昨天凌晨，阿里开源了全新的推理模型：QwQ-32B。据官方发布消息，该模型性能比肩满血版 DeepSeek-R1（671B）！
可以看到在官方放出的评测图中， QwQ-32B 与满血版 DeepSeek R1（671B）在五项基准测试的得分不相上下，更是远超同尺寸 R1 蒸馏模型。
看到了这些消息后，我就开始上手深度测试。
QwQ-32B开源链接：
魔搭开源链接：https://modelscope.cn/models/Qwen/QwQ-32B
huggingface开源链接：https://huggingface.co/Qwen/QwQ-32B
在线体验地址：
https://chat.qwen.ai/?models=Qwen2.5-Plus
本地部署：保姆级实战教程
我在 AutoDL 上租用一张 4090，本地部署了一个 QwQ-32B-AWQ 量化版本。
写了个保姆级部署教程，因篇幅原因，大家可以按需查看～
教程地址：https://datawhaler.feishu.cn/docx/Wz2NdqSx1oEZsuxB9zHcEQ20nNe
根据命令行打印的信息可以看到模型在一张 4090 GPU 上完美运行。我给他测试了最近很火的问题：
9.11 和 9.9 哪个更大？
推理一共花了 21.39 秒，结果如下所示：
实测下来，QwQ-32B-AWQ 量化版本显存占用不到 18GB ，一张 4090 绰绰有余。而 32B 的 QwQ，也是完美适配消费级硬件。
性能实测
在 QwQ-32B 的性能方面，我分了代码能力、数学能力和逻辑能力三个维度进行测评。
首先是代码能力，我让它“编写一个 python 脚本，显示一个球在旋转的六边形内部弹跳。球应该受到重力和摩擦的影响，并且必须真实地弹跳 off 转动的墙壁。”
可以看到，整个球体的弹跳和撞击特别真实，就连小球带动大框的效果都做出来了，很好的还原了真实的物理场景。
而 Grok-3 在这个问题上直接就炸了，小球直接自由落体。
然后我试了试它的数学能力。最近正好考研成绩出了，我就拿了两道数一的考研题进行了测试：
题目一：回答完全正确。
数学和代码作为 QwQ-32B 的主攻方向，确实是效果极佳。最后的逻辑推理能力实测来自 unlock-deepseek 项目群。下面我会给你一道数学单选题，请选出正确答案。题目信息如下：
下面说法正确的是（ ）．
A：跳远测距离，根据的是两点之间线段最短．
B：跳高杆不会掉落，是因为两点确定一条直线．
C：多条跑道找捷径，根据的是垂线段最短．
D：同一路口白色斑马线互相平行，是因为过直线外一点有且只有一条直线与已知直线平行．
这道题有多难呢，大家可以试试看，模型的思考过程真的特别精彩，上演了足足 7 分多钟的左右脑互搏。。结合数学、代码、逻辑推理三个维度的实测，QwQ 的实力还是挺强悍的，一点也不输几个主流的超大杯参数的推理模型。
Agent 相关能力：Function Call
QwQ-32B 中还集成了与 Agent（智能体）相关的能力，支持函数调用。于是我也测试使用了一下，搭建了一个股票数据分析 Agent：
import osfrom openai import OpenAIimport efinance as efimport json# 设置模型的 API 地址openai_api_base = "http://localhost:8000/v1"api_key = "dummy_key" # 本地部署不需要真实 key# 实例化 OpenAI 客户端client = OpenAI( api_key=api_key, base_url=openai_api_base,)# 定义可用的函数def query_stock_code(stock_name): """查询股票代码""" try: stock_data = ef.stock.get_realtime_quotes(stock_name) return stock_data.to_dict('records') except Exception as e: return {"error": str(e)}def get_stock_history(stock_code, start_date=None, end_date=None): """获取股票历史数据""" try: history_data = ef.stock.get_quote_history(stock_code, start_date, end_date) return history_data.to_dict('records') except Exception as e: return {"error": str(e)}def get_stock_financial(stock_code): """获取股票财务数据""" try: financial_data = ef.stock.get_financial_report(stock_code) return financial_data.to_dict('records') except Exception as e: return {"error": str(e)}# 定义函数映射function_map = { "query_stock_code": query_stock_code, "get_stock_history": get_stock_history, "get_stock_financial": get_stock_financial}# 定义函数描述，用于告诉模型可用的函数functions = [ { "name": "query_stock_code", "description": "查询股票的实时行情数据", "parameters": { "type": "object", "properties": { "stock_name": { "type": "string", "description": "股票名称或代码" } }, "required": ["stock_name"] } }, { "name": "get_stock_history", "description": "获取股票的历史行情数据", "parameters": { "type": "object", "properties": { "stock_code": { "type": "string", "description": "股票代码" }, "start_date": { "type": "string", "description": "开始日期，格式为YYYY-MM-DD" }, "end_date": { "type": "string", "description": "结束日期，格式为YYYY-MM-DD" } }, "required": ["stock_code"] } }, { "name": "get_stock_financial", "description": "获取股票的财务报表数据", "parameters": { "type": "object", "properties": { "stock_code": { "type": "string", "description": "股票代码" } }, "required": ["stock_code"] } }]def interactive_stock_query(): """交互式股票查询功能""" print("欢迎使用股票查询助手！您可以询问任何有关股票的问题。输入'退出'结束对话。") # 保存对话历史 conversation_history = [] while True: user_input = input("\n请输入您的问题: ") if user_input.lower() in ['退出', 'exit', 'quit']: print("感谢使用，再见！") break # 添加用户输入到对话历史 conversation_history.append({"role": "user", "content": user_input}) try: # 调用模型，允许函数调用 response = client.chat.completions.create( model="QwQ-32B", messages=conversation_history, functions=functions, function_call="auto" ) assistant_message = response.choices[0].message # 添加助手回复到对话历史 conversation_history.append(assistant_message) # 检查是否有函数调用 if assistant_message.function_call: function_call = assistant_message.function_call function_name = function_call.name # 解析函数参数 try: function_args = json.loads(function_call.arguments) except json.JSONDecodeError: print("函数参数解析错误") continue print(f"正在调用函数: {function_name}") # 执行函数 if function_name in function_map: function_to_call = function_map[function_name] function_response = function_to_call(**function_args) # 将函数执行结果添加到对话历史 conversation_history.append({ "role": "function", "name": function_name, "content": json.dumps(function_response, ensure_ascii=False) }) # 再次调用模型，让它解释函数执行结果 second_response = client.chat.completions.create( model="QwQ-32B", messages=conversation_history ) # 输出模型解释 print("\n助手:", second_response.choices[0].message.content) # 添加到对话历史 conversation_history.append(second_response.choices[0].message) else: print(f"未知函数: {function_name}") else: # 直接输出模型回复 print("\n助手:", assistant_message.content) except Exception as e: print(f"发生错误: {str(e)}")if __name__ == "__main__": interactive_stock_query()成果展示：
支持 Function Call 不仅增强了模型的实际应用能力，还能使它能够在使用工具的同时进行批判性思考，并根据环境反馈调整推理过程。
写在最后
总体来说，这次通义开源的 QwQ-32B 推理模型还是很不错的：
第一是 32B 小参数模型性能与超大参数的推理模型性能不相上下，做到了在保证性能的同时降低对计算资源的依赖，从而实现更加环保、可持续的AI技术发展；
第二是响应速度也是相当不错的，不会遇到服务器繁忙的情况；
第三是它支持 function call 功能，这一点对于模型开发来说有多重要就不必多说了。
如今，距离 o1 模型发布不过五个月，推理模型领域已经迎来了百花齐放的新局面。
犹记得前段时间大家还在全网寻找 "满血版"DeepSeek-R1 的使用渠道，转眼间就出现了小尺寸且性能强悍的 QwQ-32B 模型。这个量级在本地部署没太大压力，也可以在阿里云百炼平台调用 QwQ 的 API 进行开发。对于创业者、小型团队，或者想要做专业 AI 应用的公司而言，成本大大降低。
自 2023 年 8 月以来，通义千问累计开源了 200 多款模型。很低调，但在做实事，真正在推动大模型技术的普惠和应用的落地，促进国内大模型生态的繁荣。
向通义千问团队致敬
粤ICP备14082021号
免费POC，
零成本试错
