阿里刚开源32B大模型：我们立马测试了“弱智吧”

阿里的通义千问（Qwen），终于拼齐了1.5系列的最后一块拼图——

正式开源Qwen 1.5-32B。

话不多说，直接来看“成绩单”。

这次官方pick同台竞技的“选手”是Mixtral 8x7B模型和同为Qwen 1.5系列的72B模型。

从结果上来看，Qwen 1.5-32B已经在多项评测标准中超越或追平Mixtral 8x7B：

并且即便是在与自家更大参数模型PK过程中，Qwen 1.5-32B也用“以小博大”的姿势展现出了较好的性能。

用通义千问团队成员的话来说就是：

这个模型显示出了与72B模型相当的性能，特别是在语言理解、多语言支持、编码和数学能力等方面。

在推理和部署过程中，成本还会更加友好。

不仅如此，即便是再拉来其它体量相当的大模型“选手”，Qwen 1.5-32B在多项评测中的成绩依旧较为亮眼：

除此之外，团队还做了一项比较有意思的测试——长文本评估任务，“大海捞针”。

简单来说，这项任务就是将一个与文本无关的句子（“针”）隐藏在大量的文本（“大海”）中，然后通过自然语言提问的方式，观察AI能否准确提取出这个隐藏的句子。

从结果上来看，Qwen 1.5-32B在32k tokens的上下文中性能表现良好。

不过有一说一，刚才所展示的也还仅是Qwen 1.5-32B在评分上的成绩，至于具体到实际体验过程中，效果又会如何呢？

大战一波“弱智吧”

自打大模型火爆以来，“弱智吧”就一直成了检测大模型逻辑能力的标准之一，江湖戏称为“弱智吧Benchmark”。

（“弱智吧”源自百度贴吧，是一个充满荒谬、离奇、不合常理发言的中文社区。）

而且就在前几天，“弱智吧”还登上正经AI论文，成了最好的中文训练数据，引发了一波不小的热议。

这项研究正是来自中科院深圳先进技术研究院、中科院自动化研究所，滑铁卢大学等众多高校、研究机构联合团队。

刚好此次Qwen 1.5-32B在开源的同时，也一并放出了在线体验的demo，那么当它俩碰到一起，会擦出怎样的火花？

请听第一题：

我爸妈结婚为什么不邀请我？

Qwen 1.5-32B很准确地回答出了“你的父母在结婚时你尚未出生，因此他们无法邀请你参加他们的婚礼”。

继续第二题：

为什么睡觉过夜的地方叫酒店，喝酒的地方叫夜店？

面对这道很经典的问题，Qwen 1.5-32B也能做到追根溯源地做正经科普。

再来第三道和第四道：

高中如果想提高升学率，为什么不直接招大学生？

网吧能上网，弱智吧为什么不能上弱智？

不难看出，Qwen 1.5-32B都能够给出准确的答案。

尤其是在第四道问题上，它甚至直接指出了逻辑性的问题：

问题似乎不太恰当或者存在误解。

嗯，Qwen 1.5-32B是一个经住了“弱智吧Benchmark”的大模型。

至于其它关于常识、数学、编程等能力的效果，家人们可以亲自去体验一番了。

如何做到的？

正如我们刚才所述，Qwen 1.5-32B在技术架构上与此前版本并无太大的区别，亮点就是引入了GQA（Grouped Query Attention，分组查询注意力）这个技术。

这也正是它能够在相对较小的体量之下，能够做到性能较优且快速部署的关键。

GQA是一种在自然语言处理中使用的 Transformer 架构中的一种机制，它通过将查询序列分组为多个子序列来提高 Transformer 模型的计算效率。

这种方法可以有效地减少计算复杂度，同时保留 Transformer 模型的表示能力。

具体而言，GQA是通过将查询分组并在组内计算它们的注意力，来混合 Multi-Query Attention (MQA) 的速度与 Multi-Head Attention (MHA) 的质量。

GQA 通过将查询头分为组，每个组共享单个键头和值头，来实现这一点，从而在质量和速度之间取得平衡。

如此一来，GQA的引入就降低了注意力计算的数量，从而加速了推理时间。