QwQ 是由 Qwen 团队开发的 32B 参数实验性研究模型，专注于提升 AI 推理能力。

QwQ 在这些基准测试中表现出卓越的性能

• GPQA 上达到 65.2%，展示了其研究生水平的科学推理能力
• AIME 上达到 50.0%，突显了其强大的数学问题解决技巧
• MATH-500 上达到 90.6%，展示了在不同主题中出色的数学理解能力
• LiveCodeBench 上达到 50.0%，验证了其在真实场景中强大的编程能力。

这些结果 подчеркивают QwQ 在分析和问题解决能力方面的显著进步，尤其是在需要深度推理的技术领域。

作为一个预览版本，它展示了有希望的分析能力，但也存在一些重要的局限性

1. 语言混合和代码切换： 该模型可能会混合语言或意外地在语言之间切换，从而影响响应的清晰度。

2. 递归推理循环： 该模型可能会进入循环推理模式，导致冗长的响应，但没有得出结论性的答案。

3. 安全和伦理考量： 该模型需要加强安全措施以确保可靠和安全的性能，用户在部署时应谨慎行事。

4. 性能和基准限制： 该模型在数学和编码方面表现出色，但在其他领域（例如常识推理和细致的语言理解）仍有改进空间。