Qwen2.5-Max nosti panokset globaalissa tekoälymallien kilpailussa

Alibaban Qwen2.5-Max-julkaisu oli merkittävä ennen kaikkea siksi, että se haastoi ajatuksen huipputason tekoälyn kehityksen keskittymisestä pieneen joukkoon yhdysvaltalaisia laboratorioita. Malli julkistettiin 28.–29. tammikuuta 2025, pian sen jälkeen kun DeepSeek-V3 oli herättänyt maailmanlaajuista huomiota. Samalla Alibaba yhdisti kunnianhimoiset suorituskykyväitteet Alibaba Cloudin jakeluun. 29

Julkaisu ei todistanut, että Qwen2.5-Max olisi päihittänyt jokaisen kilpailijan kaikissa tehtävissä. Sen kestävämpi merkitys oli strateginen: suuri kiinalainen pilvipalveluyhtiö pystyi tuomaan markkinoille uskottavan lähellä huipputasoa olevan mallin ja tarjoamaan sen rinnalla ladattavia malleja, kehittäjätyökaluja ja hallinnoituja ohjelmointirajapintoja.

Mikä Qwen2.5-Max oli?

Alibaba kuvasi Qwen2.5-Maxia suuren mittakaavan mixture-of-experts- eli MoE-kielimalliksi. MoE-järjestelmässä eri asiantuntijaverkostot voidaan ohjata käsittelemään erilaisia syötteitä. Näin mallissa voi olla suuri kokonaiskapasiteetti ilman, että kaikkia komponentteja aktivoidaan jokaisen tokenin kohdalla. Ratkaisu voi parantaa kapasiteetin ja laskentatehokkuuden välistä suhdetta, mutta julkaisuhetken materiaalit eivät sisältäneet riittävästi tietoa tarkan kokonais- tai aktiivisen parametrimäärän vahvistamiseksi. 9

Alibaban mukaan mallia esikoulutettiin yli 20 biljoonalla tokenilla. Tämän jälkeen sitä jälkikoulutettiin kuratoidulla valvotulla hienosäädöllä eli SFT:llä (supervised fine-tuning) sekä ihmispalautteeseen perustuvalla vahvistusoppimisella eli RLHF:llä (reinforcement learning from human feedback). Näillä vaiheilla pyritään parantamaan ohjeiden noudattamista, vastausten laatua ja mallin toiminnan linjaamista käyttäjän tavoitteisiin. 259

Qwen2.5-Maxia ei pidä sekoittaa ladattaviin Qwen2.5-tarkistuspisteisiin. Laajempi Qwen2.5-perhe sisälsi perus- ja ohjeistettuja malleja 0,5 miljardista 72 miljardiin parametriin sekä kvantisoituja versioita, joita jaettiin muun muassa Hugging Facessa, ModelScopessa ja Kagglella. 132

Max puolestaan asemoitiin ensisijaisesti isännöidyksi lippulaivamalliksi, ei uudeksi avoimesti ladattavaksi tarkistuspisteeksi. Aikalaisanalyysin mukaan sen tärkein palvelukanava oli Alibaba Cloudin Model Studio. 13

Isännöity huippumalli avoimien mallien rinnalla

Ero paljasti Alibaban kaksiraiteisen lähestymistavan:

• Isännöidyt huippumallit: Alibaba pystyi hallitsemaan tehokkaimpien järjestelmiensä käyttöä Model Studion ja Qwenin liittyvien käyttöliittymien kautta.
• Avoimet painot: Kehittäjät saattoivat ladata, muokata, kvantisoida ja ottaa käyttöön Qwen-perheen muita malleja julkisista repositorioista.

Qwen2.5:n teknisessä raportissa kuvattiin yli 100 mallia ja muunnelmaa, joita oli saatavilla esimerkiksi Hugging Facessa, ModelScopessa ja Kagglella. Raportissa mainittiin myös Alibaba Cloud Model Studion kautta tarjottavia isännöityjä Qwen2.5-MoE-malleja. 132

Kehittäjille tämä tarkoitti käytännön valintaa helppouden ja hallinnan välillä. Hallinnoitu ohjelmointirajapinta vähentää infrastruktuurityötä, kun taas avoimet painot antavat enemmän kontrollia käyttöönottoon, mukauttamiseen ja datan sijaintiin. Alibaba saattoi näin kasvattaa käyttöönottoa avoimilla julkaisuilla ja samalla muuttaa mallien käytön pilvipalvelujen kysynnäksi Model Studion kautta.

Mitä Alibaba väitti vertailutesteistä?

Alibaba kertoi Qwen2.5-Maxin olevan useissa arvioinneissa laajasti Claude 3.5 Sonnetin veroinen ja päihittävän GPT-4o:n, DeepSeek-V3:n ja Llama 3.1 405B:n. Yhtiö nosti esiin muun muassa MMLU-Pro-, GPQA-Diamond-, LiveCodeBench-, LiveBench- ja Arena-Hard-testit, joissa mitataan tietämystä, vaativaa päättelyä, ohjelmointia, yleisiä kyvykkyyksiä ja ihmisten mieltymyksiä jäljittelevää arviointia. 29

Väitteitä on kuitenkin syytä lukea varoen. Mallin kehittäjän oma arviointi kertoo, mitä yhtiö mittasi tietyissä olosuhteissa, mutta se ei todista yleistä ylivoimaa tuotantokäytössä. Vertailuihin vaikuttavat esimerkiksi testiversiot, kehotteet, malliasetukset ja arviointidatan mahdollinen päätyminen koulutusaineistoon. Myös tuoreessa raportoinnissa kehotettiin suhtautumaan väitteisiin kriittisesti. 254

Riippumattomampi signaali saatiin käyttäjien arvioihin perustuvasta Chatbot Arena -tulostaulukosta, josta raportoitiin helmikuun 2025 alussa. Qwen2.5-Max sai 1 332 pistettä ja sijoittui kokonaislistalla seitsemänneksi. Raporttien mukaan se oli matematiikan ja ohjelmoinnin kategorioissa ykkönen ja vaikeiden kehotteiden kategoriassa toinen. 1012

Tulos tuki näkemystä, että Qwen2.5-Max oli vakavasti otettava lähellä huipputasoa oleva malli. Se ei kuitenkaan osoittanut mallin olevan paras jokaiseen tehtävään, eikä mittari kattanut kaikkia käyttöönotossa olennaisia asioita, kuten luotettavuutta, turvallisuutta, työkalujen käyttöä, viivettä, datanhallintaa tai yritysasiakkaiden tukea.

Miten vertailu GPT-4o:hon, Claudeen ja DeepSeekiin kannattaa tehdä?

Vahvin perusteltu johtopäätös on siten kapeampi kuin Alibaban markkinointiväite:

• GPT-4o:ta vastaan Alibaba raportoi laajoja vertailuetuja, mutta ne on syytä esittää nimenomaan Alibaban väitteinä ja liittää tiettyihin testeihin. 29
• Claude 3.5 Sonnetiin verrattuna Alibaba kuvasi Qwen2.5-Maxia laajasti vertailukelpoiseksi, ei malliksi, joka olisi osoittanut kiistattoman johtoaseman kaikilla osa-alueilla. 29
• DeepSeek-V3:een verrattuna julkaisu oli erityisen merkittävä, koska se osoitti Alibaban pystyvän vastaamaan nopeasti uuden näkyvän kiinalaisen kilpailijan nousuun mallilla, jonka yhtiö väitti menestyvän useissa arvioinneissa paremmin. 25

Toisin sanoen Qwen2.5-Max siirsi keskustelua kysymyksestä ”Voiko kiinalainen malli kilpailla?” kysymykseen ”Mikä malli sopii parhaiten tähän työkuormaan, käyttöönottomalliin, kieleen ja budjettiin?”

Suhde aiempaan Qwen2.5-perheeseen

Qwen2.5-Max jatkoi Qwen2.5-sukupolvea, mutta sillä oli portfoliossa erilainen rooli. Aiempi perhe painotti avoimesti saatavilla olevia erikokoisia malleja kevyistä kokeilumalleista 72 miljardin parametrin lippulaivaan. 132

Max toi valikoimaan korkean tason isännöidyn vaihtoehdon. Alibaba pystyi siten osoittamaan tavoittelevansa huipputasoa paljastamatta lippulaivamallin kaikkia osia: painoja, tarkkaa arkkitehtuuria ja koulutuksen artefakteja. Kyse ei ollut yksinkertaisesta avoimen ja suljetun lähdekoodin vastakkainasettelusta, vaan portfoliostrategiasta, jossa avoimuus houkutteli kehittäjiä ja isännöidyt mallit tukivat kaupallista jakelua.

Laajempi Qwen-ekosysteemi painotti myös monikielisiä ja ohjelmointiin liittyviä käyttötapauksia. Kiinan ja englannin lisäksi se tuki esimerkiksi espanjaa, ranskaa ja japania. 40 Aasian ja globaaleilla markkinoilla toimiville yrityksille tällainen kielivalikoima voi olla yhtä tärkeä kuin pieni ero englanninkielisessä vertailutestissä.

Qwen3 teki strategiasta näkyvämmän

Alibaban seuraava suuri askel oli huhtikuussa 2025 julkaistu avoimilla painoilla tarjottu Qwen3-perhe. Alkuperäiseen julkaisuun kuului kuusi tiheää mallia, joiden koot vaihtelivat 0,6 miljardista 32 miljardiin parametriin, sekä kaksi MoE-mallia. Näistä suuremmassa oli yhteensä 235 miljardia parametria, joista 22 miljardia oli aktiivisia. Alibaba asetti mallit maailmanlaajuisesti saataville muun muassa Hugging Facessa, GitHubissa ja ModelScopessa. 171831

Qwen3 selkeytti Qwen-portfolion logiikkaa. Alibaba saattoi pitää premium- tai erikoisominaisuuksia hallinnoiduissa palveluissa ja julkaista samalla laajan valikoiman malleja, joita kehittäjät pystyivät ajamaan ja muokkaamaan itse. Model Studiosta tuli avoimen ekosysteemin pilvipuolen vastinpari, joka tarjosi reitin kokeiluista hallinnoituun tuotantokäyttöön. 1718

Ekosysteemi laajeni myös mallipainojen ulkopuolelle. Alibaba kertoi myöhemmin kvantisoiduista Qwen3-versioista Apple-laitteille, suurempien Qwen3-mallien tuesta AMD Instinct MI300X -grafiikkasuorittimilla sekä kevyistä versioista, jotka on suunniteltu Arm-pohjaisille mobiililaitteille. 22 Tällä on merkitystä, koska mallikilpailua ei ratkaista pelkällä esikoulutuksen koolla. Ratkaisevaa on myös se, kuinka helposti malli toimii pilvipalveluissa, kiihdyttimillä, kannettavissa tietokoneissa ja reunalaitteissa.

Miksi julkaisu kiristi huipputason mallien kilpailua?

Qwen2.5-Max lisäsi kilpailupainetta kolmella toisiinsa liittyvällä tavalla.

1. Kiinan tekoälykenttä alkoi näyttää laajemmalta

DeepSeek-V3 oli jo haastanut oletuksia Kiinan kyvystä tuottaa erittäin suorituskykyisiä malleja. Alibaban vastaus osoitti, ettei DeepSeek ollut ainoa kiinalainen kehittäjä, joka pystyi tavoittelemaan huipputasoa. Vakiintunut pilvipalveluyhtiö, jolla oli valmis malliperhe, saattoi toimia nopeasti, julkaista vahvoja tuloksia ja levittää mallia olemassa olevan alustansa kautta. 2

2. Jakelusta tuli osa mallin käytännön arvoa

Mallin kaupallinen arvo riippuu muustakin kuin vertailupisteistä. Kehittäjille tärkeitä ovat esimerkiksi ohjelmointirajapinnan saatavuus, käyttöönoton vaihtoehdot, monikielisyys, laitteistotuki, integraatiotyökalut sekä mahdollisuus hienosäätää tai ajaa malli itse. Alibaba yhdisti useita näistä kanavista Qwen-perheen ja Model Studion ympärille. 11722

3. Halvemmille ja joustavammille vaihtoehdoille syntyi vahvempi perustelu

Jos malli on riittävän hyvä ohjelmointiassistentteihin, käännöksiin, tiedonhakuun, asiakaspalveluun tai organisaation sisäisiin copilotteihin, ostaja ei välttämättä tarvitse parasta pistemäärää jokaisessa huipputason arvioinnissa. Avoimet painot, tehokkaat MoE-ratkaisut ja pilvipalvelusaatavuus voivat madaltaa käyttöönoton kynnystä, vaikka malli ei selvästi hallitsisi koko markkinaa.

Tämä asettaa kalliit suljetut palveluntarjoajat paineeseen perustella hintansa mitattavilla eduilla: luotettavuudella, turvallisuudella, työkalujen käytöllä, kontekstin käsittelyllä, yrityshallinnalla ja palvelun laadulla – ei vain sillä, että mallia kutsutaan ”huipputason” järjestelmäksi. Aikalaisraportoinnin mukaan kiinalaiset mallit kavensivat kyvykkyyseroa ja kilpailivat samalla aggressiivisesti hinnalla ja saatavuudella. 47

Todennäköinen lopputulos oli markkinoiden jakautuminen, ei välitön korvautuminen. Osa organisaatioista jatkaisi vahvimpien suljettujen mallien käyttämistä, kun taas toiset valitsisivat kiinalaisia isännöityjä malleja tai avoimilla painoilla tarjottavia vaihtoehtoja niiden suorituskyvyn, hallinnan, paikallisen soveltuvuuden ja käyttökustannusten yhdistelmän vuoksi.

Entä ”Ox Alpha”?

Käytettävissä oleva näyttö ei vahvista, että Ox Alpha -niminen kiinalainen huipputason tekoälymalli 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 tekoälykyvykkyyksistä.

Epävarmuus ei muuta laajempaa johtopäätöstä. Qwen2.5-Max oli merkittävä, koska se liittyi DeepSeekin ja muiden kiinalaisten kehittäjien joukkoon tekemässä tekoälyn huipputasosta moninapaista. Kilpailuetuja eivät olleet ainoastaan suuremmat mallit, vaan myös MoE-arkkitehtuurien tehokkuus, avoimet painot, monikielisyys, pilvirajapinnat, laitteistojen välinen siirrettävyys ja kyky rakentaa malliperheestä maailmanlaajuinen kehittäjäekosysteemi.