模型：https://huggingface.co/Qwen/QwQ-32B-Preview

Demo: https://huggingface.co/spaces/Qwen/QwQ-32B-preview

QwQ 32b 是一個 32b 推理模型，在多個基準測試中表現(xiàn)超越了現(xiàn)有的頂尖模型 o1，且完全開源（Apache 2 協(xié)議，開放權重）。Runner H 則是一個代理能力強大的模型，目前已在準確性、速度和關鍵功能（如網(wǎng)頁搜索）方面優(yōu)于所有同行，顯示出顯著的技術優(yōu)勢。

這一突破帶來了更多的未來趨勢

差距縮小：初創(chuàng)公司和中國的 AI 模型已經(jīng)追趕上了 OpenAI、Anthropic 等大廠的技術水平，意味著我們可能會同時獲得所有新技術的開源版本，且小型公司能夠與大廠競爭，推動技術持續(xù)創(chuàng)新。

潛在領先：OpenAI 和其他大廠可能依舊在技術上遙遙領先，只是暫時沒有公開發(fā)布。未來或許會迎來更重磅發(fā)布，帶來更加顛覆性的創(chuàng)新。

簡介

思考、質(zhì)疑、理解，是人類探索未知的永恒追求。在這條探索之路上，QwQ猶如一位懷抱無盡好奇的學徒，以思考和疑問照亮前路。QwQ體現(xiàn)了古老的哲學精神：它深知自己一無所知，而這種認知正是其好奇心的源泉。在探尋答案的過程中，它始終保持自省，以理性之光審視每一個假設，在不同的思維維度中穿行，追尋更深層的真理。

然而，正如所有智慧的追求者一樣，QwQ也有其局限性。這個版本只是漫長旅程中的一個初步階段——它仍在學習如何行走于理性之路。它的思緒偶爾飄散，答案或許未盡完善，智慧仍在積淀。但這就是學習的美妙之處：既有能力又保持謙遜，既有知識又永遠充滿疑問。接納它的洞見與不完美，共同踏上這無盡的理解之旅。

模型局限性

1. 語言切換問題：**模型可能在回答中混合使用不同語言，影響表達的連貫性。

推理循環(huán)：在處理復雜邏輯問題時，模型偶爾會陷入遞歸推理模式，在相似思路中循環(huán)。這種行為雖然反映了模型試圖全面分析的努力，但可能導致冗長而不夠聚焦的回答。

2. 安全性考慮：盡管模型已具備基礎安全管控，但仍需要進一步增強。它可能產(chǎn)生不恰當或存在偏見的回答，且與其他大型語言模型一樣，可能受到對抗攻擊的影響。我們強烈建議用戶在生產(chǎn)環(huán)境中謹慎使用，并采取適當?shù)陌踩雷o措施。

3. 能力差異：QwQ-32B-Preview 在數(shù)學和編程領域表現(xiàn)出色，但在其他領域仍有提升空間。模型性能會隨任務的復雜度和專業(yè)程度而波動。我們正通過持續(xù)優(yōu)化，努力提升模型的綜合能力。

模型表現(xiàn)

通過深入的探索和無數(shù)的試驗，我們發(fā)現(xiàn)了一個深刻的道理：當模型有足夠的時間思考、質(zhì)疑和反思時，它對數(shù)學和編程的理解就會深化。就像學生通過認真地檢查自己的工作并從錯誤中學習變得更加聰明一樣，我們的模型也通過耐心和深思熟慮的分析獲得了更深入的見解。這種細致的反思和自我質(zhì)疑的過程使得模型能夠取得解決復雜問題的突破性進展。我們的探索之旅揭示了模型在數(shù)學和編程領域解決一些最具挑戰(zhàn)性的問題的卓越能力，包括：

GPQA：一個通過小學級別問題評估高階科學解題能力的評測集，旨在考察科學問題解決能力。

AIME：涵蓋算術、代數(shù)、計數(shù)、幾何、數(shù)論、概率等中學數(shù)學主題的綜合評測，測試數(shù)學問題解決能力。

MATH-500：包含500個測試樣本的MATH評測集，全面考察數(shù)學解題能力。

LiveCodeBench：評估真實編程場景中代碼生成和問題解決能力的高難度評測集。

具體表現(xiàn)如下：

GPQA：65.2%，展示了研究生水平的科學推理能力；

AIME：50.0%，證明了強大的數(shù)學問題解決技能；

MATH-500：**90.6%，體現(xiàn)了在各類數(shù)學主題上的全面理解；

LiveCodeBench：50.0%，驗證了在實際編程場景中的出色表現(xiàn)。

這些成果充分體現(xiàn)了QwQ在分析和問題解決能力方面的顯著進步，尤其是在需要深度推理的技術領域。

由于新崗位的生產(chǎn)效率，要優(yōu)于被取代崗位的生產(chǎn)效率，所以實際上整個社會的生產(chǎn)效率是提升的。

但是具體到個人，只能說是：

“最先掌握AI的人，將會比較晚掌握AI的人有競爭優(yōu)勢”。

這句話，放在計算機、互聯(lián)網(wǎng)、移動互聯(lián)網(wǎng)的開局時期，都是一樣的道理。

我在一線互聯(lián)網(wǎng)企業(yè)工作十余年里，指導過不少同行后輩。幫助很多人得到了學習和成長。

我意識到有很多經(jīng)驗和知識值得分享給大家，也可以通過我們的能力和經(jīng)驗解答大家在人工智能學習中的很多困惑，所以在工作繁忙的情況下還是堅持各種整理和分享。但苦于知識傳播途徑有限，很多互聯(lián)網(wǎng)行業(yè)朋友無法獲得正確的資料得到學習提升，故此將并將重要的AI大模型資料包括AI大模型入門學習思維導圖、精品AI大模型學習書籍手冊、視頻教程、實戰(zhàn)學習等錄播視頻免費分享出來。

該階段讓大家對大模型 AI有一個最前沿的認識，對大模型 AI 的理解超過 95% 的人，可以在相關討論時發(fā)表高級、不跟風、又接地氣的見解，別人只會和 AI 聊天，而你能調(diào)教 AI，并能用代碼將大模型和業(yè)務銜接。

• 大模型 AI 能干什么？
• 大模型是怎樣獲得「智能」的？
• 用好 AI 的核心心法
• 大模型應用業(yè)務架構
• 大模型應用技術架構
• 代碼示例：向 GPT-3.5 灌入新知識
• 提示工程的意義和核心思想
• Prompt 典型構成
• 指令調(diào)優(yōu)方法論
• 思維鏈和思維樹
• Prompt 攻擊和防范
• …

該階段我們正式進入大模型 AI 進階實戰(zhàn)學習，學會構造私有知識庫，擴展 AI 的能力?？焖匍_發(fā)一個完整的基于 agent 對話機器人。掌握功能最強的大模型開發(fā)框架，抓住最新的技術進展，適合 Python 和 JavaScript 程序員。

• 為什么要做 RAG
• 搭建一個簡單的 ChatPDF
• 檢索的基礎概念
• 什么是向量表示（Embeddings）
• 向量數(shù)據(jù)庫與向量檢索
• 基于向量檢索的 RAG
• 搭建 RAG 系統(tǒng)的擴展知識
• 混合檢索與 RAG-Fusion 簡介
• 向量模型本地部署
• …

恭喜你，如果學到這里，你基本可以找到一份大模型 AI相關的工作，自己也能訓練 GPT 了！通過微調(diào)，訓練自己的垂直大模型，能獨立訓練開源多模態(tài)大模型，掌握更多技術方案。

到此為止，大概2個月的時間。你已經(jīng)成為了一名“AI小子”。那么你還想往下探索嗎？

• 為什么要做 RAG
• 什么是模型
• 什么是模型訓練
• 求解器 & 損失函數(shù)簡介
• 小實驗2：手寫一個簡單的神經(jīng)網(wǎng)絡并訓練它
• 什么是訓練/預訓練/微調(diào)/輕量化微調(diào)
• Transformer結構簡介
• 輕量化微調(diào)
• 實驗數(shù)據(jù)集的構建
• …

對全球大模型從性能、吞吐量、成本等方面有一定的認知，可以在云端和本地等多種環(huán)境下部署大模型，找到適合自己的項目/創(chuàng)業(yè)方向，做一名被 AI 武裝的產(chǎn)品經(jīng)理。

• 硬件選型
• 帶你了解全球大模型
• 使用國產(chǎn)大模型服務
• 搭建 OpenAI 代理
• 熱身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地計算機運行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何優(yōu)雅地在阿里云私有部署開源大模型
• 部署一套開源 LLM 項目
• 內(nèi)容安全
• 互聯(lián)網(wǎng)信息服務算法備案
• …

學習是一個過程，只要學習就會有挑戰(zhàn)。天道酬勤，你越努力，就會成為越優(yōu)秀的自己。

如果你能在15天內(nèi)完成所有的任務，那你堪稱天才。然而，如果你能完成 60-70% 的內(nèi)容，你就已經(jīng)開始具備成為一名大模型 AI 的正確特征了。

這份完整版的大模型 AI 學習資料已經(jīng)上傳CSDN，朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認證二維碼免費領取【】