Qwen 2.5 Max: Fitur, Perbandingan DeepSeek V3, dan Lainnya

Alibaba baru saja merilis Qwen2.5-Max, model AI tercanggih mereka hingga saat ini. Ini bukan model penalaran seperti DeepSeek R1 atau o1 milik OpenAI, artinya Anda tidak dapat melihat proses berpikirnya.

Lebih tepat menganggap Qwen2.5-Max sebagai model serba bisa dan pesaing GPT-4o, Claude 3.5 Sonnet, atau DeepSeek V3.

Di blog ini, saya akan membahas apa itu Qwen2.5-Max, bagaimana pengembangannya, bagaimana perbandingannya dengan para pesaing, dan cara mengaksesnya.

Kami terus memberi kabar terbaru tentang AI kepada pembaca melalui The Median, buletin gratis setiap Jumat yang mengulas kisah-kisah penting pekan ini. Berlangganan dan tetap terinformasi hanya dalam beberapa menit per minggu:

Apa Itu Qwen2.5-Max?

Qwen2.5-Max adalah model AI terkuat Alibaba sejauh ini, yang dirancang untuk bersaing dengan model papan atas seperti GPT-4o, Claude 3.5 Sonnet, dan DeepSeek V3.

Alibaba, salah satu perusahaan teknologi terbesar di Tiongkok, dikenal lewat platform e-commerce, namun juga membangun kehadiran kuat di bidang komputasi awan dan kecerdasan buatan. Seri Qwen merupakan bagian dari ekosistem AI yang lebih luas, mulai dari model open-weight yang lebih kecil hingga sistem kepemilikan skala besar.

Berbeda dengan beberapa model Qwen sebelumnya, Qwen2.5-Max bukan open-source, artinya bobot modelnya tidak tersedia untuk publik.

Dilatih pada 20 triliun token, Qwen2.5-Max memiliki basis pengetahuan yang sangat luas dan kapabilitas AI umum yang kuat. Namun, ini bukan model penalaran seperti DeepSeek R1 atau o1 milik OpenAI, sehingga tidak secara eksplisit menampilkan proses berpikirnya. Meski begitu, mengingat ekspansi AI Alibaba yang berkelanjutan, bukan tidak mungkin kita akan melihat model khusus penalaran di masa depan—mungkin dengan Qwen 3.

Bagaimana Cara Kerja Qwen2.5-Max?

Qwen2.5-Max menggunakan arsitektur Mixture-of-Experts (MoE), teknik yang juga digunakan oleh DeepSeek V3. Pendekatan ini memungkinkan model untuk diskalakan sambil menjaga biaya komputasi tetap terkendali. Mari kita uraikan komponen utamanya dengan cara yang mudah dipahami.

Arsitektur Mixture-of-Experts (MoE)

Tidak seperti model AI tradisional yang menggunakan seluruh parameternya untuk setiap tugas, model MoE seperti Qwen2.5-Max dan DeepSeek V3 hanya mengaktifkan bagian model yang paling relevan pada saat tertentu.

Bayangkan seperti tim para spesialis: jika Anda menanyakan pertanyaan kompleks tentang fisika, hanya pakar fisika yang merespons, sementara yang lain tetap tidak aktif. Aktivasi selektif ini membuat model dapat menangani pemrosesan berskala besar secara lebih efisien tanpa memerlukan daya komputasi yang ekstrem.

Metode ini membuat Qwen2.5-Max sekaligus bertenaga dan dapat diskalakan, memungkinkannya bersaing dengan model padat seperti GPT-4o dan Claude 3.5 Sonnet sambil lebih hemat sumber daya—model padat adalah model di mana semua parameter diaktifkan untuk setiap masukan.

Pelatihan dan fine-tuning

Qwen2.5-Max dilatih pada 20 triliun token, mencakup beragam topik, bahasa, dan konteks.

Untuk memberi gambaran tentang 20 triliun token, itu kira-kira setara dengan 15 triliun kata—jumlah yang begitu besar hingga sulit dibayangkan. Sebagai perbandingan, 1984 karya George Orwell berisi sekitar 89.000 kata, yang berarti Qwen2.5-Max telah dilatih pada setara dengan 168 juta salinan 1984.

Namun, data pelatihan mentah saja tidak menjamin kualitas model AI yang tinggi, sehingga Alibaba memolesnya lebih lanjut dengan:

• Supervised fine-tuning (SFT): Anotator manusia memberikan respons berkualitas tinggi untuk membimbing model menghasilkan keluaran yang lebih akurat dan berguna.
• Reinforcement learning from human feedback (RLHF): Model dilatih agar selaras dengan preferensi manusia, memastikan respons lebih natural dan peka konteks.

Benchmark Qwen2.5-Max

Qwen2.5-Max telah diuji terhadap model AI terkemuka lainnya untuk mengukur kemampuannya di berbagai tugas. Benchmark ini mengevaluasi baik model instruct (yang di-fine-tune untuk tugas seperti chat dan pemrograman) maupun model base (yang menjadi fondasi mentah sebelum fine-tuning). Memahami perbedaan ini membantu memperjelas makna angka-angka tersebut.

Benchmark model instruct

Model instruct di-fine-tune untuk aplikasi dunia nyata, termasuk percakapan, pemrograman, dan tugas pengetahuan umum. Qwen2.5-Max dibandingkan di sini dengan model seperti GPT-4o, Claude 3.5 Sonnet, Llama 3.1 405B, dan DeepSeek V3.

Perbandingan model instruct. Sumber: QwenLM

Mari kita ringkas hasilnya dengan cepat:

• Arena-Hard (benchmark preferensi): Qwen2.5-Max meraih 89,4, unggul atas DeepSeek V3 (85,5) dan Claude 3.5 Sonnet (85,2). Benchmark ini mendekati preferensi manusia dalam respons yang dihasilkan AI.
• MMLU-Pro (pengetahuan dan penalaran): Qwen2.5-Max meraih 76,1, sedikit di atas DeepSeek V3 (75,9) namun sedikit di bawah pemimpin Claude 3.5 Sonnet (78,0), dan runner-up GPT-4o (77,0).
• GPQA-Diamond (QA pengetahuan umum): Dengan skor 60,1, Qwen2.5-Max unggul tipis atas DeepSeek V3 (59,1), sementara Claude 3.5 Sonnet memimpin di 65,0.
• LiveCodeBench (kemampuan pemrograman): Di angka 38,7, Qwen2.5-Max kurang lebih setara dengan DeepSeek V3 (37,6) namun di belakang Claude 3.5 Sonnet (38,9).
• LiveBench (kapabilitas keseluruhan): Qwen2.5-Max memimpin dengan skor 62,2, melampaui DeepSeek V3 (60,5) dan Claude 3.5 Sonnet (60,3), menunjukkan kompetensi luas dalam tugas AI dunia nyata.

Secara keseluruhan, Qwen2.5-Max terbukti sebagai model AI serba bisa, unggul dalam tugas berbasis preferensi dan kapabilitas AI umum sambil tetap kompetitif dalam pengetahuan dan kemampuan pemrograman.

Benchmark model base

Karena GPT-4o dan Claude 3.5 Sonnet adalah model kepemilikan tanpa versi base yang tersedia untuk publik, perbandingan dibatasi pada model open-weight seperti Qwen2.5-Max, DeepSeek V3, LLaMA 3.1-405B, dan Qwen 2.5-72B. Ini memberikan gambaran yang lebih jelas tentang posisi Qwen2.5-Max dibandingkan model open skala besar terkemuka.

Perbandingan model base. Sumber: QwenLM

Jika Anda memperhatikan grafik di atas, grafik tersebut dibagi menjadi tiga bagian berdasarkan jenis benchmark yang dievaluasi:

1. Pengetahuan umum dan pemahaman bahasa (MMLU, MMLU-Pro, BBH, C-Eval, CMMU): Qwen2.5-Max memimpin di semua benchmark dalam kategori ini, meraih 87,9 pada MMLU dan 92,2 pada C-Eval, melampaui DeepSeek V3 dan Llama 3.1-405B. Benchmark ini menitikberatkan keluasan dan kedalaman pengetahuan serta kemampuan menerapkan pengetahuan tersebut dalam konteks penalaran.
2. Pemrograman dan pemecahan masalah (HumanEval, MBPP, CRUX-I, CRUX-O): Qwen2.5-Max juga memimpin di semua benchmark dan berkinerja baik pada tugas terkait pemrograman, dengan skor 73,2 pada HumanEval dan 80,6 pada MBPP, sedikit di atas DeepSeek V3 dan jauh di atas Llama 3.1-405B. Benchmark ini mengukur keterampilan pemrograman, pemecahan masalah, serta kemampuan mengikuti instruksi atau menghasilkan solusi secara mandiri.
3. Pemecahan masalah matematika (GSM8K, MATH): Penalaran matematis adalah salah satu area terkuat Qwen2.5-Max, dengan capaian 94,5 pada GSM8K, jauh di depan DeepSeek V3 (89,3) dan Llama 3.1-405B (89,0). Namun, pada MATH yang berfokus pada pemecahan masalah yang lebih kompleks, Qwen2.5-Max meraih 68,5, sedikit mengungguli para pesaingnya namun masih menyisakan ruang perbaikan.

Cara Mengakses Qwen2.5-Max

Mengakses Qwen2.5-Max cukup mudah, dan Anda dapat mencobanya gratis tanpa pengaturan yang rumit.

Qwen Chat

Cara tercepat untuk menjajal Qwen2.5-Max adalah melalui platform Qwen Chat. Ini adalah antarmuka berbasis web yang memungkinkan Anda berinteraksi langsung dengan model di peramban—seperti saat Anda menggunakan ChatGPT di peramban.

Untuk menggunakan model Qwen2.5-Max, klik menu dropdown model dan pilih Qwen2.5-Max:

Akses API melalui Alibaba Cloud

Bagi developer, Qwen2.5-Max tersedia melalui Alibaba Cloud Model Studio API. Untuk menggunakannya, Anda perlu mendaftar akun Alibaba Cloud, mengaktifkan layanan Model Studio, dan membuat kunci API.

Karena API mengikuti format OpenAI, integrasi seharusnya mudah jika Anda sudah familier dengan model OpenAI. Untuk petunjuk penyiapan secara rinci, kunjungi blog Qwen2.5-Max resmi.

Kesimpulan

Qwen2.5-Max adalah model AI paling mumpuni milik Alibaba sejauh ini, dibangun untuk bersaing dengan model papan atas seperti GPT-4o, Claude 3.5 Sonnet, dan DeepSeek V3.

Berbeda dengan beberapa model Qwen sebelumnya, Qwen2.5-Max bukan open-source, tetapi tersedia untuk diuji melalui Qwen Chat atau melalui akses API di Alibaba Cloud.

Mengingat investasi Alibaba yang berkelanjutan di bidang AI, bukan hal mengejutkan jika kita melihat model berfokus penalaran di masa depan—mungkin dengan Qwen 3.

Jika Anda ingin membaca lebih banyak kabar AI, saya merekomendasikan artikel berikut:

• Janus-Pro milik DeepSeek
• DeepSeek-R1
• Operator milik OpenAI
• Arsitektur Titans milik Google