我测试了 QwQ-32B-Preview：阿里巴巴的推理模型

什么是 QwQ-32B-Preview？ 

QwQ-32B-Preview 是一款用于处理超越简单文本理解的高级推理任务的模型。它旨在解决诸如编码和数学推理等具有挑战性的问题。作为“预览”版本，它仍在不断打磨中。该模型已在 Hugging Face 等平台开源，您可以自行测试、改进并反馈意见！

需要注意的是，QwQ-32B-Preview 是一种实验性模型。尽管前景可期，但也存在一些重要限制：

• 混用语言：模型可能会意外地在不同语言之间切换，从而降低回答的清晰度。
• 循环推理：有时会陷入重复的推理循环，导致回复冗长且缺乏明确结论。
• 安全性问题：模型仍需更强的安全机制以确保可靠与安全的使用，因此在部署时需谨慎。
• 性能差距：在数学与编程方面表现优异，但在常识推理与细微语言理解等方面仍有提升空间。

如何访问 QwQ-32B-Preview？

您可以通过HuggingChat 访问 QwQ-32B-Preview，目前可免费以未量化形式运行。使用步骤：

1. 访问 HuggingChat： https://huggingface.co/chat/
2. 从可用模型中选择QwQ-32B-Preview
3. 开始与模型交互

“草莓测试”

我们先从著名的“草莓测试”开始。提示是：“字母 ‘r’ 在 ‘strawberry’ 中出现了多少次？”

好吧，这已经变得很有意思了！ 

它确实正确地统计了字母数量，但错误地声称“r”出现在第 3、7 和 8 个位置，这不正确。正确的位置是第 3、8 和 9 个。作为参考，DeepSeek 在这里给出了正确答案。

让我们更仔细地看看 QwQ-32B-Preview 的推理：

QwQ-32B-Preview 的推理比 DeepSeek 提供的短得多。然而在本例中，它在计数字母时并未考虑其位置，我猜这就是出错的原因。有趣的是，它提供了并非所需的信息——我并没有询问“r”的位置，只问出现次数。提供额外且不必要的信息最终引入了错误。

数学推理

为测试模型的数学推理能力，我们将进行三项不同复杂度的测试。

三角形面积

提示是："若一个三角形三边长为 3、4、5，它的面积是多少？" 来看它如何处理：

答案是正确的，并解释了得出结论的方法。不过，解答中未包含任何公式或计算过程，虽说这并非必需，但若能补充会更好——这是 DeepSeek 有提供的。现在看看推理：

挺有意思的是，它用了四种不同方法得到相同结果，而 DeepSeek 只用了三种。推理清晰易懂。我唯一注意到的问题是公式的格式和样式有些不一致——有些解析正常，有些不然。这是 DeepSeek 处理得更好的地方。

数学证明

来看一个更复杂的数学测试，以观察表现和思路是否不同。我将测试如下问题：“证明斐波那契数列倒数之和收敛到一个有限值。”

严格说来，答案并非错误，但改进空间很大。首先，如果我要求模型给出证明，最终答案不应只是一个数值；它应包含一系列公式或定理的应用，以证明某个命题。这里确有尝试，但需要更充分的展开，而且最终回答并未真正完成证明。另外，公式的排版问题再度出现。一个优秀的证明范例可参考我对 DeepSeek 的测试。

提供些背景信息：我攻读数学博士期间批改过数学试卷，我可以肯定，这个答案拿不到满分——但 DeepSeek 的可以！

我们来看看推理过程（为便于阅读，我只展示冗长推理的首段和末段，建议您自行尝试该提示）：

一开始，模型表现不错。它回顾了斐波那契数列，避开了被 0 除的陷阱，并很好地设定了问题，这是个扎实的基础。接着，它使用比较审敛法与比值判别法这些常见的级数收敛测试，甚至用 Binet 公式进行近似与估计。它还在某处意识到无需计算精确值，只需证明级数收敛，这说明它紧扣题意。

就推理而言，方向没错，但通往答案的过程有些繁乱。再次强调，部分公式格式清晰，另一些则不尽如人意。 

话虽如此，最终的证明是成立的。它展示了级数收敛，并使用了有效的方法。但与 DeepSeek 的输出相比，这份证明还可以更精炼、更一致。

另一个让我惊讶的是，推理过程给出的最终答案（其实更好）与最终输出的答案不一致。它本该坚持那个答案！

微分几何

我们来试试微分几何的测试：

考虑 R³ 中的一个曲面 S，其参数化为

φ(u,v) = (u cos v, u sin v, ln u)

其中 u > 0 且 0 ≤ v < 2π。

a) 计算 S 的第一基本形式。

b) 判断 S 是否为极小曲面。

c) 求 S 的高斯曲率 K 和平均曲率 H。

好的，这个答案并不意外，因为它在风格上与前一个测试很相似。同样地，严格说不是错误，但在表达上确实有改进空间。

讲解跳过了“如何得到”的过程。当然我不期待完全的步进式推导，但至少应有一些公式展示结果来源。此外，答案没有分部分呈现，公式的排版依然不佳。DeepSeek 在这方面做得很好。

再一次——QwQ 拿不到满分，而 DeepSeek 可以！

我们来看看推理（为便于阅读，我只展示首尾两部分）：

来说说它的推理。首先，该夸的要夸——它很详尽。分成 Part a、Part b、Part c 的结构清晰易读，并较好地引导我们理解步骤。它先处理第一基本形式，从参数化细致计算系数，然后在此基础上推进。到 Part c 求高斯曲率与平均曲率时，铺垫已经比较充分。

接下来就有点笨重了。虽然计算在技术上是正确的，但模型花了很多时间反复核对或回看步骤，这有助于准确性，却不利于可读性。 

再说格式。公式都在，但呈现方式并不够清晰——又一次如此。看起来有些凌乱，对想要跟进的人来说会增加难度。如果能更干净地排版，并突出关键结果，会大大提升解释质量。

另一个缺失点是背景语境。模型给出了结果，但并未停下来解释其意义。比如，高斯曲率在这里为何重要？它告诉我们这个曲面的几何性质是什么？当它得出“该曲面非极小”的结论时，技术上是对的——但也错失了拓展其更广泛含义的机会。

编程测试

我们已经测试了 QwQ-32B-Preview 在数学测试中的表现，我并不太惊艳——但也许我偏爱 DeepSeek 的输出。看看它在编程测试中的发挥，QwQ-32B-Preview 会不会这次给我惊喜。

Python

第一个测试是：

“用 Python 实现一个函数，找到给定字符串中最长的回文子串。时间复杂度需优于 O(n^3)。”

该解法正确，提供了一种简洁高效的方法，以所需复杂度找到最长回文子串。它通过围绕每个字符中心扩展的聪明策略检查回文，并很好地处理了奇偶长度。代码清晰易读。不过，我希望在末尾看到测试用例，这是 DeepSeek 提供过的。来看看推理（为便于阅读，我只展示首尾两部分）：

不得不说，这是个相当扎实的方法，我确实对某些推理部分印象深刻。但也有一些可以更紧凑的地方——我们来谈谈。

首先，推理从基础入手：什么是回文，为什么暴力法不是最佳选择。随后直接进入中心扩展法，甚至提到了时间复杂度为O(n) 的 Manacher 算法。它也指出虽然 Manacher 更快，但对这个问题而言可能有些“用牛刀”。DeepSeek 并未提及该方法，而我此前正期待看到它。它还讨论了其他思路，比如反转字符串或跳过不必要检查，这些都很不错！

中心扩展法解释清晰，并区分了奇数长度与偶数长度的回文，这是覆盖所有情形的关键。 

对边界情况的覆盖也是亮点。单字符字符串、没有回文的字符串、由相同字符组成的字符串——都有考虑。它还提到代码会优雅地处理空字符串，直接返回，这种周全性正是你想在解释中看到的。

我很喜欢推理中的最终结果部分给出了方法分解、解决代码与说明，但我希望这些也能出现在最终响应中！

这一题 QwQ-32B-Preview 是否比 DeepSeek 表现更好？嗯，尽管它未包含测试用例，我还是会说是的！

JavaScript

现在，我要测试一个 JavaScript 编程挑战：

“用 JavaScript 编写一个函数，判断给定数字是否为质数。”

该解法正确，与 DeepSeek 输出非常相似。然而，它的推理过程要长得多，我们来看看它如何得出答案（为了可读性我再次截断输出）：

好的，这段推理相比 DeepSeek 的尤其冗长。我们详细看看：

首先，解法从基础入手。小于等于 1 的数？一定不是质数。2 是特例——唯一的偶质数。其他偶数？自然不是质数。这个逻辑铺垫清晰，对处理边界情况很有帮助。

接着进入核心：如何高效检查一个数是否存在除 1 和自身外的因子？与其检查到 n，不如只检查到 √n。为什么？因为如果存在大于 √n 的因子，那么另一个因子必定小于 √n，已经被检查过了。非常高效，避免了不必要的计算。 

为进一步提速，解法在处理 2 之后跳过所有偶数。于是只检查奇数，从 3 开始，每次步进 2。这是个不错的优化，工作量减半。

再看实现。函数先校验输入：是否为整数？是否大于 1？若不是，直接判“非质数”。这种校验是良好实践，让函数更健壮。随后循环逻辑开始，从 3 检查到 √n，若找到因子则非质数，否则通过即为质数。

可贵的是，推理并未止步于实现。它深入讨论了边界情况——如负数、非整数、诸如 2.5 这样的奇怪输入——并确保函数能正确处理。它甚至提到了 JavaScript 在超大数上的限制，并建议在极端场景下使用 BigInt，我觉得这是个很好的补充。

解法还包含详细的测试用例，逐步展示对 1、2、3 乃至 13、29 等较大数的处理过程，没有任何含糊之处。

当然，还可以更进一步。比如在处理超大数时，可以考虑 Miller-Rabin 或 Fermat 素性测试等高级算法。但在日常使用中，这个解法在简单性、效率与可读性之间找到了很好的平衡。

总之，这段推理扎实、清晰、实用，并很好地确保了代码健壮性——这点是 DeepSeek 没有那么强调的。我认为这次 QwQ-32B-Preview 胜出！

逻辑推理

最后，我们来看一些逻辑推理测试。

狼、羊与白菜问题

我要测试一道经典谜题：

"某人要带一只狼、一只羊和一棵白菜过河。他的船一次只能载他自己和另一样东西。如果单独留下，狼会吃羊，羊会吃白菜。他如何把三样都安全运到对岸？"

好的，问题的解法是正确的，但有几处需要澄清。它称最优解包含六个步骤；然而只给出了五个要点，这已经是不准确。

此外，您可能会认为相比 DeepSeek 的七步方案，这个方法更高效；但实际上这也是七步。返回空船的步骤不知为何未被提及。它应该输出如下步骤：

1. 先把羊送到对岸。
2. 空船返回。
3. 把白菜送到对岸。
4. 把羊带回原岸。
5. 把狼送到对岸。
6. 空船返回。
7. 再把羊送到对岸，与狼和白菜会合。

另外，在其推理过程中我发现了这个（还截了图！）：

这让我怀疑推理是不是出了点什么问题……

我们来看看：

这段推理开头很不错，充分确保理解了问题、挑战与约束。但从这里开始就有些混乱了。这正是我们前面提到的模型限制的一个很好例子：它会混用两种语言。结果就是推理难以理解（至少对我而言，因为我不懂那种语言——我猜是中文！）。我现在展示推理的其他部分以作说明，但会跳过太冗长的段落。

不过，最终的解决方案非常出色！它列出了初始设置、约束、目标与策略，并给出了非常清晰的解决计划，而且有趣的是这一次所有步骤都包含了！ 

那为何最终答案没有体现呢？它甚至附加了最终解释。我真希望最终输出能与推理中的内容一致，也很疑惑为何没有做到！

称球谜题

最后来试试这个经典逻辑谜题，考察模型是否能用演绎推理提出最优策略。

免责声明： 这是我尝试三次后的产出——模型开始生成答案但卡住或报错，无法继续。此外，这一题我将跳过推理展示，因为它极其冗长，且输出本身已相当详尽！我们来看看（输出同样有截断）：

不得不说，我对这个输出非常印象深刻！解法先对问题作了非常清晰的说明，并用系统化的表格制定了计划，我认为这非常有帮助，而 DeepSeek 并未包含此类表格。每个球在三次称重中都有唯一的组合，确保覆盖所有可能情况。 

我很喜欢它把问题拆分为“左重”“右重”“相等”等情形及子情形。这种渐进式方法让复杂问题变得可管理。每次称重都建立在前一次结果之上。您能一步步缩小可疑球范围，同时确定它更重还是更轻。

最后，解法还给出了一段 Python 代码，这出乎我的意料！ 代码具有交互性，允许用户模拟称重，使过程更易于理解，甚至有趣。这份解法面面俱到，覆盖了每一种称重结果，确保没有“异球”能漏网。 

不过有一点，这段 Python 代码假设了完美的用户输入。如果输入了无效的称重结果，代码没有错误处理。若能在健壮性上再补强，就更完美了。 

我会说这是一份非常优秀的答案——在清晰度以及用表格和 Python 代码帮助用户可视化方面，它胜过了 DeepSeek 的解答。

速度对比：DeepSeek vs. QwQ

最后，我将比较两款模型在各项测试中进行推理与给出解答的速度。需要注意的是，结果会受到多种因素影响，模型并非总是以相同速度运行，但有趣的是，在我测试的每个任务上，DeepSeek 都更快。

QwQ-32B-Preview 基准测试

测试 QwQ-32B-Preview 展现了它在棘手的数学、编程与推理挑战上的表现——尽管有的更出色，有的稍逊！

以下是 QwQ 在一些挑战性基准上的成绩：

• GPQA（研究生级科学推理）：得分65.2%，展现出较强的研究生级科学推理能力。
• AIME（高阶数学专题）：得分50.0%，在几何、代数、数论等高阶数学主题上展现了扎实能力。
• MATH-500（广泛数学问题）：拿下亮眼的90.6%，证明其解决各类数学问题的能力。
• LiveCodeBench（真实世界编程任务）：得分50.0%，在真实编码场景中展现出稳健的编程能力。 

这些结果让我吃惊吗？并不。这与本文中的测试表现一致。

GPQA 测试衡量对研究生级科学推理的理解。65.2% 的得分说明它善于用逻辑与数学解决问题，但在非常专业或高度概念化的问题上可能会吃力，这与本文复杂数学测试中的观察相符。

类似地，AIME 以几何与代数等高阶数学著称。50% 的得分显示 QwQ-32B-Preview 能解决其中一部分问题，但在需要灵巧思路、跳脱常规的题目上会困难些。 

MATH-500 超过 90% 的成绩非常亮眼，显示 QwQ-32B-Preview 在一般数学问题上的解题能力与准确度都很强。

LiveCodeBench 衡量在编码场景中的编程能力。50% 的得分意味着 QwQ-32B-Preview 能处理编程基础并遵循清晰指令，但在更复杂的任务上可能会吃力。

QwQ 在解决结构化问题与运用逻辑方面很强，这从 GPQA 与 MATH-500 的分数可见一斑。它擅长数学与科学，但在类似 AIME 的富有创意或非常规问题上更具挑战。其编程能力尚可，但在处理凌乱或不明确的编码任务时还有进步空间。

我们再看看 QwQ 32B-preview 与 DeepSeek 以及其他模型的指标对比：

这些图表对四个基准（GPQA、AIME、MATH、LiveCodeBench）的模型表现进行了清晰对比。DeepSeek-R1-Lite-Preview 表现突出，尤其在 MATH（91.6%），展现了其在高级推理与问题解决方面的能力。

QwQ-32B-preview 在各基准上表现稳定，尤其在 MATH（90.6%）方面表现优异，显示其扎实的数学与通用推理能力。其他模型如 OpenAI O1-preview 和 Claude 3.5-Sonnet 各有所长，但整体上略逊于 QwQ-32B-preview 与 DeepSeek，凸显了这两款领先模型的竞争优势。

结论

测试 QwQ-32B-Preview 十分有趣，也希望我没有太偏颇——不过我得承认，DeepSeek-R1-Lite-Preview 的表现确实让我印象深刻！ 

QwQ-32B-Preview 显然是一款能力出众的强劲模型，但并不完美，而且模型给出的最终答案并不总与其推理过程中的最终答案一致，而后者往往比实际呈现的解更好。

您试过 QwQ 吗？感觉如何？您更喜欢它还是 DeepSeek？谁知道呢——也许下一款大模型就能在所有基准上一骑绝尘。看到这些工具不断演进，确实令人兴奋！