阿里千问携手DeepSeek引领国产开源大模型走向世界

72B的VLM（视觉语言模型）太大？7B的又不够强？32B刚刚好！

• 模型输出更符合人类偏好：调整输出样式，提供更详细、格式更规范、更符合人类偏好的答案。
  

• 数学推理：解决复杂数学问题的准确率显著提升。
  

• 细粒度图像理解与推理：在图像解析、内容识别、视觉逻辑推理等任务中提升准确率和细化分析能力。

经过与规模相当的最先进的 (SoTA) 模型进行广泛的基准测试，Qwen2.5-VL-32B-Instruct 已证明优于 Mistral-Small-3.1-24B 和 Gemma-3-27B-IT 等基准模型，甚至超过了更大的 Qwen2-VL-72B-Instruct。值得注意的是，它在 MMMU、MMMU-Pro 和 MathVista 等多模态任务中取得了显著优势，这些任务侧重于复杂的多步骤推理。在 MM-MT-Bench（一种强调主观用户体验评估的基准）上，Qwen2.5-VL-32B-Instruct 的表现远胜于其前身 Qwen2-VL-72B-Instruct。

Qwen2.5-VL-32B-Instruct 除了在视觉能力上表现出色外，在同规模的纯文本能力上也取得了顶级表现。

DeepSeek-V3-0324 更新带来了：

• 推理性能大幅提升

• 更强大的前端开发技能

• 更智能的工具使用能力

• 对于非复杂推理任务，建议使用 V3（关闭“深度思考”）

• API 使用保持不变

• 模型现在根据 MIT 许可证发布

DeepSeek 再次说明了什么是“出道即巅峰”：DeepSeek V3-0324 在人工智能分析智能指数中跃升了 7 分，现在领先于所有其他非推理大模型。

编者注：

“视觉语言模型（VLM）是一种能够同时接受视觉（图像）和语言（文本）两种模态信息输入的大语言模型。 基于视觉语言模型，可以传入图像及文本信息，模型能够理解同时理解图像及上下文中的信息并跟随指令做出响应。”