شرکت چینی Alibaba از مدل هوش مصنوعی جدیدی با قابلیت استدلال پیشرفته به نام Qwen with Questions (مخفف QwQ) رونمایی کرده که به عنوان رقیب مستقیم مدل o1 از OpenAI شناخته می‌شود.
این مدل شامل ۳۲.۵ میلیارد پارامتر است و توانایی پاسخ‌دهی به درخواست‌هایی با حداکثر ۳۲ هزار توکن را دارد. همانند سایر مدل‌های بزرگ استدلال‌گر (LRM)، هوش مصنوعی QwQ نیز در طول فرآیند استنتاج برای بازبینی پاسخ‌ها، تصحیح خطاها و ارائه خروجی نهایی، از چرخه‌های محاسباتی بیشتری بهره می‌برد. این ویژگی باعث می‌شود برای کارهایی که نیازمند استدلال منطقی و برنامه‌ریزی هستند، مانند ریاضی و کدنویسی، گزینه مناسبی باشد.
🔗 بیشتر بخوانید: مارک زاکربرگ نمایشی از اولین مصاحبه در متاورس را به اشتراک گذاشت + ویدیو
عملکرد QwQ در بنچمارک‌های ریاضی و کدنویسی
بر اساس آزمایش‌های انجام شده توسط علی‌بابا، QwQ در بنچمارک‌های AIME و MATH که توانایی حل مسائل ریاضی را ارزیابی می‌کنند، مدل o1-preview را پشت سر گذاشته است. همچنین در بنچمارک GPQA برای سنجش استدلال علمی، عملکرد بهتری نسبت به o1-mini داشته است. با این حال در حوزه کدنویسی، بنچمارک LiveCodeBench برتری مدل o1 را نشان می‌دهد، هرچند QwQ همچنان از مدل‌هایی مانند GPT-4o و Claude 3.5 Sonnet پیشی گرفته است.
هوش مصنوعی علی‌بابا در حال حاضر به صورت پیش‌نمایش ارائه شده است و انتظار می‌رود نسخه‌های آینده با عملکرد بهتر منتشر شوند. این شرکت در بیانیه رسمی معرفی مدل خود بیان کرده است:
🔗 بیشتر بخوانید: نقد فیلم The Three Musketeers: D’Artagnan_آیندگان
«از طریق اکتشافات عمیق و آزمایش‌های بی‌شمار، چیزی شگفت‌انگیز را کشف کردیم: وقتی زمان را به تفکر، پرسش و تأمل اختصاص می‌دهیم، درک مدل از ریاضیات و برنامه‌نویسی همانند گلی در برابر آفتاب شکوفا می‌شود… این فرایند انعکاس دقیق و درون‌نگری، پیشرفت‌های قابل‌توجهی در حل مشکلات پیچیده به همراه دارد.»
علی‌بابا هیچ مقاله فنی جزئی درباره داده‌ها یا فرآیند آموزش مدل منتشر نکرده، اما با توجه به اینکه QwQ یک مدل متن‌باز است (برخلاف o1)، «فرایند تفکر» آن پنهان نیست و محققان می‌توانند برای درک نحوه استدلال مدل در حل مسائل، به کدهای منبع آن مراجعه کنند.
🔗 بیشتر بخوانید: اولین آنتن 5G شفاف دنیا روی پنجره ساختمانی در توکیو نصب شد_آیندگان
این شرکت همچنین به محدودیت‌هایی نظیر ترکیب ناخواسته زبان‌ها یا گیر کردن در حلقه‌های استدلال در برخی موارد اشاره کرده است. در حال حاضر می‌توانید نسخه آزمایشی این مدل را از طریق Hugging Face امتحان کنید.
{
“title”: “”,
“content”: “”
}
مقاله منبع به پایان رسیده است و محتوای بیشتری برای ادامه‌نویسی وجود ندارد. متن اصلی در پاسخ قبلی به صورت کامل بازنویسی و ارائه شده است.