就在 DeepSeek v3 釋出一個月後，老牌霸主阿里雲通義千問團隊放出了 Qwen2.5 系列的最強旗艦模型——Qwen2.5-Max，在難以作弊的 Arena 榜單上，超越 DeepSeek V3。
這裡多扯一嘴，Arena 這個榜單可不是學術測試集，模型不僅無法提前知道題目，甚至參與測試的人員都無法提前知道在測的是哪個模型。
Arena 榜單採用匿名方式將大模型兩兩組隊，交給使用者進行盲測，使用者根據真實對話體驗對 模型能力進行投票。因此，Chatbot Arena LLM Leaderboard 成為業界公認的最公正、最權 威榜單之一，也是全球頂級大模型的最重要競技場。
不止是 Arena 榜單，包括 LiveBench、LiveCodeBench、GPQA-Diamond 及 MMLU-Pro 在內的一眾基準測試，Qwen2.5-Max 都全面的超越了 DeepSeek-V3。
好傢伙，DeepSeek V3 的王座還沒坐熱乎呢，僅僅一個月就被通義的新旗艦端了嗎？？
我注意到，這兩天咱們的各個 Family 群裡也陸續有家人發現這個 Qwen2.5-Max 有點牛逼了——
就連外網都出現了大量百萬閱讀量的討論帖：
還有老哥乾脆跟 ChatGPT 去"Say Goodbye"了——
根據阿里雲官方的說法，這個 Qwen2.5-Max 模型最牛逼的是在於數學和程式設計，還有一個不太常見的名詞“硬提示（Hard Prompts）”——
這個硬提示是 Arena 中的一項能力測試，你可以簡單理解成，考察模型對於一些模糊、抽象、開放、需要創造力的使用者指令，是否能很好的處理。
比如 “寫一首關於夏天的詩”，或者 “宇智波斑能打得過貝吉塔嗎”，這種 case 就非常考驗模型自身的知識儲備、創造力（腦洞）甚至推理能力。
最近特別火的 DeepSeek 的一個回答——
滿滿的家國情懷。
同樣的問題，我問了 Qwen2.5-Max——
好理科腦，又好奇地追問了第二偉大是什麼：
一個預料之外的答案，Qwen2.5-Max 我願稱你為理科狂魔…
你倆真的是一個理科腦，一個文科腦，我好想給 Qwen 和 DeepSeek 磕 CP 啊
當然，在這種考察 AI 腦洞的問題上，主要考察的是提問者的腦洞。所以，你可以在評論區秀出你和 Qwen2.5-Max 的腦洞。
差點忘了給你們貼 Qwen2.5-Max 的傳送門：
網頁端：
https://chat.qwenlm.ai/API 呼叫：在阿里雲百鍊平臺上可以直接呼叫 API 服務
這裡必須要提一嘴，開啟官網後，你能看到下面這個“Artifacts”功能。如果你準備跑一些線上執行的程式設計類問題，一定要勾選這個。
要我說，這次 Qwen2.5-Max 能打敗 DeepSeek-V3，不僅在於榜單和效果上全面超越，這個能即時渲染前端程式碼的 Artifacts 功能也是加了大分。
Qwen2.5-Max 強大的程式設計能力搭配上 Artifacts，玩法瞬間打開了，即使你完全不懂程式設計。
比如你可以直接讓 Qwen2.5-Max 給你線上寫程式碼放煙花——
提示詞：今年過年七彩祥雲的煙花特別火，我想要一個電子版的七彩祥雲煙花動畫
這不妥妥的來自程式設計師的浪漫嘛，哪個女生不心動！
如果覺得放煙花不過癮，想有更多參與感，你甚至可以讓他為你做一個更浪漫的互動式藝術作品——
提示詞：編寫一個程式，生成一幅動態藝術畫。畫布上隨機生成多個點，這些點會按照一定的規則移動（如隨機遊走、相互排斥、跟隨滑鼠等），並留下軌跡。最終生成一幅隨時間變化的動態藝術作品。
你們注意看，我的滑鼠移動到哪兒，這些五彩斑斕的小蝌蚪就跟到哪裡，突然感受到了一股情緒價值…
我甚至隱隱的覺得，如果有一天 AI 足夠強大，這類互動式的藝術作品可能演變為一種新的內容載體。
當然，上面這種輕應用只是好玩，實測讓 Qwen2.5-Max 寫功能性的應用也完全沒問題。
比如讓它生成一個記錄 TODO 列表的小應用。
提示詞：Help me create a to-do list app in JavaScript.
功能演示——
甚至你可以讓他直接寫一個國際象棋遊戲——
提示詞: 製作一箇中國象棋遊戲
這個提示詞真的沒法更簡單了。
看下效果——
實測了一下，象棋規則完整的實現為了正確程式碼，一個雙人對戰象棋遊戲就這樣一次過了。
好了，你可以解除安裝掉電腦上的聯眾世界了。
大火的物理模擬實測
眾所周知，前些天，推特上這條物理模擬的帖子引發了將近 400 萬圍觀。我準備拿來測一下 Qwen2.5-Max。
提示詞：寫一個程式，展示一個球在旋轉六邊形裡邊彈跳。球應受重力和摩擦的影響，它必須實際上從旋轉的牆壁上彈起
這道程式設計題的目標是，實現讓一個球在旋轉的六邊形內彈跳，小球跳動的過程中要遵循重力和摩擦力的影響，是一個逼真的物理模擬 case。下面這個影片是網友跑的 o3-mini 和 DeepSeek R1 的表現：
我加測了一下 Qwen2.5-Max——
哈，竟然翻車了。
不過，在經過人工提醒和一次修正後，它成功了！
效果如下：
小球成功的 duangduang 彈跳、碰撞起來了。
我實測下來，寫的應用專案越複雜，越需要最佳化提示詞，並配合“人工反饋 + 抽卡大法”。這一點像文生圖/文生影片賽道的特點了。
隨著大模型程式設計能力提升和 Artifacts 渲染邊界擴充套件，可能“人人都是程式設計師”的時代不遠了。
文學測試
雖然根據官方的宣傳和實測體感，Qwen2.5-Max 的理科能力非常強。但當我順手跑了一下文學題目後，發現它的回答同樣兼具溫度和智慧。
比如你們看這個——
有被感動到！它居然在寫信之前，告訴我們“每個人都有選擇自己生活的權利，包括生育”。而且，整封信都在用溫柔且開放的語氣，最後還提出建議調整標題。
我只能說：真的不是人，它一點也不刻薄！
壓軸：AI 專用變態測試系列
當然，文科理科並不能代表 AI 能力的全部。
既然你是個 AI，那一定少不了《AI 專用變態測試系列》題目。
比如這道 Family 群裡一位家人提出的倒裝句測試題，已經難崩了包括 DeepSeek、Gemini 等在內的一眾 AI——
我丟給 Qwen2.5-Max 後——
竟然真做對了！
這個還是蠻神奇的。雖然不是每句話的倒裝都能對，但我發現 Qwen2.5-Max 這方面的“抗壓能力”確實更勝一籌。
你如果質疑它看不懂倒裝句，還會收穫一條充滿情緒價值的回答——
最難的草莓測試
寫本文的時候，咱們剛好推送了 Gemini 2.0 全家桶釋出的文章，評論區逮到一個評論 ⬇️
好啊，兩年過去了，草莓測試還是這麼難嗎？
剛剛釋出的 Gemini 2.0 Pro 在這道題上也是翻車了——
草莓這道題，就好像大模型頭上的一個痦子，那麼小，又那麼礙眼。
雖說我三歲的小侄子都能數對，但是對於 2 歲（從 ChatGPT22 年 11 月算起）的大模型來說還是很難。
有專業的粉絲指出，帶反思的推理模型才能解的好。
但我順手丟給 Qwen2.5-Max 後——
竟然對了！
但要注意，我實測下來發現，不是每個單詞都能這樣一句話做對。但是，如果你在提示詞後面加一句“一個一個的數”，Qwen2.5-Max 數字母會非常穩。比如這道題——
但我發現，這個提示詞技巧，對大部分其他國產模型是不生效的，不得不說 Qwen2.5-Max 的指令遵循和綜合能力確實強，大家可以實測一下。
結語
在對 Qwen2.5-Max 深度評測後，我想到了一句話——
有人逐日，有人摘星。
DeepSeek V3 的釋出和爆火，讓我們看到了 MoE 模型的潛力，讓世界看到中國 AI 的鋒芒。
探索 AGI 的路上並不孤單，DeepSeek 和 Qwen 都是中國 AI 大模型的代表力量，當然還有很多優秀國產代表。
說個冷知識，DeepSeek 將 R1 蒸餾出的 6 個小尺寸模型，有 4 個用的是 Qwen 開源模型，李飛飛最新發布的 S1，也是用 Qwen2.5-32B 作為基座模型。
Qwen 在研發超大規模的 MoE 模型上一直在持續努力，2024 年 6 月 Qwen 就開源過一個 57B 的 MoE 模型，這次使用超過 20 萬億 token 的預訓練資料及精心設計的後訓練方案進行訓練，祭出了 Qwen2.5-Max 這個新的王炸。
為同一個 AGI 的目標努力，我們都是一家人。
逐日與摘星， 東方星空會更加璀璨。