Qwen 真的超越了 DeepSeek 吗？那些眼花缭乱的大模型指标到底是什么意思？

文章预览

随着大语言模型（LLM）的快速发展，如何准确评估其能力成为人工智能研究和应用中的核心问题。从通用知识到专业推理，从编码能力到工具调用，各种基准测试（Benchmarks）为我们提供了量化模型性能的窗口。 但我们发现，每家公司在公布自己的数据时，可能用的都是不同的指标，这让我们在对比的时候十分困难，就好比每家都拿着不同的尺子。比如我们在 DeepSeek R1 的论文里面会看到这样的图： 而到了阿里发布的 Qwen QwQ-32B又看到这样的数据： 看这个数据，Qwen-QwQ -32 似乎全面超越了 DeepSeek R1，很多媒体也这宣传，那么果真如此吗？我们还得先了解这些参数才能知道。 为此，本文将介绍这两张图里面所列的这些参数，这十个重要的大模型性能测 试基准——AIME2024、Codeforces、GPQA Diamond、MATH-500、MMLU、SWE-Bench Verified、LiveCodeBench、LiveBench、IFEval 和 BFCL ………………………………