共计 1637 个字符，预计需要花费 5 分钟才能阅读完成。
中国的人工智能领域不仅限于DeepSeek，还有一个新秀——通义千问。
在农历新年第一天，阿里云通义团队推出了其旗舰模型“Qwen2.5-Max”，使其成为继深度求索（DeepSeek）之后，能够与美国OpenAI的o1系列相媲美的中国大语言模型。
近期，三方基准测试平台LMArena发布了最新的大语言模型盲测榜单（“ChatBot Arena LLM”），在该榜单中，“Qwen2.5-Max”以1332分位列总榜第7，超越了深度求索的“DeepSeek-V3”及OpenAI的“o1-mini”。在数学和编程领域，该模型更是荣登榜首，而在Hard prompts方面则位列第二。
“ChatBot Arena LLM”榜单是由美国加州大学伯克利分校的天空计算实验室与LMArena联合开发的，采用用户盲测的形式，评估对话、编程、图文生成、网页开发等多维能力，最终结果基于260万票的反馈，充分反映出197个模型在真实应用中的表现，广受业内认可。
该榜单最近更新于2月2日，OpenAI的多个版本模型表现出色，其中“ChatGPT-4o”位居第三，此外，谷歌的“Gemini-2.0”和xAI的“Grok-2”等也名列前茅，但它们均为闭源模型。
在开源模型方面，“DeepSeek-R1”表现突出，与“ChatGPT-4o-latest”并列第3位，紧接着的是阿里云通义的“Qwen-max-2025-01-25”（即Qwen2.5-Max），排名第7。“DeepSeek-V3”和中国智谱的“GLM-4-Plus-0111”分别位列第8和第9，而阶跃星辰的“Step-2-16K-Exp”与“o1-Mini”并列第10。榜单前十名中，中国大语言模型占据了五席，显示出中国在人工智能领域的强劲竞争实力。
去年6月和9月，阿里云通义模型曾两度登顶全球最强开源模型的称号，但由于未能超越闭源模型，讨论热度不及12月的DeepSeek-V3。今年1月29日凌晨1时，阿里云通义团队正式推出“Qwen2.5-Max”，该模型采用了超大规模的混合专家（MoE, Mixture of Experts）架构，训练数据量超过20万亿tokens，并在知识（MMLU-Pro）、编程（LiveCodeBench）、综合能力（LiveBench）及人类偏好对齐（Arena-Hard）等权威基准测试中展现了卓越的性能。
需要强调的是，“Arena-Hard”主要评测模型在复杂指令理解和多轮对话中的能力，涵盖了广泛的知识领域和任务，并严格对齐人类偏好。在游戏开发、数学证明等专业领域，模型会获得较高分数，而在全球餐厅推荐或送礼创意等模糊问题上则得分较低，评审通常由国外模型担任。即便在这种情况下，“Qwen2.5-Max”依然能够迅速分析问题，并整合相关知识，提供全面且准确的答案，最终以89.4分超越所有对比模型（如DeepSeek-V3、Llama-3.1-405B-Inst、GPT-4o-0806、Claude-3.5-Sonnet-1022）。
根据阿里云的说法，由于无法访问闭源模型如“GPT-4o”和“Claude-3.5-Sonnet”，通义团队将“Qwen2.5-Max”与当前领先的开源MoE模型“DeepSeek V3”、最大的开源稠密模型“Llama-3.1-405B”以及同样处于开源稠密模型前列的“Qwen2.5-72B”进行了比较。在包括MMLU在内的所有11项基准测试中，Qwen2.5-Max均表现优于对比模型。
对此，ChatBot Arena官方评价道：“（Qwen2.5-Max）在多个领域的表现都相当出色，尤其是在编程、数学及硬提示等技术性任务上。”
本文为观察者网独家稿件，未经授权，禁止转载。
