推理榜单更新：QwQ国内排名第一，与o1差距缩小

本测评结果仅用于学术研究。

11月28日，Qwen团队发布实验性研究模型QwQ-32B-Preview，专注于增强 AI 推理能力，目前为预览版本。

11月25日，上海AI实验室开放强推理模型书生InternThinker试用体验。该模型具备长思维能力，并能在推理过程中进行自我反思和纠正，从而在多种复杂推理任务上取得更优结果。

针对公众关注的QwQ-32B-Preview、InternThinker，在中文场景下的推理和数学的性能问题，专业第三方测评机构SuperCLUE进行了深入评估。

QwQ-32B-Preview访问地址：

https://huggingface.co/Qwen/QwQ-32B-Preview

InternThinker试用链接：

https://internlm-chat.intern-ai.org.cn

DeepSeek-R1-Lite-Preview体验地址：

https://chat.deepseek.com/

k0-math体验地址：

https://kimi.moonshot.cn

测评环境

参考标准：SuperCLUE-CoT中文链式推理测评基准、SuperCLUE-Math6o奥林匹克数学竞赛测评基准。

评测模型：QwQ-32B-Preview、InternThinker

评测集：

1. SuperCLUE-CoT中文大模型链式推理评测集。不仅关注模型的解题过程和最终答案，还重点考察其构建思维链和反思能力。内容涵盖了物理、化学、生物等科学领域的问题以及编解码等挑战性问题。 2.SuperCLUE-Math6o奥林匹克数学竞赛（小学）评测集。覆盖小学奥数中常见7类问题：应用题、行程、数论、几何、计数、计算及奥数杂题。

测评方法：针对每一道推理题目，我们提供人工校验和核对后的参考答案和推理过程；然后根据设定的评估流程、评价标准和打分规则（1-5分），裁判模型对候选模型的答案进行评估。链式推理设定的评价标准包括：思维过程、解题过程、最终答案等。小学奥数设定的评价标准包括：结果正确性、逻辑清晰度、表达清晰度等。

先说结论

结论1：与 o1-preview相比，QwQ-32B-Preview在两大推理任务中的平均差距约为10分，缩小了国内外模型的差距。

结论2： 相比Qwen2.5-72b-instruct，QwQ-32B-Preview在两大推理任务中平均提升了18分。

结论3：与国内其他中文大模型相比，QwQ-32B-Preview当前链式推理中处于国内最好水平，在小学奥数中排行第二。

结论4：InternThinker在在两大推理任务中均表现突出，处于上游位置，得分均超过50分。

注：这两大推理任务，分别是小学奥数（math6o）的总分，以及链式推理（CoT）的总分。

测评结果

对比分析

# 加入社群

更多详细最新大模型测评详情，可加入交流群。

# 联系我们

链式推理测评申请方式：

请使用单位邮箱，将测评研究目的、计划，研究机构、申请者介绍和联系方式（手机或微信），发送到邮箱。

邮箱: [e-mail]，标题是：SuperCLUE链式推理测评申请

小学奥数测评申请方式：

请使用单位邮箱，将测评研究目的、计划，研究机构、申请者介绍和联系方式（手机或微信），发送到邮箱。

邮箱: [e-mail]，标题是：SuperCLUE小学奥数测评申请

扩展阅读

[1] CLUE官网：www.CLUEBenchmarks.com

[2] SuperCLUE排行榜网站：www.superclueai.com

[3] Github地址：https://github.com/CLUEbenchmark/SuperCLUE

   点击阅读原文，查看SuperCLUE排行榜