阿里开源320亿参数QwQ模型，性能比肩6710亿参数DeepSeek R1，部署成本更低。
原文标题：阿里深夜发布 QwQ-32B 模型：仅1/20参数就可媲美DeepSeek R1、Mac上可跑，带动股价大涨
原文作者：AI前线
冷月清谈：
QwQ-32B在数学推理、代码生成和通用问题解决能力方面表现出色。
与DeepSeek-R1相比，QwQ-32B部署成本更低，推理效率更高，几乎可单机运行，而DeepSeek-R1需要至少22台8卡服务器。
QwQ-32B采用了强化学习（RL）扩展技术，并集成了智能体相关能力，使其推理过程更具批判性和适应性。
该模型已开源，用户可通过Qwen Chat体验。
怜星夜思：
2、QwQ-32B模型的开源，对中小企业和个人开发者来说有哪些实际意义？
3、QwQ-32B的出现，会对大模型的未来发展趋势产生哪些影响？
原文内容
刚刚，阿里 Qwen 团队发布了最新的 QwQ-32B 推理模型。其参数规模为 320 亿，但在推理能力上可媲美 DeepSeek-R1——后者总参数量高达 6710 亿。
阿里 Qwen 团队近日对 QwQ-32B 进行了一系列基准测试，全面评估其在数学推理、代码生成及一般问题解决能力方面的表现。测试结果显示，QwQ-32B 在多个关键指标上展现出强劲竞争力，并与当前领先的多个模型，包括 DeepSeek-R1-Distilled-Qwen-32B、DeepSeek-R1-Distilled-Llama-70B、o1-mini 以及原始 DeepSeek-R1，进行了对比分析。
Hugging Face 和 ModelScope 介绍显示，QwQ-32B 是一个密集模型，未采用 MoE 结构，并支持 131k 的上下文长度。
有网友分析指出，由于 DeepSeek 模型规模高达 6710 亿参数，推理部署难度较大。要高效运行 DeepSeek，至少需要 22 台服务器，每台配备 8 张 GPU，这对企业来说是一个不小的成本和运维挑战。相比之下，QwQ-32B 仅有 320 亿参数，意味着它几乎可以在单机上高效运行，大大降低了推理部署的门槛。
“当然，许多企业在推理部署时会将预填充（Prefill）和解码（Decoding）阶段分开运行，因为它们的推理需求不同。但无论如何，QwQ-32B 避免了超大规模模型带来的复杂管道调度和专家并行（Expert Parallelism），简化了推理部署流程。”
还有网友调侃道：“关键问题是，Qwen QwQ-32B 能‘做空’英伟达吗？”
据阿里 Qwen 团队介绍，这是他们探索了强化学习（RL）扩展的成果，RL 训练可持续提升模型性能，特别是在数学和代码生成方面。同时，他们观察到，持续优化 RL 训练能使中等规模模型在性能上媲美超大规模 MoE 模型。
此外，QwQ-32B 还集成了智能体相关能力，能够使用工具的同时，根据环境反馈动态调整推理过程，使推理更具批判性与适应性。这一技术进展不仅进一步验证了 RL 的变革潜力，也为通用人工智能（AGI）的发展提供了新的思路。
QwQ-32B 以 Apache 2.0 许可证开源，用户可通过Qwen Chat直接进行体验。
阿里隔夜美股收盘涨8.61%，港股涨超7%。