开源新星Qwen1.5闪亮登场！不同大小的模型，满足你的各种需求。虽然在对齐上暂时没追上GPT-4-Turbo，但别小看它！在MT-Bench和Alpaca-Eval v2的测试中，Qwen1.5可是把Claude-2.1和GPT-3.5-Turbo-0613都甩在了身后！这就是开源的魔力，未来还有更多可能等待发掘。那么，Qwen1.5到底还有多少惊喜等着我们？

如果有其他疑问，欢迎朋友关注留言！

模型介绍与特点

在这里插入图片描述

为了深入了解Qwen1.5的实力，我们对其基础和聊天模型进行了全面评估。从语言理解到代码、推理，每一项基础能力都经过严格测试。多语言处理、符合人类喜好、智能体能力，还有检索增强生成，它都游刃有余。

在MMLU、C-Eval等知名数据集上，Qwen1.5大显身手，尤其72B版本，更是远超Llama2-70B。数学、推理，对它来说都是小菜一碟。

小模型也火热，我们拿Qwen1.5的小参数版本和市面上的佼佼者比了比，结果很惊喜。虽然参数少，但实力一点不输。怎么让大模型的能力“传授”给小模型？我们正在研究。

想让AI更懂人，对齐技术很关键。我们用先进的策略优化技术，让Qwen1.5更贴合人类思维。

评估AI聊天模型，挑战多多。我们请大模型来当“评委”，在MT-Bench和Alpaca-Eval上给Qwen1.5打分。结果？很不错！虽然没赢过GPT-4-Turbo，但也超过了Claude-2.1等一众高手。

回答长短，不是Qwen1.5的考量。它注重质量，不会为了得分而啰嗦。用户反馈也证明了这一点：新版本的回答，更受欢迎。

多语言能力如何？我们选了12种语言来测。考试、翻译、数学…Qwen1.5样样行。阿拉伯语、日语、韩语，它都能轻松应对。

这只是Qwen1.5的冰山一角。它还有哪些隐藏技能？等你来探索。

技术合作与生态支持

在这里插入图片描述

通用语言模型的魅力，可不止于说话。它们还能与外部系统“搭档”，解决大问题。比如，RAG这种新热门任务，就能帮大语言模型避免“胡思乱想”、获取不到最新或私密信息等尴尬。而且，这些模型还能熟练地用API、写代码，就像个智能助手。

我们给Qwen1.5的Chat模型来了个全面体检，看看它在RAG任务上表现如何。结果挺不错！大模型通常比小模型更厉害，快赶上GPT-4了。但在数学和可视化任务上，Qwen1.5还得加把劲，尤其是编码能力。未来，我们打算让所有Qwen模型都更擅长编码，期待它们的进步吧！

不过，这只是开始。通用语言模型与外部系统的结合，还有哪些惊人潜能？

模型效果与评估

长文理解，轻松搞定！Qwen1.5全新升级，支持超长32K tokens上下文。我们在专业基准L-Eval上测试，看它如何应对复杂长文。

结果惊艳！Qwen1.5小模型就与GPT-3.5不相上下，而72B大模型更逼近GPT4-32k。无论多长的内容，它都能应对自如。

但这还不是极限！想挑战更长文本？试着调整config.json里的设置，可能会有新发现哦！

想要亲自体验Qwen1.5的超能力吗？

开发体验与应用前景

这次的最大看点，就是它与HuggingFace transformers库的完美结合。从4.37.0版本起，你无需加载任何自定义代码，就能轻松调用Qwen1.5。

from transformers import AutoModelForCausalLM  

# 以前的用法  

model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen-7B-Chat", device_map="auto", trust_remote_code=True)  

# 现在更简单  

model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen1.5-7B-Chat", device_map="auto")

想跟Qwen1.5聊天？没问题，几行代码就能搞定！

from transformers import AutoModelForCausalLM, AutoTokenizer  

device = "cuda"  # 选择你的设备  

  

# 加载模型和分词器  

model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen1.5-14B-Chat-AWQ", device_map="auto")  

tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen1.5-14B-Chat-AWQ")  

  

# 提出问题  

prompt = "给我介绍一下大型语言模型。"  

messages = [{"role": "system", "content": "你是一个有用的助手。"}, {"role": "user", "content": prompt}]  

  

# 处理输入  

text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)  

model_inputs = tokenizer([text], return_tensors="pt").to(device)  

  

# 生成回答  

generated_ids = model.generate(model_inputs.input_ids, max_new_tokens=512)  

generated_ids = [output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]  

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]