我承认，我低估国产大模型了！新功能太强大了_qwen2 72b 和qwen 110b

记得今年2月Qwen1.5开源，这才过去4个月，新版本QWen2今天就重磅出击了，这开源的速度实在太快了。

发布后两小时，Hugging Face联合创始人兼首席执行官克莱门特·德朗格（Clément Delangue）就发推宣布：HF开源大模型榜单新的第一名来了，Qwen2-72B全球排名最高！

之前的Qwen1.5-110B已经领先文心4.0等一众中国闭源模型。而刚刚开源的Qwen2-72B，整体性能相比Qwen1.5-110B又取得了大幅提升。简直为开闭源之争画下了休止符！

Qwen2系列模型大幅提升了代码、数学、推理、指令遵循、多语言理解等能力。在MMLU、GPQA、HumanEval、GSM8K、BBH、MT-Bench、Arena Hard、LiveCodeBench等国际权威测评中，Qwen2-72B一举斩获十几项世界冠军，超过美国的Llama3。

作为程序员，我也非常关注大模型的发展，我深知它对软件开发领域的巨大冲击。

在现阶段，大模型虽然没办法作为一个独立的个体来像人那样，从客户沟通、需求分析到架构设计、详细设计、编码、测试、部署，从头到尾实现一个完整的系统，但是它在详细设计、编码、测试等领域展示出的强大能力，完全可以成为程序员编程的好助手。

QWen2在编程领域实战效果到底如何呢？

0****1

QWen2实战测评

我手头有一个非常经典的素材：薪水支付案例。

这个案例的需求是这样的：

该系统由一个公司数据库以及和员工相关的数据组成，系统需要准时地按照规则给员工支付薪水

员工有三种类型

1.钟点工，每个小时有固定报酬，他们每天提交工作时间卡，其中记录了日期以及工作小时数，如果每天工作超过8小时，按1.5倍进行支付。每周五对他们进行支付。

2.月薪员工，工资固定，每个月的最后一个工作日对他们进行支付

3.销售人员，有固定工资，但会根据他们的销售情况，支付给他们一定数量的佣金，他们会提交销售凭条，其中记录了销售的日期和数量。每隔一周的周五对他们进行支付。

员工可以选择支付方式，可以把支票邮寄到他们指定的邮政地址，也可以保存在财务那里随时支取，或者要求直接存入他们指定的银行账户。

看了这个需求以后，程序员第一次设计一般是这样的：

Employee 作为基类，不同类型的雇员类来继承。

但是这个需求会有变更，客户要求员工类型可以变更，例如从钟点工变成月薪雇员，这样上面的设计就不行了。

这个时候应该做个抽象，，用一个类PaymentClassification来表达支付分类，然后让Employee类持有这个实例，简单说就是用组合代替继承。

这个案例主要看程序员能不能应用面向对象的设计原则，把那些变化的东西抽象成稳定的接口，非常考验人。

去年，我用这个案例实验过国内一些闭源的大模型，结果惨不忍睹，只有国外的GPT-4能基本达到设计目标，差距非常明显。

我决定拿这个案例考验下QWen2，看看它能不能避开我给它挖的坑。

QWen2的第一次设计是这样的：

Qwen2还特别提到：这个设计考虑到了不同类型的员工及其支付规则，同时允许灵活的支付方式选择。通过使用继承，我们能够避免重复代码，并且清晰地表示出不同类型的员工之间的共性和差异。

还真是不错，它“理解”了需求，从中抽取出了名词进行类的设计，它设计出来的Employee，HourlyEmployee，SalariedEmployee，SalesPerson和第一个UML图几乎是一样的。

已经达到了面向对象设计的初级水平。

接下来开始挖坑：

刘欣：上面的类设计得很好，但是如果一个人刚开始是钟点工，后来变成了月薪员工，上面的设计就无法支持这种变更了，这该怎么办呢？

Qwen2:

对于员工类型的变化，我们可以通过引入状态模式或策略模式来解决这一问题。在这里，我将采用策略模式，因为这种模式允许对象在其行为中嵌入可互换的算法族，非常适合处理员工类型的变化。

1. PaymentStrategy (支付策略接口) …略…

2. HourlyPaymentStrategy (钟点工支付策略) 继承自: PaymentStrategy …略…

3. SalariedPaymentStrategy (月薪支付策略) 继承自: PaymentStrategy …略…

4. SalesPaymentStrategy (销售人员支付策略) 继承自: PaymentStrategy …略…

5. Employee (员工类更新)

属性:

payment_strategy: 当前支付策略

…略…

方法:

set_payment_strategy(self, new_strategy): 更改支付策略

…略…

通过这样的设计，我们可以在运行时动态更改员工的支付策略，从而支持员工类型的变化。这不仅增加了系统的灵活性，也简化了维护和扩展的工作。

不得不说，QWen2 非常厉害，它一下子就抓住了问题的关键，把薪水计算策略PaymentStrategy给抽象了出来。

和第二个UML图相比，除了名称不同，基本上一样了。

可以说，能做到这一步，就可以超越很多程序员了。

我注意到，它一直没有处理支付周期的问题。我开始继续发问：

刘欣：原来的需求中还有支付的时间，例如钟点工每周五支付，这个该怎么设计？

QWen2：

我们可以通过定义一个PaymentSchedule接口，然后让具体的支付周期策略实现这个接口。这样，无论支付周期的规则如何变化，我们只需要关注PaymentSchedule接口的实现，而不需要修改其他部分的代码。

PaymentSchedule 接口 …略…

WeeklyPaymentSchedule (周支付策略) 继承自: PaymentSchedule …略…

MonthlyPaymentSchedule (月支付策略) 继承自: PaymentSchedule …略…

BiweeklyPaymentSchedule (双周支付策略) 继承自: PaymentSchedule …略…

Employee 类更新

属性:

salary_strategy: 当前薪资计算策略

payment_schedule: 当前支付周期策略

这种设计使我们可以独立地管理薪资计算逻辑和支付周期逻辑，同时保持代码的清晰和模块化。当需要添加新的支付周期策略或修改现有策略时，我们只需要在PaymentSchedule接口下实现新的类，而无需修改Employee类或其他部分的代码。这正是面向接口编程的好处：提高代码的复用性和扩展性。

是不是非常惊艳？

在程序员的提示下，它已经学会了分离关注点。应用了“优先使用组合而不是继承”的思想，实现了一个非常好的设计。

这个能力，只有原来GPT-4才具备，现在QWen2也具备了，甚至做得更好。

可以说，在详细设计这一层面，程序员可以充分相信QWen2了。

0****2

QWen2本地部署

程序员都喜欢折腾属于自己的东西，大模型也不例外，我就喜欢用Ollama做本地部署。

这次Qwen2开源系列包含5个尺寸的预训练和指令微调模型，Qwen2-0.5B、Qwen2-1.5B、Qwen2-7B、Qwen2-57B-A14B和Qwen2-72B，其中Qwen2-57B-A14B为混合专家模型（MoE）

我这机器恐怕跑不了太大的模型，就选个7B的吧，本地部署非常简单，一条命令搞定：ollama run qwen2:7b

马上实验一下。

刘欣：用Python写个函数，输入是个4位数（如1876），返回这个4位数的千位，百位，十位，个位

结果QWen2-7b 给我返回了这个函数：

def extract_digits(number):`    `# 将输入的4位数转换为字符串以便更容易操作每个数字位置`    `number_str = str(number)`    `# 数字的千位是字符串中的第一个字符，所以用 [0] 访问它。`    `thousands_digit = int(number_str[0])`    `# 百位是第二个字符，用 [1] 访问它。`    `hundreds_digit = int(number_str[1])`    `# 十位是第三个字符，用 [2] 访问它。`    `tens_digit = int(number_str[2])`    `# 个位是最后一个字符，用 [-1] 访问它（因为列表索引是从0开始的）。`    `ones_digit = int(number_str[-1])`    `return thousands_digit, hundreds_digit, tens_digit, ones_digit``   
1

竟然是用字符串处理的，让我着实没想到！

刘欣：不要用字符串处理的办法！

这次它给出了我想要的结果：

def extract_digits(number):`    `thousands = number // 1000`    `hundreds = (number % 1000) // 100`    `tens = (number % 100) // 10`    `ones = number % 10`    `return thousands, hundreds, tens, ones
1

0****3

总结

一年前，人们普遍认为开源模型和最领先的闭源模型之前存在一两年的代差，如今，以QWen2为代表开源阵营用实力证明，开源模型正在加速追赶头部闭源模型。

自2023年8月开源以来，通义千问在全球开源社区生态中已形成重要影响力。6月7日，Qwen2系列模型的API第一时间登陆阿里云百炼平台。TensorRT-LLM、OpenVINO、OpenCompass、XTuner、LLaMA-Factory、Firefly、OpenBuddy、vLLM、Ollama等众多全球开源平台和工具，也第一时间宣布支持Qwen2最新款模型。除了美国Llama开源生态之外，通义千问已成为全球开发者的另一主流选项。

有了开源大模型，海量的中小企业和开发者再也不用从头训练大模型，可以直接站在前沿技术成果的肩膀上做创新，当越来越多的开发者、企业能结合自己的需求，来促进大模型的发展和应用，必将带来翻天覆地的变化。

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。