ-32B得分超越DeepSeek- R1。

QwQ-32B的优势还在于，QwQ-32B需要GPU上的24GB vRAM（英伟达H100为80GB），而运行完整的DeepSeek R1需要超过1500GB vRAM。

社交平台X上的网友已经为之疯狂，到处充斥着“太震惊了”的言论。

机器学习爱好者Vaibhav (VB) Srivastav强调了QwQ-32B的推理速度，称其“非常快”，可与顶级模型相媲美。

网友晒出了在M4 Max芯片的MacBook上运行的推理速度：

AI新闻发布者@Chubby称QwQ-32 B太疯狂了！

Hyperbolic Labs的联合创始人兼首席技术官Yuchen Jin发文称：“小模型太强大了！”

有网友尝试了QwQ-32B的编码能力，并称赞其是o1-mini级别的可本地部署模型。他的提示词是”Create an amazing animation using p5js（“使用p5.js创建一个精彩的动画”）。效果如下：

不过也有网友指出，巨大的尺寸差异意味着用户需要大约5%的高带宽内存来进行推理。

二、扩展强化学习，可持续提高数学、编码能力

研究人员在冷启动的基础上开展了大规模强化学习。在初始阶段，他们特别针对数学和编程任务进行了强化学习训练。

与依赖传统的奖励模型（reward model）不同，他们通过校验生成答案的正确性来为数学问题提供反馈，并通过代码执行服务器评估生成的代码是否成功通过测试用例来提供代码的反馈。随着训练轮次的推进，这两个领域中的性能均表现出持续的提升。

QwQ-32B的强化学习过程分两个阶段执行：

数学和编码重点：使用用于数学推理的准确性验证器和用于编码任务的代码执行服务器来训练该模型。这种方法确保生成的答案在被强化之前被验证正确性。

通用能力增强：在第二阶段，模型使用通用奖励模型和基于规则的验证器接受奖励训练。这个阶段改进了指令遵循、人类对齐和代理推理，而不影响其数学和编码能力。

QwQ-32B遵循因果语言模型架构，并包括几个优化：

1、64个Transformer层，具有RoPE、SwiGLU、RMS Norm和Attention QKV偏置；

2、分组查询注意力（GQA），40个attention heads用于查询，8个attention heads用于键值对（key-value pairs）；

3、扩展了131072个Tokens的上下文长度，允许更好地处理长序列输入；

4、多阶段训练，包括预训练，监督微调和RL。

凭借其强化学习驱动的推理能力，该模型可以提供更准确、结构化和上下文感知的见解，使其可用于自动化数据分析、战略规划、软件开发和智能自动化等用例具有价值。

为了获得最佳性能，通义千问团队建议使用以下设置：

1、强制正确输出：确保模型以“”开头，以防止生成空的思考内容，这会降低输出质量。如果你使用apply_chat_template并设置add_generation_prompt=True就可以自动实现，但可能会导致响应在开始时缺少标签。

2、采样参数：使用Temperature=0.6和TopP=0.95而不是Greedy解码，以避免无休止的重复；使用20到40之间的TopK来过滤掉罕见的Token出现，同时保持生成的输出多样性。

3、标准化输出格式：数学问题：包括“请一步一步推理，并把你的最终答案放在\boxed{}内。”在提示；多项选择题：将以下JSON结构添加到提示中，以标准化回答：“请在答案字段中仅显示选择字母，例如\“答案\”：\“C\”。

4、处于长文本输入：对于超过32768个Token的输入，启用YaRN以提高模型有效捕获长序列信息的能力。

此外，该模型支持使用vLLM（一种高吞吐量推理框架）进行部署。然而，vLLM的当前实现仅支持静态YaRN缩放，即无论输入长度如何，都保持固定的缩放因子。

结语：强化学习成下一代模型关键驱动

基于QwQ-32B，研究人员将强化学习定位为下一代AI模型的关键驱动力，证明可以产生高性能和有效的推理系统。

其博客中还提到，通义千问团队计划：进一步探索扩展RL以提高模型智能；将Agent与RL集成用于长时间推理；继续开发为RL优化的基础模型；通过更先进的训练技术向通用人工智能发展。

这是通义千问团队通过大规模强化学习以增强推理能力方面的第一步，其扩展了强化学习的巨大潜力，同时还展现出预训练语言模型中尚未开发的可能性。