評測榜單說明
在數學推理基準AIME24上，QwQ-32B達到了79.5分，幾乎與DeepSeek-R1-617B的79.8分持平，遠超OpenAI o1-mini的63.6分，及相同尺寸的R1蒸餾模型。

在編程能力方面，QwQ-32B 在LiveCodeBench上獲得了63.4分，接近DeepSeek-R1-617B的 65.9分，也同樣優于o1-mini的53.8分和蒸餾模型。

在由Meta首席科學家楊立昆領銜的“最難LLMs評測榜”LiveBench、谷歌等提出的指令遵循能力IFEval評測集、由加州大學伯克利分校等提出的評估準確調用函數或工具方面的BFCL測試中，通義千問QwQ-32B的得分均略微超過了DeepSeek-R1-617B。

除了在性能上的提升，QwQ-32B的另一個亮點就是大幅降低了部署使用成本，671B，在FP16精度下需要1400G的顯存，而現在，32B的QwQ，4張4090就能跑，這是將近15倍的差距，并且智能水平還差不多。

根據提供的搜索結果，以下是與用戶提到的基準測試相關的信息匯總及分析：

---

1. AIME24

• 用途：數學推理能力評測基準，主要測試模型在復雜數學問題中的邏輯推理能力。
• 相關模型表現：
  • 阿里開源的QwQ-32B模型在AIME24上獲得79.5分，接近DeepSeek-R1-617B（79.8分），遠超OpenAI o1-mini（63.6分）。
• 特點：該基準注重模型對數學規律的解析能力，例如在找規律題目中，模型需通過提示進行迭代計算，但可能因過度思考導致錯誤。

---

2. LiveCodeBench

• 用途：代碼生成能力評測基準，評估模型生成可執行代碼的準確性和效率。
• 相關模型表現：
  • QwQ-32B在LiveCodeBench上得分為63.4分，接近DeepSeek-R1-617B的65.9分，優于同尺寸的蒸餾模型。
• 問題示例：生成解決“用5L和3L瓶子裝4L水”的代碼，QwQ-32B展示了生成多種解決方案的能力。

---

3. LiveBench

• 用途：綜合評測大模型能力的榜單，由Meta首席科學家楊立昆領銜設計，被列為“最難的LLMs評測榜”之一。
• 相關模型表現：
  • QwQ-32B在LiveBench中得分略微超過DeepSeek-R1-617B，顯示其綜合推理能力的優勢。
• 覆蓋領域：可能包括數學、代碼、邏輯推理等多維度任務。

---

4. IFEval（推測為FEva的可能對應）

• 用途：指令遵循能力評測集，由谷歌等機構提出，測試模型對復雜指令的理解和執行能力。
• 相關模型表現：
  • QwQ-32B在IFEval中表現優異，得分超過DeepSeek-R1-617B，顯示其較強的指令解析能力。

---

5. BFCL（Benchmark for Function Call and Tools）

• 用途：評估模型準確調用函數或工具的能力，例如API接口或外部工具的使用。
• 相關模型表現：
  • QwQ-32B在BFCL測試中得分略高于DeepSeek-R1-671B，突顯其在工具調用任務中的高效性。

---

時間范圍 (24.08-25.02)

• 解讀：可能指基準測試的活躍使用時間段（2024年8月至2025年2月），但搜索結果中未明確提及具體時間范圍。當前信息顯示，阿里QwQ-32B的測試結果發布于2025年3月7日，表明這些基準在近期仍被廣泛使用。

---

總結

上述基準測試覆蓋了數學推理（AIME24）、代碼生成（LiveCodeBench）、綜合能力（LiveBench）、指令遵循（IFEval）及工具調用（BFCL）等多個維度，是當前評估大模型能力的重要工具。阿里QwQ-32B模型在這些測試中表現突出，尤其在降低部署成本的同時保持高性能，成為開源社區的熱門選擇。
如需進一步了解各基準的詳細評測方法或歷史數據，可參考相關論文或模型開源頁面（如魔搭社區、Hugging Face等）。