大廠元宇宙，又菜又愛玩
撰文 | 吳先之 編輯 | 王 潘當下所有大廠推出的元宇宙產品，所能帶來的沉浸式體驗并不多，好在國內外科技巨頭在bug方面都處在同一水平線。以Meta為例，由于VR頭顯設
1 月 27 日消息，阿里通義千問今日宣布，正式推出開源的 Qwen2.5-1M 模型及其對應的推理框架支持。
從官方介紹獲悉，通義千問本次發布了兩個新的開源模型，分別是Qwen2.5-7B-Instruct-1M和Qwen2.5-14B-Instruct-1M，這是通義千問首次將開源的 Qwen 模型的上下文擴展到 1M 長度。
為了幫助開發者更高效地部署 Qwen2.5-1M 系列模型，Qwen 團隊完全開源了基于 vLLM 的推理框架，并集成了稀疏注意力方法，使得該框架在處理 1M 標記輸入時的速度提升了 3 倍到 7 倍。
長上下文任務在上下文長度為 100 萬 Tokens 的大海撈針（Passkey Retrieval）任務中，Qwen2.5-1M 系列模型能夠準確地從 1M 長度的文檔中檢索出隱藏信息，其中僅有 7B 模型出現了少量錯誤。
對于更復雜的長上下文理解任務，選擇了 RULER、LV-Eval 和 LongbenchChat 測試集。
從這些結果中，Qwen 得出以下幾點關鍵結論：
顯著超越 128K 版本：Qwen2.5-1M 系列模型在大多數長上下文任務中顯著優于之前的 128K 版本，特別是在處理超過 64K 長度的任務時表現出色。
性能優勢明顯：Qwen2.5-14B-Instruct-1M 模型不僅擊敗了 Qwen2.5-Turbo，還在多個數據集上穩定超越 GPT-4o-mini，為長上下文任務提供了開源模型的選擇。
短序列任務
可以發現：
Qwen2.5-7B-Instruct-1M 和 Qwen2.5-14B-Instruct-1M 在短文本任務上的表現與其 128K 版本相當，確保了基本能力沒有因為增加了長序列處理能力而受到影響。
與 GPT-4o-mini 相比，Qwen2.5-14B-Instruct-1M 和 Qwen2.5-Turbo 在短文本任務上實現了相近的性能，同時上下文長度是 GPT-4o-mini 的八倍。
模型鏈接：https://www.modelscope.cn/collections/Qwen25-1M-d6cf9fd33f0a40
技術報告：https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen2.5-1M/Qwen2_5_1M_Technical_Report.pdf
體驗鏈接：https://modelscope.cn/studios/Qwen/Qwen2.5-1M-Demo
本文鏈接：http://www.tebozhan.com/showinfo-45-10254-0.html支持 100 萬 Tokens 上下文，阿里通義千問推出 Qwen2.5-1M 開源模型
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號