Qwen2模型开源，你值得拥有！_qwen2-57b-a14b

写在前面

期待已久的Qwen2，他如约而至，他来了，他带着5个尺寸的大模型迎面走来了。

Blog: https://qwenlm.github.io/blog/qwen2/   HF: https://huggingface.co/collections/Qwen/qwen2-6659360b33528ced941e557f   
1

Qwen2本次开源了4个Dense模型和1个MoE模型，Dense模型包括0.5B、1.5B、7B和72B 4个尺寸，MoE模型总参数为57B，激活参数14B。

Qwen2系列模型为多语言模型，除英文和中文外，还支持其他27种语言；同时具有RAG、工具调用、角色扮演、Agent等多种功能。

模型细节

Qwen2模型跟Qwen1.5模型一致，主要采用更多的数据（据说数据量在7T以上）进行模型训练。

几种模型支持最大上下文不同：

• 0.5B、1.5B模型支持最大上下文为32K；

• 57B-A14B MoE模型支持最大上下文为64K；

• 7B、72B模型支持最大上下文为128K。

除英文和中文外的27种语言如下：

• 西欧：德语、法语、西班牙语、葡萄牙语、 意大利语、荷兰语

• 东欧及中欧：俄语、捷克语、波兰语

• 中东：阿拉伯语、波斯语、希伯来语、土耳其语

• 东亚：日语、韩语

• 东南亚：越南语、泰语、印尼语、马来语、老挝语、缅甸语、宿务语、高棉语、菲律宾语

• 南亚：印地语、孟加拉语、乌尔都语

其中，MoE模型的共有72个专家，其中，8个共享专家和64个路由专家，每次模型推理时，8个共享专家一直被使用，路由专家则从64个中选择8个激活。

效果分析

Qwen2系列模型效果整体超于Qwen1.5等尺寸系列模型，相对于其他开源模型也展现出了优异的效果。

0.5B和1.5B两个小模型，在中文相关榜单上效果较好，但推理相关榜单不如Phi-2模型（但现在网上有一种说法Phi系列模型是overfit，真实使用效果很不理想）。

Base模型

Instruct模型

7B模型相较于同等尺寸模型（Llama-3-8B、Yi-9B、GLM4-9B）在代码、中文上效果更为优异。

Base模型

Instruct模型

Qwen2-72B模型的效果在大多数榜单上优于Qwen1.5-110B，并且在指标是基本上都优于，尤其在代码、数学、中文对应榜单上效果提高的尤为明显

Base模型

Instruct模型

Qwen2-57B-A14B MoE模型相较于32B级别模型，不仅效果更好，推理速度也是更快。

利用Agent解决大模型上下文窗口问题

同时，还发一篇贴，主要介绍如何让8K上下文长度模型更好地理解百万字词的文档。

blog: https://qwenlm.github.io/blog/qwen-agent-2405/   
1

涉及三个级别：

• Level1：采用正常增强检索生成，将上下文分成小块，最后仅保留最相关的块，长度限制在8k上下文中，利用大模型进行回复。

• Level2：采用分块阅读，对每个小块均进行大模型并行预测，相关则返回相关句子，不相关则返回无，最后将相关句子融合在限制在8k上下文中，利用大模型进行最终回复。

• Level3：采用逐步推理，就是如果是复杂问题，则将问题拆解，并将拆解问题采用Level2的分块阅读方法，得到答案；再将答案与第二个问题组成新的问题，再次采用Level2的分块阅读方法，得到最终答案。

可以发现，Agent方法在大海捞针和LV-Eval上都要好于利用模型直接外推或RAG方法。

256K上下文实验

Agent框架：https://github.com/QwenLM/Qwen-Agent   
1

快速上手

直接transformers走起，以Qwen2-72B-Instruct模型为例。

from transformers import AutoModelForCausalLM, AutoTokenizer      device = "cuda"   model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2-72B-Instruct",                                                 torch_dtype="auto",                                                 device_map="auto")   tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2-72B-Instruct")      prompt = "你知道刘聪NLP是谁吗"   messages = [{"role": "system", "content": "You are a helpful assistant."},               {"role": "user", "content": prompt}]   text = tokenizer.apply_chat_template(messages,                                        tokenize=False,                                        add_generation_prompt=True)   model_inputs = tokenizer([text], return_tensors="pt").to(device)      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]   
1

写在最后

Qwen2依然很硬核，全面开源，模型又多效果又好，不枉费期待那么久。

因为前一段时间Qwen2-72B-Instruct模型已经在竞技场上了，期待后面对战榜上的效果，有望成为开源第一。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的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。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】