Karminski1周前
Qwen3.5实测!来看贺岁档大模型的实力! 贺岁档大模型来啦! Qwen3.5 这次支持了文本、图片、视频多模态输入, 本次准备了全新的后端能力测试! 以及照例带来前端能力、Agent、长上下文能力的全面测试! 来看本次新增的后端编程测试 vector DB Bench: 要求大模型从零实现一个高性能向量数据库, 只给提示词不给实现方案, 配合 coding agent 自动写代码、编译、跑分. 结果 Qwen3.5 直接甩出王炸 —— QPS 1405, 是 Kimi-K2.5 的 4.8 倍, GLM-5 的 25 倍! 关键在于它不仅用了 IVF 倒排索引 + AVX512F 指令集, 还在有限轮次内自主探索出了最优聚类参数 (K=2048, nprobe=30), 每次查询只需扫描约 15000 条数据, 而 Kimi-K2.5 的参数配比要扫描 75000 条, 正好解释了近 5 倍的性能差距. 这波调参堪称神之一手. 前端编程也有进步: 大象牙膏测试终于能正确建模三角烧瓶, 鞭炮连锁爆炸的粒子光影效果不错, 支持多模态后甚至可以对着网站录屏直接克隆. 但空间理解仍是短板, 陀飞轮机芯测试中齿轮设计暴露了差距. 指令遵循: 洛希极限测试中的指令遵循达到 85.9% (Gemini-3.0-Pro 为 90.6%), 主要扣分在未遵循加速曲线公式. Agent 能力: 硅基骑手测试得分 668.43, 仅次于 GLM-5 的 738.69, 也侧面解释了为什么后端编程 Agent 表现这么强. 长文本召回: 256K 上下文召回 99.1%, 但不给原文时四选一蒙对率高达 75.6%, 结果完全不置信. 总结: Qwen3.5 最亮眼的是后端编程能力, 同样的 IVF 算法靠调参拉开 5 倍差距, Agent 能力同样在线. 不过本次测试还发现了点小问题, 输出偶尔不太稳定, 会漏掉 markdown 语法或把答案输出到 thinking 标签里, 这点要注意, 目前我已经反馈给官方了. 这份新年礼物, 大家觉得怎么样? #Qwen #千问大模型 #Qwen35 #阿里千问 #通义实验室
00:00 / 07:00
连播
清屏
智能
倍速
点赞51
00:00 / 08:57
连播
清屏
智能
倍速
点赞8
Qwen3-Coder-480B 私有化部署专业指南 一、部署核心配置方案 1. Docker环境优化 -  --shm-size=100g :配置超大共享内存,满足节点内8卡间高频数据交换需求,消除多进程通信瓶颈。 -  --gpus all :全量启用节点内GPU资源,结合 --tp 16 参数实现16卡协同计算,避免资源闲置。 - 辅助配置: --network host 与 --ipc host 模式减少网络与进程通信开销,为分布式计算提供高效环境。 2. NCCL通信协议配置 - 网络硬件绑定:通过 NCCL_IB_HCA=mlx5_0,...mlx5_8 指定节点内8张GPU对应的InfiniBand网卡,依托400Gbps高速链路实现低延迟通信。 - 通信参数优化: NCCL_IB_QPS_PER_CONNECTION=8 配置匹配单节点8卡并行通信需求,提升多卡协同效率。 3. SGLang框架核心参数设置 - 编译优化: --enable-torch-compile 启用PyTorch编译功能,针对A100的Tensor Core特性生成优化内核,推理速度提升20%-30%。 - 批处理控制: --torch-compile-max-bs 8 结合A100大显存优势,平衡吞吐量与延迟,支持高并发场景。 - 上下文扩展:通过 --context-length 131072 参数及YaRN技术,将上下文长度扩展至128k,满足长文本代码生成需求。 三、节点部署实现 主从节点核心差异 - 主节点:通过 --node-rank 0 标识,负责分布式任务初始化与协调,所有节点通过 --dist-init-addr ip:port 与其建立连接。 - 从节点:以 --node-rank 1 标识,专注于执行计算任务,与主节点保持参数一致性(除节点标识外),确保集群协同性。 通过上述配置,可在2×8×A100环境下构建高效、稳定的Qwen3-Coder-480B私有化部署方案,为企业提供专业级代码智能辅助能力。 #大模型 #私有化部署 #qwen #推理引擎 #人工智能
00:00 / 14:49
连播
清屏
智能
倍速
点赞265
00:00 / 00:44
连播
清屏
智能
倍速
点赞423