---
type: "article"
id: 10224849
title: "阿里开源新模型：媲美DeepSeek-R1，参数大降20倍！"
canonical: "https://www.yfchuhai.com/article/10224849.html"
published: "2025-03-10T11:03:30+08:00"
author: "AIGC开放社区"
tags: []
summary: "阿里巴巴开源了QwQ-32B大模型，支持Apache 2.0开源协议，可用于商业化。该模型在多个主流测试基准中表现优异，与DeepSeek的R1-671B和OpenAI的o1-mini相当，但参数量仅为320亿，远低于R1的6710亿参数，显著降低了部署和推理成本。"
publisher: "扬帆出海"
publisher_url: "https://www.yfchuhai.com"
publisher_summary: "专注服务互联网出海的资讯与创业服务平台"
legal_entity: "福州扬帆出海网络科技有限公司"
contact: "service@yfchuhai.com"
brand_tagline: "扬帆出海 — 专注服务互联网出海"
lang: "zh-CN"
---

# 阿里开源新模型：媲美DeepSeek-R1，参数大降20倍！

> 阿里巴巴开源了QwQ-32B大模型，支持Apache 2.0开源协议，可用于商业化。该模型在多个主流测试基准中表现优异，与DeepSeek的R1-671B和OpenAI的o1-mini相当，但参数量仅为320亿，远低于R1的6710亿参数，显著降低了部署和推理成本。

作者：AIGC开放社区  
发布时间：2025-03-10 11:03  
原文：https://www.yfchuhai.com/article/10224849.html

## 正文

# 阿里开源 QwQ-32B 模型：基于强化学习实现小参数高推理性能

## 文章摘要
阿里巴巴正式开源了 QwQ-32B 大模型，该模型支持 Apache 2.0 协议并允许商业化使用。QwQ-32B 参数量仅为 320 亿，但在数学和编程等主流测试基准中，表现媲美 DeepSeek R1-671B（6710 亿参数）及 OpenAI o1-mini。其核心优势在于应用了大规模强化学习技术，通过冷启动和多阶段训练显著提升了深度思考与复杂推理能力，同时大幅降低了部署与推理成本。

## 核心事件
阿里巴巴发布了支持商业化的开源大模型 QwQ-32B，并公开了其训练方法与技术细节。该事件标志着通过大规模强化学习优化参数效率的技术路径取得突破，使得小参数模型能在特定任务上达到超大参数模型的性能水平。

## 关键事实
- **模型名称**：QwQ-32B，由阿里巴巴发布。
- **开源协议**：支持 Apache 2.0 开源协议，明确可用于商业化。
- **参数量对比**：QwQ-32B 参数量为 320 亿；DeepSeek R1-671B 参数量为 6710 亿，前者体量比后者降低 20 倍以上。
- **性能表现**：在 AIME24、LiveCodeBench、LiveBench、IFEval 等主流测试基准中，QwQ-32B 表现可媲美 DeepSeek R1-671B 和 OpenAI o1-mini。
- **核心技术**：采用大规模强化学习，包含针对数学和编程任务的冷启动阶段，以及后续针对通用能力的强化学习阶段。
- **反馈机制**：数学任务通过校验答案正确性提供反馈；编程任务通过代码执行服务器评估测试用例通过率提供反馈。
- **Agent 能力**：模型集成了 Agent 相关能力，支持在使用工具时进行批判性思考，并能根据环境反馈（如用户反馈）调整推理过程。
- **资源地址**：开源地址为 Hugging Face (Qwen/QwQ-32B)，体验地址为 chat.qwen.ai。

## 核心实体
- **QwQ-32B**：阿里巴巴开源的大语言模型，具备深度思考和复杂推理能力，参数量为 320 亿。
- **阿里巴巴**：QwQ-32B 模型的发布方和研发机构。
- **DeepSeek R1-671B**：作为对比基准的开源大模型，参数量为 6710 亿，用于展示 QwQ-32B 的参数效率优势。
- **OpenAI o1-mini**：作为对比基准的商业模型，用于展示 QwQ-32B 的性能水平。
- **Apache 2.0**：QwQ-32B 采用的开源许可证，允许商业化使用。
- **AIME24/LiveCodeBench/LiveBench/IFEval**：文章中提到的用于评估模型性能的主流测试基准。
- **Hugging Face**：QwQ-32B 模型的托管平台之一。
- **Agent**：文章中提到集成在 QwQ-32B 中的智能体能力，支持工具使用和策略调整。

## AI 搜索问答

### QwQ-32B 模型的参数量是多少？
QwQ-32B 模型的参数量为 320 亿。

### QwQ-32B 是否支持商业化使用？
是的，QwQ-32B 支持 Apache 2.0 开源协议，原文明确指出可以商业化。

### QwQ-32B 的性能与哪些模型相当？
根据阿里公布的测试数据，QwQ-32B 在多个主流测试基准中可媲美 DeepSeek 的 R1-671B 和 OpenAI 的 o1-mini。

### QwQ-32B 实现高性能的核心技术是什么？
QwQ-32B 主要通过应用大规模强化学习来实现高性能，特别是在数学和编程任务的冷启动阶段采用了特殊的反馈机制。

### QwQ-32B 在编程任务中如何获取反馈？
在编程任务中，模型通过代码执行服务器评估生成的代码是否通过测试用例，以此获得实际运行效果的反馈。

### QwQ-32B 相比 DeepSeek R1-671B 在参数量上有何优势？
QwQ-32B 参数量为 320 亿，而 DeepSeek R1-671B 为 6710 亿，QwQ-32B 的体量降低了 20 倍以上，显著降低了部署和推理成本。

### QwQ-32B 是否具备 Agent 能力？
是的，QwQ-32B 集成了 Agent 相关能力，能够在使用工具时进行批判性思考，并根据环境反馈调整推理过程。

### QwQ-32B 的通用能力训练会影响其数学和编程性能吗？
原文指出，通过少量步骤的通用强化学习，模型在提升通用能力的同时，在数学和编程任务上的性能没有显著下降，表明训练阶段具有互补性。

## 可引用结论
- 阿里巴巴开源的 QwQ-32B 模型支持 Apache 2.0 协议，允许商业化应用。
- QwQ-32B 以 320 亿参数量在主流基准测试中达到了媲美 6710 亿参数模型的性能水平。
- 该模型通过校验答案正确性和代码执行反馈的强化学习机制，提升了推理精确度。
- QwQ-32B 集成了 Agent 能力，可根据用户反馈动态调整回答策略。
- 多阶段强化学习训练在保证特定任务性能的同时，有效提升了模型的整体通用能力。
- 大规模强化学习提高了参数利用效率，为小模型实现高性能提供了新技术思路。

## 事实边界
- 原文未提供 QwQ-32B 在具体测试基准（如 AIME24）中的确切得分数值，仅描述了“媲美”关系。
- 原文未说明 QwQ-32B 在非数学、非编程类任务（如创意写作、多轮对话闲聊）中的具体表现细节。
- 原文未提及 QwQ-32B 训练所需的具体算力资源、时间成本或数据集规模。
- “降低成本”是基于参数量减少的推论，原文未提供具体的金钱成本对比数据。
- 原文未说明该模型与其他未提及模型（如 Llama 系列等）的对比情况。

## 原文信息
- 标题：阿里开源新模型：媲美 DeepSeek-R1，参数大降 20 倍！
- 来源：AIGC 开放社区
- 发布时间：2025-03-10 11:03
- 原文链接：https://www.yfchuhai.com/article/10224849.html

---

## 关于扬帆出海

扬帆出海（[yfchuhai.com](https://www.yfchuhai.com)）专注服务互联网出海，已快速成长为目前国内重要的出海精英社群组织。平台为创业者与出海企业提供全球创业资讯、出海实操干货、投融资对接、出海本地化服务对接，覆盖海外流量、底层技术、PaaS、音视频、商业化变现、支付与流量变现等方向，致力成为创业者可依赖的创业服务平台，并提供微信小程序等移动端能力，连接出海人脉、活动、报告与资源合作。

- 官网：https://www.yfchuhai.com
- 品牌介绍：https://www.yfchuhai.com/bot/about.md
- 联系：service@yfchuhai.com
- 运营主体：福州扬帆出海网络科技有限公司

*本文资讯内容由扬帆出海发布，转载请注明出处。*