3月6日，阿里开源了新推理模型—— QwQ-32B。QwQ 是 Qwen 系列的推理模型，具备思考和推理能力。其优势是推理速度快，在数学、编程和通用任务推理方面表现出色，整体性能比肩DeepSeek-R1。
与此同时，阿里云开放平台还放出了一个名为 QwQ-Plus 的模型，官方描述这是基于 Qwen2.5 模型训练的 QwQ 推理模型，通过强化学习大幅度提升了模型推理能力。模型数学代码等核心指标（AIME 24/25、LiveCodeBench）以及部分通用指标（IFEval、LiveBench等）达到DeepSeek-R1 满血版水平。
有传闻称 QwQ-Plus 的性能优于 QwQ-32B，那不妨直接实测对比看看，除了QwQ-Plus 和 QwQ-32B，我们还选择了 DeepSeek-R1 一起对比测试，目的是更全面地评估这三款模型的实力
模型实测
对比模型：QwQ-Plus 、 QwQ-32B 、DeepSeek-R1
实测1-4使用的工具为：302.AI的模型竞技场
实测5使用工具为：302.AI聊天机器人-Artifacts功能
实测1：汉字结构理解
提示词：一个汉字左右结构，左边木，右边乞，请直接回答这个汉字。
考察点：主要测试模型的文化常识关联性、底层语言结构理解能力以及知识库的广度与精度。
结论：仅 DeepSeek-R1 回答正确，QwQ-Plus 输出了错误答案，QwQ-32B 陷入逻辑循环，无法终止推理，未能输出答案。同时可以发现，参数较小的 QwQ 两个模型在汉字知识库覆盖度与精度还有待提高。
QwQ-Plus ：回答错误
QwQ-32B ：陷入不断思考，最后只能手动暂停，未能输出答案。
DeepSeek-R1：回答正确，且还对该文字进行了详细解析。
实测2：计算推理测试
提示词：请在错误的等式中添加一对括号:1+2×3+4×5+6×7+8×9=479，以使等式成立
考察点：测试模型的数学计算、逻辑推理、问题解决能力以及对数学符号的理解。
结论：仅QwQ-Plus 回答正确，而 QwQ-32B 和 DeepSeek-R1则是在思考中已经分析得出结果并不符合题目，但依旧输出错误答案。
QwQ-Plus ：通过分析思路、添加括号并验算，最终回答正确。
QwQ-32B ：在输出结果中已验算答案不正确，仍输出错误答案。
DeepSeek-R1：DeepSeek-R1 和之前测试一样，明知验算结果不对，仍输出错误答案。
实测3：逻辑思维测试
提示词：一个房间里有三盏灯，门外有三个开关，每个开关对应一盏灯。现在你只能进房间一次，请问如何确定哪个开关对应哪盏灯?
考察点：测试模型的逻辑推理能力以及对细节信息的处理。
结论：三个模型答案均是正确的，QwQ-Plus 与 QwQ-32B 的答案对比大致相似。其次，深度思考时间对比排序：QwQ-32B ＜ DeepSeek-R1 ＜QwQ-Plus。
QwQ-Plus ：分析合理，回答正确。
QwQ-32B ：分析合理，回答正确。
DeepSeek-R1：分析正确，回答正确。
实测4：推理能力测试
提示词：
有 10 个人站成一列纵队，从 10 顶黄帽子和 9 顶蓝帽子中，取出 10 顶分别给每个人戴上。每个人都看不见自己头上的帽子颜色，却只能看见站在前面那些人的帽子颜色。
站在最后的第十个人说：“我虽然看见了你们每个人头上的帽子，但仍然不知道自己头上帽子的颜色。”
依此类推，直到第二个人也说不知道自己头上帽子的颜色。出乎意料的是，第一个人却说：“我知道自己头上帽子的颜色了。”
请问：第一个人头上戴的是什么颜色的帽子？他为什么知道呢？
（答案：第一个人戴的是黄色帽子）
考察点：测试逻辑推理与信息传递能力，要求模型通过分析每个人的回答，逐步推导出第一个人帽子的颜色。
结论：三个模型均能得出正确答案，表明它们具备较强的逻辑推理能力，能够理解并运用信息传递的规则进行有效推导。
QwQ-Plus ：分析合理，答案正确。
QwQ-32B ：分析合理，答案正确。
DeepSeek-R1：分析正确，回答正确。
实测5：编程效果测试
提示词：
请实现一个粒子动画：
- 鼠标移动时生成跟随光点粒子
- 粒子逐渐消失并留下轨迹
- 支持调整粒子颜色和速度的按钮。
结论：DeepSeek-R1 在视觉效果方面表现最佳，QwQ-Plus 在功能完整性和实用性方面更好，QwQ-32B 还有提升空间，但整体功能实现都较为完整。
QwQ-Plus ：粒子能够平滑实时跟随光标移动，消失轨迹实现了渐变消失，提供了颜色选择器与速度条滑块，功能实现非常完整且视觉效果较好。
QwQ-32B： 粒子能够跟随光标移动稍稍有延迟，颜色切换还算流畅，整个功能完整，但交互与视觉效果一般。
DeepSeek-R1：粒子跟随光标移动无延迟，可通过按钮切换颜色和速度，但按钮切换速度虽然精准但稍有不便，实用性不够。整体功能实现较完整，交互与视觉效果好。
实测总结：
通过以上实测，可以初步得出以下结论：
（1）复杂任务下 QwQ-32B 因资源受限陷入无限思考
在实测1中发现，QwQ-32B 在面对复杂任务时，会陷入无休止的思考而无法输出答案。这种情况并非个例，例如在回答“1 = 5 2 = 15 3 = 215 4 = 3215 5 =？”这一问题时也出现了类似无限思考的情形。这或许是由于复杂问题解决需要更多的资源，而模型的资源存在限制所致。
（2）QwQ-Plus 在计算推理任务表现卓越
根据实测2的结果得出，在涉及计算的推理任务中，QwQ-Plus 表现出色，表现优于 DeepSeek-R1 和 QwQ-32B，其不仅能够精准地输出正确答案，还能清晰地展示出关键的解题思路。
（3） QwQ-32B 的推理速度优势显著
从实测3的结果能够看出，QwQ-32B 深度思考时间最短。而进一步考察实测4和实测5的数据，QwQ-32B 依旧保持着深度思考时间最短的优异表现。综合多轮测试情况可以看出，QwQ-32B 在三个模型中的推理速度最快，其推理速度的优势显著 。
（4）复杂推理任务里 QwQ 与 DeepSeek-R1的比肩表现
综合实测3、4，面对逻辑思维和复杂的推理任务，三个模型均能成功推导出正确答案。这表明在推理方面，QwQ-32B 和 QwQ-Plus 具备了与 DeepSeek-R1 相媲美的水平。
（5）QwQ-Plus 编程效果综合评估最优
根据实测4效果所示， 从实用性、交互效果等方面综合考量，QwQ-Plus 的表现最为出色，DeepSeek-R1 虽然美观度最佳但功能实用性方面存在一定欠缺，而QwQ-32B 在该案例中的编程能力还有提升的空间。
综上所述，QwQ-Plus 相较于 QwQ-32B ，在稳定性方面略胜一筹，尤其是面对复杂的计算推理任务时；然而，就速度表现而言，QwQ-Plus 和 DeepSeek-R1 则稍逊于 QwQ-32B 。
在与 DeepSeek-R1 的性能对比方面，无论是 QwQ-Plus 还是 QwQ-32B，均表现出与之十分接近的水准，但若要说完全超越，仍存在一定的差距。不过综合比较，将 QwQ-32B 称为 DeepSeek-R1 的平价替代品，这一说法倒是合理的。
在302.AI上使用 QwQ-Plus 和 QwQ-32B 模型
302.AI的聊天机器人和API超市提供了按需付费无订阅的服务方式，企业和个人用户可按需灵活选用。
1、使用模型对话
依次点击使用机器人→聊天机器人→ 模型→搜索关键词“qwq”→ 按需选择→创建聊天机器人；
2、使用模型API
企业用户可以通过302.AI的API超市快速、便捷地调用模型，还能够根据特定项目需求进行定制化开发。
相关文档：使用API→API超市→语言大模型→国产模型/开源模型→查看文档；
QwQ-Plus 的API名称：qwq-plus
QwQ-32B 的API名称：qwq-32b
硅基流动部署的 QwQ-32B 的API名称：Qwen/QwQ-32B
