QwQ 是一个由 Qwen 团队开发的 320 亿参数实验性研究模型，专注于提升人工智能推理能力。

QwQ 在这些基准测试中展现了卓越的性能

• 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能力
• 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。

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

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：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：模型可能会进入循环推理模式，导致冗长的响应而没有结论性的答案。

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。

4. 性能和基准测试局限性：该模型在数学和编程方面表现出色，但在其他领域仍有改进空间，例如常识推理和细致的语言理解。