Qwen2.5-Max nosti Kiinan tekoälykilpailun uudelle kierrokselle

Alibaba Cloudin Qwen2.5-Max-julkaisu tammikuussa 2025 oli enemmän kuin uuden kielimallin esittely. Se osoitti, että kiinalaiset tekoälykehittäjät pystyivät tuomaan markkinoille nopeasti mallin, jota yhtiö itse kuvasi lähellä alan kärkeä olevaksi – ja tarjoamaan sen samalla suuren pilvipalvelun kautta. Tämä lisäsi painetta sekä suljettujen yhdysvaltalaisten mallien hinnoitteluun että Kiinan omille kilpailijoille, kuten DeepSeekille. 25

Mikä Qwen2.5-Max oli?

Alibaba julkisti Qwen2.5-Maxin 28.–29. tammikuuta 2025 Qwen-malliperheensä siihen asti suurimpana ja kyvykkäimpänä mallina. Kyseessä oli suuren mittakaavan Mixture-of-Experts- eli MoE-kielimalli, joka esikoulutettiin yli 20 biljoonalla tokenilla. Jälkikoulutuksessa käytettiin kuratoitua valvottua hienosäätöä eli SFT:tä sekä ihmispalautteeseen perustuvaa vahvistusoppimista eli RLHF:ää. 92

MoE-arkkitehtuurissa koko mallin kapasiteetti voi olla suuri, mutta jokaista käyttäjän pyyntöä käsitellessä aktivoidaan vain osa niin kutsutuista asiantuntijoista. Tällä voidaan saavuttaa suuren mallin kapasiteettia pienemmillä laskentakustannuksilla verrattuna vastaavan suorituskyvyn tiheään malliin. Alibaba ei kuitenkaan julkaisuhetkellä antanut riittävästi arkkitehtuuritietoja, jotta mallin kokonaisparametrien tai aktiivisten parametrien tarkka määrä olisi voitu varmistaa itsenäisesti. 9

Qwen2.5-Max ei ollut sama tuote kuin aiemmin ladattavaksi julkaistut Qwen2.5-mallit. Qwen2.5-perheeseen kuului avoimilla painoilla varustettuja perus- ja ohjemalleja 0,5 miljardista 72 miljardiin parametriin sekä kvantisoituja versioita. Niitä jaettiin muun muassa Hugging Facessa, ModelScopessa ja Kaggle-palvelussa. Max-malli tarjottiin aluksi ennen kaikkea hallinnoituna verkkopalveluna, ei ladattavina mallipainoina. 113

Ensivaiheen käyttö tapahtui Alibaba Cloudin Model Studio -rajapinnan sekä Qweniin liittyvien keskustelu- ja tuotejärjestelmien kautta. Julkaisu oli siis yhtä aikaa mallijulkaisu ja tapa kasvattaa pilvipalvelujen käyttöä. 13

Suorituskykyväitteet vaativat tulkintaa

Alibaba väitti Qwen2.5-Maxin olevan useissa arvioinneissa suunnilleen Claude 3.5 Sonnetin tasolla ja päihittävän GPT-4o:n, DeepSeek-V3:n sekä Llama 3.1 405B:n ”lähes kautta linjan”. Väitteet olivat kuitenkin toimittajan omia ilmoituksia, eivät todiste siitä, että malli olisi ollut jokaisessa tuotantokäytössä yleisesti parempi. 29

Yhtiö nosti esiin erityisesti vaikeat tietämystä, ohjelmointia ja yleisiä päättelykykyjä mittaavat testit, kuten MMLU-Pro-, GPQA-Diamond-, LiveCodeBench-, LiveBench- ja Arena-Hard-arvioinnit. Tämä profiili teki mallista kiinnostavan etenkin ohjelmointiin, matematiikkaan, vaativiin tietotehtäviin ja yritysten assistenttisovelluksiin. 912

Helmikuun 2025 alussa raportoidulla käyttäjien äänestyksiin perustuvalla Chatbot Arena -listalla Qwen2.5-Max sai 1 332 pistettä ja sijoittui kokonaisvertailussa seitsemänneksi. Raporttien mukaan se johti matematiikan ja ohjelmoinnin kategorioissa sekä sijoittui vaikeiden kehotteiden vertailussa toiseksi. Tulos oli merkittävä ulkopuolinen osoitus käyttäjien suosimasta laadusta, mutta Chatbot Arena on muuttuva ja kehotemuodosta riippuvainen mittari. Se ei yksin kerro luotettavuudesta, turvallisuudesta, agenttikyvyistä tai soveltuvuudesta yrityskäyttöön. 1012

Varovaisin johtopäätös onkin, että Qwen2.5-Max oli uskottava kärkitasoa lähestyvä kilpailija. Väitteet siitä, että se olisi kiistatta ”voittanut” GPT-4o:n, Claude 3.5 Sonnetin tai DeepSeek-V3:n, on syytä liittää Alibaba-yhtiön omiin, tiettyihin vertailuihin. 29

Avoimet mallit ja monikielinen ekosysteemi

Qwen2.5:n laajempi avoimilla painoilla julkaistu perhe tuki useita kieliä ja ohjelmointiin liittyviä käyttötapauksia. Myöhemmissä Qwen3-malleissa Alibaba ilmoitti tuen laajentuneen 119 kieleen ja murteeseen. Monikielisyys on tärkeää yrityksille, jotka tarvitsevat paikallisia palveluja ja sisältöjä englanninkielistä ensipainotusta laajemmin. 13

Alibaban strategia yhdisti omistusoikeudelliset, hallinnoituna palveluna tarjottavat lippulaivamallit laajaan avoimien mallien valikoimaan. Avoimet mallit voivat kasvattaa kehittäjäyhteisöä, helpottaa itse ylläpidettävää käyttöä ja hienosäätöä sekä lisätä laitetukea. Model Studio puolestaan tarjoaa hallinnoidut rajapinnat, käyttöönoton ja väylän yritysliiketoimintaan. Qwen2.5:n teknisessä raportissa kuvattiin yli 100 julkisesti saavutettavaa mallia ja muunnelmaa. 1

Myös laitteistojen yhteensopivuus vahvisti tätä lähestymistapaa. Alibaba on myöhemmin nostanut esiin kvantisoidut Qwen3-versiot Applen laitteille sekä Qwen3-mallien tuen AMD Instinct -laitteistolle. Tavoitteena on vähentää riippuvuutta yhdestä pilvipalvelusta tai kiihdytinvalmistajasta. 15

Qwen3 jatkoi kilpailun kiristämistä

Huhtikuussa 2025 Alibaba julkaisi Qwen3:n uutena avoimena mallisukupolvena. Julkaisuun kuului kuusi tiheää mallia, joiden koot vaihtelivat 0,6 miljardista 32 miljardiin parametriin, sekä kaksi MoE-mallia. Suurimmassa oli yhteensä 235 miljardia parametria, joista 22 miljardia oli aktiivisia. 43

Kehitys Qwen2.5-Maxista Qwen3:een havainnollistaa Alibaban hybridistrategiaa: yhtiö pitää huipputason hallinnoidut palvelut omassa jakelussaan ja ansaintamallissaan, mutta julkaisee samalla laajan avoimien painojen valikoiman kehittäjien, integraatioiden ja käyttöönottojen houkuttelemiseksi. 413

Model Studiosta tuli tämän kasvavan valikoiman hallinnoitu käyttöliittymä. Näin Alibaba voi muuttaa mallien teknisen kehityksen pilvipalvelujen kulutukseksi sen sijaan, että avoimia painoja käsiteltäisiin vain suorana tuotemyynnin välineenä. 13

Miksi julkaisu kiristi tekoälykilpaa?

Qwen2.5-Max tuli markkinoille pian sen jälkeen, kun DeepSeek-V3 oli herättänyt maailmanlaajuista huomiota. Se muutti kuvaa Kiinan tekoälysektorista: kyse ei näyttänyt enää olevan vain yhden yhtiön yllätyksestä, vaan laajemmasta kilpailukentästä. Alibaba osoitti, että suurella pilvipalvelutoimijalla ja valmiilla malliperheellä oli kyky vastata nopeasti mallilla, jota se markkinoi yhdysvaltalaisten järjestelmien veroisena. 2

Kilpailu ei kuitenkaan ratkea pelkillä benchmark-tuloksilla. Yrityksille ”riittävän hyvä” malli ohjelmointiin, asiakastukeen, käännöksiin, tiedonhakuun ja sisäisiin copilotteihin voi olla houkuttelevampi kuin kallein saatavilla oleva vaihtoehto, jos se on halvempi, saatavilla rajapinnan kautta tai asennettavissa omalle infrastruktuurille.

Tämä pakottaa kalliit kärkitoimijat, kuten Anthropicin, perustelemaan hintansa pysyvällä suorituskykyedulla, paremmalla turvallisuudella ja luotettavuudella, vahvemmalla työkalujen käytöllä, pitkillä konteksteilla, yrityshallinnalla ja palvelutuella. Myös tuoreempi raportointi on kuvannut kiinalaisten mallien kaventavan kykyeroa ja kilpailevan samalla voimakkaasti hinnalla. 611

Todennäköinen lopputulos ei ole välitön korvaaminen vaan markkinan jakautuminen. Vaativimmat käyttäjät voivat edelleen maksaa vahvimmista suljetuista länsimaisista malleista, kun taas kustannus- tai datan sijaintiin liittyvistä syistä toimivat organisaatiot voivat valita yhä useammin kiinalaisia tai avoimilla painoilla julkaistuja vaihtoehtoja.

Entä ”Ox Alpha”?

Luotettavaa näyttöä kiinalaisesta kärkitasoisesta ”Ox Alpha” -nimisestä mallista, joka olisi julkaistu DeepSeek-V3:n tai Qwen2.5-Maxin veroisena, ei löytynyt riittävästi. Nimeä on siksi pidettävä spekulaationa tai vahvistamattomana tunnisteena, ei todisteena Kiinan tekoälykyvykkyydestä.

Laajempi johtopäätös ei kuitenkaan riipu tästä nimestä. Qwen, DeepSeek, Moonshot, Z.ai ja muut kehittäjät ovat tehneet tekoälyn kärkikilpailusta aiempaa moninapaisemman. Avoimet painot, tehokkaat MoE-arkkitehtuurit, pilvirajapinnat ja matalammat käyttökustannukset ovat muuttuneet sivuominaisuuksista varsinaisiksi kilpailuaseiksi. 64