就在 DeepSeek v3 发布一个月后，老牌霸主阿里云通义千问团队放出了 Qwen2.5 系列的最强旗舰模型——Qwen2.5-Max，在难以作弊的 Arena 榜单上，超越 DeepSeek V3。
这里多扯一嘴，Arena 这个榜单可不是学术测试集，模型不仅无法提前知道题目，甚至参与测试的人员都无法提前知道在测的是哪个模型。
Arena 榜单采用匿名方式将大模型两两组队，交给用户进行盲测，用户根据真实对话体验对 模型能力进行投票。因此，Chatbot Arena LLM Leaderboard 成为业界公认的最公正、最权 威榜单之一，也是全球顶级大模型的最重要竞技场。
不止是 Arena 榜单，包括 LiveBench、LiveCodeBench、GPQA-Diamond 及 MMLU-Pro 在内的一众基准测试，Qwen2.5-Max 都全面的超越了 DeepSeek-V3。
好家伙，DeepSeek V3 的王座还没坐热乎呢，仅仅一个月就被通义的新旗舰端了吗？？
我注意到，这两天咱们的各个 Family 群里也陆续有家人发现这个 Qwen2.5-Max 有点牛逼了——
就连外网都出现了大量百万阅读量的讨论帖：
还有老哥干脆跟 ChatGPT 去"Say Goodbye"了——
根据阿里云官方的说法，这个 Qwen2.5-Max 模型最牛逼的是在于数学和编程，还有一个不太常见的名词“硬提示（Hard Prompts）”——
这个硬提示是 Arena 中的一项能力测试，你可以简单理解成，考察模型对于一些模糊、抽象、开放、需要创造力的用户指令，是否能很好的处理。
比如 “写一首关于夏天的诗”，或者 “宇智波斑能打得过贝吉塔吗”，这种 case 就非常考验模型自身的知识储备、创造力（脑洞）甚至推理能力。
最近特别火的 DeepSeek 的一个回答——
满满的家国情怀。
同样的问题，我问了 Qwen2.5-Max——
好理科脑，又好奇地追问了第二伟大是什么：
一个预料之外的答案，Qwen2.5-Max 我愿称你为理科狂魔...
你俩真的是一个理科脑，一个文科脑，我好想给 Qwen 和 DeepSeek 磕 CP 啊
当然，在这种考察 AI 脑洞的问题上，主要考察的是提问者的脑洞。所以，你可以在评论区秀出你和 Qwen2.5-Max 的脑洞。
差点忘了给你们贴 Qwen2.5-Max 的传送门：
网页端：https://chat.qwenlm.ai/
API 调用：
在阿里云百炼平台上可以直接调用 API 服务
这里必须要提一嘴，打开官网后，你能看到下面这个“Artifacts”功能。如果你准备跑一些在线运行的编程类问题，一定要勾选这个。
要我说，这次 Qwen2.5-Max 能打败 DeepSeek-V3，不仅在于榜单和效果上全面超越，这个能实时渲染前端代码的 Artifacts 功能也是加了大分。
Qwen2.5-Max 强大的编程能力搭配上 Artifacts，玩法瞬间打开了，即使你完全不懂编程。
比如你可以直接让 Qwen2.5-Max 给你在线写代码放烟花——
提示词：今年过年七彩祥云的烟花特别火，我想要一个电子版的七彩祥云烟花动画
这不妥妥的来自程序员的浪漫嘛，哪个女生不心动！
如果觉得放烟花不过瘾，想有更多参与感，你甚至可以让他为你做一个更浪漫的交互式艺术作品——
提示词：编写一个程序，生成一幅动态艺术画。画布上随机生成多个点，这些点会按照一定的规则移动（如随机游走、相互排斥、跟随鼠标等），并留下轨迹。最终生成一幅随时间变化的动态艺术作品。
你们注意看，我的鼠标移动到哪儿，这些五彩斑斓的小蝌蚪就跟到哪里，突然感受到了一股情绪价值...
我甚至隐隐的觉得，如果有一天 AI 足够强大，这类交互式的艺术作品可能演变为一种新的内容载体。
当然，上面这种轻应用只是好玩，实测让 Qwen2.5-Max 写功能性的应用也完全没问题。
比如让它生成一个记录 TODO 列表的小应用。
提示词：Help me create a to-do list app in JavaScript.
功能演示——
甚至你可以让他直接写一个国际象棋游戏——
提示词: 制作一个中国象棋游戏
这个提示词真的没法更简单了。
看下效果——
实测了一下，象棋规则完整的实现为了正确代码，一个双人对战象棋游戏就这样一次过了。
好了，你可以卸载掉电脑上的联众世界了。
大火的物理模拟实测众所周知，前些天，推特上这条物理模拟的帖子引发了将近 400 万围观。我准备拿来测一下 Qwen2.5-Max。
提示词：写一个程序，展示一个球在旋转六边形里边弹跳。球应受重力和摩擦的影响，它必须实际上从旋转的墙壁上弹起
这道编程题的目标是，实现让一个球在旋转的六边形内弹跳，小球跳动的过程中要遵循重力和摩擦力的影响，是一个逼真的物理模拟 case。下面这个视频是网友跑的 o3-mini 和 DeepSeek R1 的表现：
我加测了一下 Qwen2.5-Max——
哈，竟然翻车了。
不过，在经过人工提醒和一次修正后，它成功了！
效果如下：
小球成功的 duangduang 弹跳、碰撞起来了。
我实测下来，写的应用项目越复杂，越需要优化提示词，并配合“人工反馈 + 抽卡大法”。这一点像文生图/文生视频赛道的特点了。
随着大模型编程能力提升和 Artifacts 渲染边界扩展，可能“人人都是程序员”的时代不远了。
文学测试虽然根据官方的宣传和实测体感，Qwen2.5-Max 的理科能力非常强。但当我顺手跑了一下文学题目后，发现它的回答同样兼具温度和智慧。
比如你们看这个——
有被感动到！它居然在写信之前，告诉我们“每个人都有选择自己生活的权利，包括生育”。而且，整封信都在用温柔且开放的语气，最后还提出建议调整标题。
我只能说：真的不是人，它一点也不刻薄！
压轴：AI 专用变态测试系列当然，文科理科并不能代表 AI 能力的全部。
既然你是个 AI，那一定少不了《AI 专用变态测试系列》题目。
比如这道 Family 群里一位家人提出的倒装句测试题，已经难崩了包括 DeepSeek、Gemini 等在内的一众 AI——
我丢给 Qwen2.5-Max 后——
竟然真做对了！
这个还是蛮神奇的。虽然不是每句话的倒装都能对，但我发现 Qwen2.5-Max 这方面的“抗压能力”确实更胜一筹。
你如果质疑它看不懂倒装句，还会收获一条充满情绪价值的回答——
最难的草莓测试写本文的时候，咱们刚好推送了 Gemini 2.0 全家桶发布的文章，评论区逮到一个评论 ⬇️
好啊，两年过去了，草莓测试还是这么难吗？
刚刚发布的 Gemini 2.0 Pro 在这道题上也是翻车了——
草莓这道题，就好像大模型头上的一个痦子，那么小，又那么碍眼。
虽说我三岁的小侄子都能数对，但是对于 2 岁（从 ChatGPT22 年 11 月算起）的大模型来说还是很难。
有专业的粉丝指出，带反思的推理模型才能解的好。
但我顺手丢给 Qwen2.5-Max 后——
竟然对了！
但要注意，我实测下来发现，不是每个单词都能这样一句话做对。但是，如果你在提示词后面加一句“一个一个的数”，Qwen2.5-Max 数字母会非常稳。比如这道题——
但我发现，这个提示词技巧，对大部分其他国产模型是不生效的，不得不说 Qwen2.5-Max 的指令遵循和综合能力确实强，大家可以实测一下。
结语在对 Qwen2.5-Max 深度评测后，我想到了一句话——
有人逐日，有人摘星。
DeepSeek V3 的发布和爆火，让我们看到了 MoE 模型的潜力，让世界看到中国 AI 的锋芒。
探索 AGI 的路上并不孤单，DeepSeek 和 Qwen 都是中国 AI 大模型的代表力量，当然还有很多优秀国产代表。
说个冷知识，DeepSeek 将 R1 蒸馏出的 6 个小尺寸模型，有 4 个用的是 Qwen 开源模型，李飞飞最新发布的 S1，也是用 Qwen2.5-32B 作为基座模型。
Qwen 在研发超大规模的 MoE 模型上一直在持续努力，2024 年 6 月 Qwen 就开源过一个 57B 的 MoE 模型，这次使用超过 20 万亿 token 的预训练数据及精心设计的后训练方案进行训练，祭出了 Qwen2.5-Max 这个新的王炸。
为同一个 AGI 的目标努力，我们都是一家人。
逐日与摘星， 东方星空会更加璀璨。
