击败LIama3！Qwen2.5登上全球开源王座。
而后者仅以五分之一的参数规模，就在多任务中超越LIama3 405B。
各种任务表现也远超同类别的其他模型。
跟上一代相比，几乎实现了全面提升，尤其在一般任务、数学和编码方面的能力表现显著。
值得注意的是，此次Qwen可以说是史上最大规模开源，基础模型直接释放了7个参数型号，其中还有六七个数学、代码模型。
像14B、32B以及轻量级Turbo模型胜过GPT-4o-mini。
除3B和72B模型外，此次所有开源模型均采用Apache 2.0许可。
直接一整个眼花缭乱，已经有网友开始用上了。
Qwen2.5 72B与LIama3.1 405B水平相当
相比于Qwen2系列，Qwen2.5系列主要有这么几个方面升级。
首先， 全面开源 。
他们研究表明，用户对于生产用的10B-30B参数范围以及移动端应用的3B规模的模型有浓厚兴趣。
因此在原有开源同尺寸（0.5/1.5/7/72B）基础上，还新增了14B、32B以及3B的模型。
同时，通义还推出了Qwen-Plus与Qwen-Turbo版本，可以通过阿里云大模型服务平台的API服务进行体验。
可以看到，超半数模型都支持128K上下文，最多可生成8K上下文。
在他们的综合评测中，所有模型跟上一代相比实现了能力的跃迁，比如Qwen2.5-32B胜过Qwen2-72B，Qwen2.5-14B胜过Qwen2-57B-A14B。
其次，预训练数据集更大更高质量 ，从原本7万亿个token扩展到最多18万亿个token。
然后就是多方面的能力增强，比如获得更多知识、数学编码能力以及更符合人类偏好。
此外，还有在指令跟踪、长文本生成、结构化数据理解和结构化输出生成方面均有显著提升。
来看看实际效果。
表格理解
生成JSON输出
此外，Qwen2.5模型总体上对系统提示的多样性具有更强的适应能力，增强了聊天机器人的角色扮演实现和条件设定能力。
那么就来看看具体模型能力如何。
旗舰模型在前文已经看到，它在各个任务都有明显的进步。
而像0.5B、1.5B以及3B这样的小模型，性能大概是这样的：
值得注意的是，Qwen2.5-0.5B型号在各种数学和编码任务上的表现优于Gemma2-2.6B。
除此之外，Qwen2.5还展现了指令调优之后的模型性能，72B-Instruct在几项关键任务中超越了更大的Llama-3.1-405B，尤其在数学（MATH：83.1）、编码（LiveCodeBench：55.5）和聊天（Arena-Hard：81.2）方面表现出色。
还有像32B-Instruct、14B-Instruct以及Qwen2.5-Turbo，展现了与GPT-4o-mini相当的能力。
Qwen史上最大规模开源
除了基础模型，此次Qwen还放出了代码和数学专业模型。
Qwen2.5-Coder提供了三种模型大小：1.5B、7B和32B版本（即将推出）。
主要有两点改进：代码训练数据规模的扩大以及编码能力的增强。
Qwen2.5-Coder在更大规模的代码数据上进行训练，包括源代码、文本代码基础数据和合成数据，总计5.5万亿个token。
它支持128K上下文，覆盖92种编程语言。开源的7B版本甚至超越了DeepSeek-Coder-V2-Lite和Codestral等更大型的模型，成为目前最强大的基础代码模型之一。
而数学模型这边，Qwen2.5-Math主要支持通过CoT和TIR解决英文和中文数学问题。
目前不建议将此系列模型用于其他任务。
Qwen2.5-Math这一系列开源了包括基础模型Qwen2.5-Math-1.5B/7B/72B、指令调优模型Qwen2.5-Math-1.5B/7B/72B-Instruct，以及数学奖励模型Qwen2.5-Math-RM-72B。
与Qwen2-Math系列仅支持使用思维链（CoT）解决英文数学问题不同，Qwen2.5-Math 系列扩展支持使用思维链和工具集成推理（TIR）解决中英文数学问题。
跟上一版本相比，他们主要干了这三件事来实现基础模型升级。
利用Qwen2-Math-72B-Instruct模型来合成额外的高质量数学预训练数据。
从网络资源、书籍和代码中收集更多高质量的数学数据，尤其是中文数据，跨越多个时间周期。
利用Qwen2.5系列基础模型进行参数初始化，展现出更强大的语言理解、代码生成和文本推理能力。
最终实现了能力的提升，比如1.5B/7B/72B在高考数学问答中分别提升了 3.4、12.2、19.8 分。
好了，以上是Qwen2.5系列一整套堪称「史上最大规模」的开源。
不叫草莓叫猕猴桃
阿里通义开源负责人林俊旸也分享了背后的一些细节。
他首先表示，在开源Qwen2的那一刻就开始了Qwen2.5项目。
在这过程中，他们认识到了很多问题和错误。
比如在预训练方面，他们们只是专注于提高预训练数据的质量和数量，使用了很多大家熟悉的方法。
比如文本分类器用于召回高质量数据，LLM 评分器用于对数据进行评分，这样就能在质量和数量之间取得平衡。
还有在创建专家模型的同时，团队还利用它们生成合成数据。
在后期训练时候，用户的反馈来帮助他们逐一解决问题，同时他们也在探索RLHF 方法，尤其是在线学习方法。
对于之后的升级和更新，他表示受o1启发，认为应该深入研究推理能力。
值得一提的是，在Qwen2.5预热之时，他们团队就透露不叫草莓，叫猕猴桃。
好了，现在猕猴桃可以快快用起来了。