Qwen2.5-Max nosti panoksia tekoälykisassa

Alibaban tammikuussa 2025 julkaisema Qwen2.5-Max oli merkittävämpi kuin yksi uusi sijoitus tekoälymallien tulostaulukossa. Julkaisu osoitti, kuinka suuri kiinalainen pilvipalveluyhtiö saattoi yhdistää kilpailukykyisen kielimallin välittömään API-jakeluun – ja tukea lippulaivamallia samalla laajalla avoimien painojen ekosysteemillä.

Tämä kiristi koko markkinaa. Yhdysvaltalaiset ja eurooppalaiset palveluntarjoajat eivät voineet enää nojata yksinomaan suorituskykyetuun, kun taas kiinalaiset kehittäjät kilpailivat keskenään hinnan, avoimuuden, käyttöönoton joustavuuden ja yritysasiakkaiden tavoittamisen lisäksi.

Mikä Qwen2.5-Max oli?

Alibaba kuvasi Qwen2.5-Maxia suuren mittakaavan Mixture-of-Experts-malliksi (MoE). Malli esikoulutettiin yli 20 biljoonalla tokenilla, minkä jälkeen sitä koulutettiin valvotulla hienosäädöllä (SFT) ja ihmispalautteeseen perustuvalla vahvistusoppimisella (RLHF). 9

MoE-mallissa on useita asiantuntijaverkkoja, joista vain osa käsittelee kutakin syötettä. Näin kokonaiskapasiteettia voidaan kasvattaa ilman, että mallin kaikki osat aktivoituvat jokaisen pyynnön yhteydessä. Alibaba ei kuitenkaan julkaisuhetkellä kertonut arkkitehtuurista riittävästi, jotta Qwen2.5-Maxin parametrien kokonaismäärä tai aktiivisten parametrien määrä voitaisiin varmistaa riippumattomasti. 9

Qwen2.5-Max liittyi laajempaan Qwen2.5-perheeseen, mutta se ei ollut sama asia kuin ladattavat Qwen2.5-mallit. Perheeseen kuului perus- ja ohjeistettuja malleja 0,5 miljardista 72 miljardiin parametriin sekä kvantisoituja versioita, joita oli saatavilla esimerkiksi Hugging Facessa, ModelScopessa ja Kagglessa. 132

Qwen2.5-Maxia tarjottiin aluksi isännöitynä palveluna, ei ladattavana mallipainojen julkaisuna. Käyttö liittyi Alibaba Cloudin Model Studio -palveluun ja Qwenin keskustelukäyttöliittymiin. 13

Mitä Alibaba väitti – ja mitä tuloksista voidaan päätellä?

Alibaba ilmoitti, että Qwen2.5-Max oli useissa arvioinneissa suunnilleen Claude 3.5 Sonnetin tasolla ja päihitti GPT-4o:n, DeepSeek-V3:n ja Llama 3.1 405B:n ”lähes kautta linjan”. Nämä olivat Alibaban omia väitteitä, eivät todiste siitä, että malli olisi ollut kaikissa tuotantokäytön tilanteissa ylivoimainen. 29

Yhtiö nosti esiin useita eri kykyjä mittaavia testejä:

• MMLU-Pro mittaa vaativaa tieto- ja päättelyosaamista.
• GPQA-Diamond keskittyy haastaviin asiantuntijatason kysymyksiin.
• LiveCodeBench arvioi ohjelmointitaitoa.
• LiveBench tarkastelee mallin yleisiä kykyjä.
• Arena-Hard pyrkii jäljittelemään ihmisten mieltymyksiä mallien vastauksiin. 912

Testikokonaisuus tuki kuvaa yleiskäyttöisestä mallista, jota voidaan hyödyntää ohjelmoinnissa, matematiikassa, tiedonhaussa ja yritysten assistenttisovelluksissa. Vertailuarvoihin on silti syytä suhtautua varauksella: tulokset riippuvat muun muassa kehotteista, malliversioista, arviointimenetelmästä sekä siitä, onko malleilla ollut käytössään työkaluja tai erilaisia järjestelmäohjeita.

Siksi tulokset kertovat ennen kaikkea kilpailukyvystä tietyissä testeissä – eivät kattavasti luotettavuudesta, turvallisuudesta, viiveestä tai soveltuvuudesta yrityksen tuotantoympäristöön.

Qwen2.5-Max Chatbot Arenassa

Helmikuun alussa 2025 raportoidulla Chatbot Arena -tulostaulukolla Qwen2.5-Max sijoittui kokonaiskilpailussa seitsemänneksi pistein 1 332. Samojen raporttien mukaan se oli matematiikan ja ohjelmoinnin kategorioissa ensimmäinen ja vaikeissa kehotteissa toinen. 1012

Tulos oli kiinnostava siksi, että Chatbot Arena perustuu käyttäjien tekemiin sokeisiin vertailuihin eikä ainoastaan Alibaban omiin testeihin. Kyseessä oli kuitenkin edelleen muuttuva ja kehotteista riippuvainen tulostaulukko. Hyvä sijoitus ei yksin mittaa faktuaalista luotettavuutta, turvallisuutta, työkalujen käyttöä, pitkäkestoista agenttimaista toimintaa tai yrityskäytön vaatimuksia.

Varovaisin johtopäätös onkin, että Qwen2.5-Max oli uskottava huipputason haastaja. Sen tulokset kyseenalaistivat oletusta siitä, että johtavien kiinalaisten ja länsimaisten mallien välillä olisi automaattisesti suuri kuilu. Väitteet suorasta ylivoimasta kannattaa silti yhdistää Alibabaan ja niihin yksittäisiin vertailuihin, joihin yhtiö viittasi. 29

Qwen-ekosysteemi oli mallia tärkeämpi

Qwen2.5-Maxin strateginen merkitys syntyi osittain sen ympärille rakennetusta malliperheestä. Alibaban Qwen2.5-tekninen raportti kuvasi yli sataa julkisista repositorioista saatavilla olevaa mallia ja versiota. Perhe yhdisti avoimilla painoilla julkaistuja malleja ja Alibaban omia isännöityjä palveluja. 1

Yhdistelmä palveli eri käyttäjäryhmiä:

• Kehittäjät saattoivat ladata, hienosäätää, kvantisoida ja ajaa pienempiä avoimia malleja omalla infrastruktuurillaan.
• Yritykset pystyivät käyttämään hallinnoituja rajapintoja ilman omaa mallipalvelininfrastruktuuria.
• Alibaba Cloud saattoi muuttaa mallien käytön pilvipalvelujen kulutukseksi Model Studion kautta.
• Laitteisto- ja ohjelmistokumppanit pystyivät tukemaan käyttöönottoja useammissa ympäristöissä kuin yhden suljetun API:n varassa olisi mahdollista.

Kyse ei siis ollut yksinkertaisesta avoimen ja suljetun mallin vastakkainasettelusta. Alibaba piti tehokkaan lippulaivamallin isännöitynä, mutta käytti avoimia malleja kehittäjien kiinnostuksen, integraatioiden ja käyttöönottojen vauhdittamiseen.

Qwen3 jatkoi samaa strategiaa

Alibaban seuraava suuri askel oli huhtikuussa 2025 julkaistu Qwen3, avoimilla painoilla varustettu malliperhe. Julkaisussa oli kuusi tiheää mallia 0,6 miljardista 32 miljardiin parametriin sekä kaksi MoE-mallia: 30 miljardin parametrin malli, jossa oli 3 miljardia aktiivista parametria, ja 235 miljardin parametrin malli, jossa oli 22 miljardia aktiivista parametria. 1718

Qwen3-mallit julkaistiin maailmanlaajuisesti muun muassa Hugging Facessa, GitHubissa ja ModelScopessa. Niitä saattoi kokeilla chat.qwen.ai-palvelussa, ja API-käytön oli määrä tulla saataville Alibaban mallialustan kautta. 1718

Kehityskulku selkeytti Alibaban liiketoimintamallia: yhtiö saattoi tarjota isännöidyillä palveluilla maksullista ja hallinnoitua käyttöä, samalla kun laaja valikoima avoimia painoja kannusti paikalliseen ajamiseen, hienosäätöön ja kolmansien osapuolten sovelluksiin. Model Studio toimi kaupallisena siltana näiden kahden puolen välillä.

Alibaba on myöhemmin korostanut Qwen3:n toimivuutta erilaisissa laitteistoympäristöissä, kuten kvantisoituina Apple-laitteilla, AMD Instinct -grafiikkasuorittimilla sekä Arm-pohjaisissa mobiililaitteissa. 22 Tämä vähensi ekosysteemin riippuvuutta yhdestä pilvipalveluntarjoajasta tai kiihdytinalustasta.

Miksi julkaisu kiristi kilpailua?

Qwen2.5-Max ilmestyi pian sen jälkeen, kun DeepSeek-V3 oli herättänyt laajaa kansainvälistä huomiota. Ajankohta sai julkaisun näyttämään yksittäisen kiinalaisen saavutuksen sijaan merkiltä nopeasti syvenevästä kilpailusta. Suuren pilvipalveluyhtiön ja valmiin malliperheen ansiosta Alibaba pystyi vastaamaan mallilla, jonka se esitti olevan verrattavissa johtaviin yhdysvaltalaisiin järjestelmiin. 2

Paine huippumallien kehittäjiä kohtaan syntyi neljästä suunnasta:

1. Suorituskyky: Malli, joka yltää kärkitasolle ohjelmoinnissa, matematiikassa ja yleisessä tietämyksessä, voi kilpailla todellisista työkuormista, vaikka se ei johtaisi jokaista testiä.
2. Hinta ja tehokkuus: MoE-arkkitehtuurit ja tehokkaat infrastrategiat voivat tehdä tehokkaiden mallien tarjoamisesta edullisempaa.
3. Saatavuus: API-rajapinnat madaltavat käyttöönoton kynnystä, kun taas avoimet painot mahdollistavat itsehostauksen ja mukauttamisen.
4. Jakelu: Pilvipalvelualusta voi tuoda mallin suoraan yritysten kehitys-, käyttöönotto- ja laskutusprosesseihin.

Anthropicin ja OpenAI:n kaltaisten länsimaisten palveluntarjoajien oli tämän myötä perusteltava hintansa pysyvällä edulla esimerkiksi kyvykkyydessä, turvallisuudessa, luotettavuudessa, työkalujen käytössä, pitkän kontekstin käsittelyssä, hallinnassa tai yritystuessa – ei vain yhdellä näyttävällä vertailutuloksella.

Todennäköinen seuraus oli markkinoiden eriytyminen, ei välitön korvautuminen. Vaativimmat organisaatiot saattoivat edelleen maksaa suljetuista huippumalleista, kun taas kustannustietoiset, laajasti mukauttamista tarvitsevat tai datan sijaintiin liittyvistä syistä tarkat käyttöönotot saivat uskottavampia kiinalaisia ja avoimiin painoihin perustuvia vaihtoehtoja.

Monikielisyys vahvisti globaalia asemaa

Qwen-perheen monikielinen painotus oli toinen kilpailuetu. Qwen2.5-materiaaleissa kuvattiin laajaa kieli- ja koodikäyttöön tarkoitettua malliekosysteemiä, kun taas myöhemmissä Qwen3-materiaaleissa ilmoitettiin tuesta 119 kielelle ja murteelle. 118

Kansainvälisille yrityksille monikielinen kattavuus voi olla mallivalinnassa yhtä tärkeää kuin englanninkielinen vertailutulos. Se vaikuttaa lokalisointiin, asiakaspalveluun, käännöksiin, sisäisiin tietojärjestelmiin ja alueellisiin käyttöönottoihin. Käytännön hyöty riippuu kunkin kielen laadusta ja yrityksen tarpeista, mutta laaja kielistrategia antaa Alibaballe enemmän mahdollisuuksia kilpailla muuallakin kuin englanninkielisillä markkinoilla.

Entä ”Ox Alpha”?

Saatavilla olevissa lähteissä ei ole riittävää luotettavaa näyttöä siitä, että Ox Alpha -niminen kiinalainen huippumalli olisi dokumentoitu ja julkaistu järjestelmä, jota voisi verrata DeepSeek-V3:een tai Qwen2.5-Maxiin.

Siksi nimeä on pidettävä vahvistamattomana terminä tai spekulaationa, ei todisteena Kiinan tekoälykyvykkyydestä.

Tämä epävarmuus ei muuta suurempaa kuvaa. Qwen2.5-Max, DeepSeek ja niitä seuranneet kiinalaiset julkaisut osoittivat, että huipputason tekoälykilpailu oli muuttumassa moninapaiseksi. Avoimet painot, tehokkaat arkkitehtuurit, isännöidyt API-palvelut, monikielisyys ja pilvijakelu olivat muuttumassa toissijaisista ominaisuuksista varsinaisiksi kilpailuaseiksi.

Qwen2.5-Maxin pysyvä merkitys

Qwen2.5-Max ei todistanut, että Alibaba olisi pysyvästi ohittanut kaikki länsimaiset tekoälylaboratoriot. Sen tärkein vaikutus oli strateginen: se osoitti, kuinka kilpailukykyinen lippulaivamalli, pilvipalvelu, avoin mallikehitys ja maailmanlaajuinen kehittäjäjakelu voitiin yhdistää samaan kokonaisuuteen.

Tämä muutti myös tekoälyn ostajien kysymystä. Pelkän tulostaulukon ykkössijan sijaan oli arvioitava samanaikaisesti suorituskykyä, hintaa, avoimuutta, käyttöönoton hallintaa, kielitukea, laitteistoyhteensopivuutta ja yrityskäytön prosesseja.

Siinä mielessä Qwen2.5-Max kiristi huipputason kilpailua, vaikka yksittäisten vertailuvoittojen merkityksestä voitiin kiistellä. Kilpailu alkoi siirtyä muutaman suljetun laboratorion välisestä kamppailusta laajemmille markkinoille, joilla malliekosysteemi ja sitä ympäröivä infrastruktuuri olivat vähintään yhtä tärkeitä kuin itse malli.