Qwen2.5-Max: così Alibaba ha alzato la posta nella corsa globale all’IA

Il lancio di Qwen2.5-Max da parte di Alibaba, tra il 28 e il 29 gennaio 2025, è stato importante non soltanto per i risultati riportati nelle classifiche. Ha mostrato come un grande operatore cloud cinese potesse combinare un modello vicino alla frontiera con una distribuzione immediata via API e, allo stesso tempo, rafforzarlo attraverso un ecosistema più ampio di modelli open-weight.

Il mercato dell’intelligenza artificiale è diventato così più competitivo su più fronti: prestazioni, prezzo, apertura dei pesi, flessibilità di distribuzione e accesso alle aziende. I fornitori occidentali non potevano più contare soltanto su un vantaggio tecnico, mentre gli sviluppatori cinesi si trovavano a competere non solo tra loro, ma anche con i principali laboratori statunitensi.

Che cos’era Qwen2.5-Max

Alibaba ha descritto Qwen2.5-Max come un modello linguistico di grandi dimensioni basato su un’architettura mixture of experts (MoE). Il modello è stato preaddestrato su oltre 20 trilioni di token e successivamente sottoposto a fine-tuning supervisionato su dati selezionati (SFT) e a reinforcement learning from human feedback, cioè apprendimento per rinforzo dai feedback umani (RLHF). 9

In un modello MoE, più reti “esperte” condividono il lavoro e, per ogni richiesta, viene attivato soltanto un sottoinsieme di esse. Questo approccio può aumentare la capacità complessiva senza dover utilizzare ogni componente a ogni passaggio. Alibaba, tuttavia, non ha fornito nell’annuncio dettagli architetturali sufficienti per verificare in modo indipendente il numero totale di parametri o quello dei parametri attivi di Qwen2.5-Max. 9

Qwen2.5-Max era collegato alla famiglia Qwen2.5, ma non coincideva con i checkpoint scaricabili della serie precedente. L’ecosistema Qwen2.5 comprendeva modelli base e modelli ottimizzati per seguire istruzioni, con dimensioni da 0,5 a 72 miliardi di parametri, oltre a versioni quantizzate distribuite tramite repository come Hugging Face, ModelScope e Kaggle. 132

Il modello Max, invece, fu inizialmente presentato come un servizio ospitato, non come un rilascio dei pesi scaricabili. L’accesso era associato ad Alibaba Cloud Model Studio e alle interfacce di chat dedicate a Qwen. 13

Le prestazioni dichiarate e ciò che dimostrano davvero

Alibaba dichiarò che Qwen2.5-Max era sostanzialmente alla pari con Claude 3.5 Sonnet in diverse valutazioni e che superava GPT-4o, DeepSeek-V3 e Llama 3.1 405B “quasi su tutta la linea”. Si trattava però di affermazioni dell’azienda, non della prova di una superiorità universale nell’uso reale. 29

La società mise in evidenza test dedicati a capacità differenti, tra cui:

• MMLU-Pro, per domande complesse di conoscenza e ragionamento;
• GPQA-Diamond, per quesiti specialistici di livello avanzato;
• LiveCodeBench, per la programmazione;
• LiveBench, per una valutazione più ampia delle capacità del modello;
• Arena-Hard, come approssimazione delle preferenze umane. 912

Questa combinazione di benchmark contribuì a posizionare Qwen2.5-Max come modello generalista per programmazione, matematica, attività di conoscenza e assistenti aziendali. Ma i risultati dipendono da prompt, versioni dei modelli, metodologia di valutazione e differenze nell’accesso a strumenti o istruzioni di sistema. Vanno quindi interpretati come segnali di competitività in test specifici, non come una classifica completa di affidabilità, sicurezza, latenza o adeguatezza per un’azienda.

Il risultato nella Chatbot Arena

Una classifica della Chatbot Arena riportata all’inizio di febbraio 2025 collocava Qwen2.5-Max al settimo posto assoluto, con un punteggio di 1.332. Secondo le stesse informazioni, il modello era primo nelle categorie di matematica e programmazione e secondo nelle richieste più difficili. 1012

Il dato offriva un segnale esterno ai test pubblicati da Alibaba, perché la Chatbot Arena confronta le risposte dei modelli attraverso valutazioni effettuate dagli utenti. Restava comunque una classifica dinamica e sensibile ai prompt. Una buona posizione non misura da sola l’accuratezza fattuale, la sicurezza, l’uso di strumenti, il comportamento degli agenti su attività prolungate o i requisiti operativi di un’implementazione aziendale.

La conclusione più prudente è quindi più circoscritta rispetto all’idea che “Qwen2.5-Max abbia battuto tutti i modelli di punta”: il modello era un concorrente credibile vicino alla frontiera e i suoi risultati mettevano in discussione la distanza tra i sistemi cinesi e quelli occidentali. Le affermazioni più forti di Alibaba vanno mantenute come tali e collegate ai benchmark specifici citati dall’azienda. 29

Il vero valore: l’ecosistema Qwen

Il valore strategico di Qwen2.5-Max dipendeva anche dai modelli che lo circondavano. Il rapporto tecnico di Alibaba su Qwen2.5 descriveva oltre 100 modelli e varianti accessibili tramite repository pubblici, combinando rilasci open-weight e offerte proprietarie ospitate nel cloud. 1

Questa combinazione rispondeva a esigenze diverse:

• gli sviluppatori potevano scaricare, quantizzare, perfezionare e gestire autonomamente i modelli più piccoli;
• le aziende potevano usare API gestite senza occuparsi direttamente dell’infrastruttura;
• Alibaba Cloud poteva trasformare la domanda di modelli in consumo dei propri servizi attraverso Model Studio;
• partner hardware e software potevano supportare distribuzioni in ambienti più numerosi rispetto a quelli consentiti da una singola API chiusa.

Non era quindi una strategia semplicemente “aperta” o “chiusa”. Alibaba manteneva il modello di punta dietro un accesso ospitato, usando al contempo i modelli aperti per costruire familiarità tra gli sviluppatori, integrazioni e presenza nelle infrastrutture di deployment.

Qwen3 ha esteso il modello di business

Il passo successivo è stato Qwen3, lanciato nell’aprile 2025 come famiglia open-source. Il rilascio comprendeva sei modelli densi, da 0,6 a 32 miliardi di parametri, e due modelli MoE: uno da 30 miliardi di parametri, con 3 miliardi attivi, e uno da 235 miliardi, con 22 miliardi attivi. 1718

I modelli Qwen3 sono stati resi disponibili a livello globale tramite canali tra cui Hugging Face, GitHub e ModelScope; potevano essere esplorati su chat.qwen.ai, mentre l’accesso API era previsto attraverso la piattaforma di Alibaba. 1718

L’evoluzione da Qwen2.5-Max a Qwen3 ha reso più chiara la strategia commerciale: offrire servizi ospitati per l’accesso premium e gestito, ma distribuire un’ampia gamma di pesi aperti per incoraggiare deployment locali, fine-tuning e applicazioni di terze parti. Model Studio rappresentava il ponte commerciale tra i due lati del portafoglio.

Alibaba ha poi promosso il supporto di Qwen3 su diversi ambienti hardware, comprese distribuzioni quantizzate su dispositivi Apple, il supporto alle GPU AMD Instinct e modelli più piccoli destinati all’hardware mobile basato su Arm. 22 In questo modo l’ecosistema risultava meno dipendente da un singolo fornitore cloud o da una sola piattaforma di acceleratori.

Perché la corsa all’IA di frontiera si è intensificata

Qwen2.5-Max è arrivato poco dopo l’attenzione internazionale attirata da DeepSeek-V3. La tempistica ha fatto apparire il lancio non come un episodio isolato, ma come il segnale di un campo competitivo cinese in rapido consolidamento. Alibaba, grande operatore cloud con una famiglia di modelli già affermata, era riuscita a rispondere con un sistema che presentava come comparabile ai principali modelli statunitensi. 2

La pressione sui laboratori che sviluppano modelli di punta è arrivata da quattro direzioni:

1. Prestazioni: un modello vicino alla frontiera in programmazione, matematica e conoscenza generale può competere per carichi di lavoro reali anche senza primeggiare in ogni benchmark;
2. Costo ed efficienza: architetture MoE e strategie infrastrutturali aggressive possono rendere più economica la distribuzione di modelli capaci;
3. Accesso: le API riducono la barriera all’adozione, mentre i pesi aperti permettono self-hosting e personalizzazione;
4. Distribuzione: una piattaforma cloud può inserire direttamente il modello nei flussi aziendali di sviluppo, deployment e fatturazione.

Per fornitori occidentali come Anthropic e OpenAI, il livello di differenziazione richiesto si è alzato. Un modello premium deve giustificare il prezzo con un vantaggio duraturo in capacità, sicurezza, affidabilità, uso degli strumenti, gestione del contesto, governance o supporto alle imprese, non soltanto con un buon risultato in un singolo test.

Lo scenario più probabile è una segmentazione del mercato, non una sostituzione immediata. Le organizzazioni con requisiti particolarmente elevati potrebbero continuare a pagare per i sistemi proprietari di frontiera; le implementazioni attente ai costi, alla personalizzazione o alla sovranità dei dati hanno invece acquisito alternative cinesi e open-weight più credibili.

Capacità multilingue e distribuzione globale

L’orientamento multilingue della famiglia Qwen rappresentava un ulteriore elemento competitivo. I materiali su Qwen2.5 descrivevano un ecosistema ampio per casi d’uso linguistici e legati al codice, mentre i materiali successivi su Qwen3 dichiaravano il supporto a 119 lingue e dialetti. 118

Per le aziende internazionali, la copertura linguistica può influire sulla scelta del modello quanto un benchmark in inglese. Incide su localizzazione, assistenza clienti, traduzione, sistemi di conoscenza interni e distribuzione regionale. Il vantaggio concreto dipende dalla qualità nelle singole lingue e dagli obiettivi dell’azienda, ma una strategia multilingue ampia offre ad Alibaba più occasioni per competere oltre un mercato dominato dall’inglese.

Che cosa sappiamo di “Ox Alpha”

Nel materiale disponibile non ci sono prove affidabili sufficienti per stabilire che un modello cinese di frontiera chiamato Ox Alpha sia stato documentato e rilasciato in modo comparabile a DeepSeek-V3 o Qwen2.5-Max. Il nome va quindi considerato non verificato o speculativo, non come elemento su cui basare una valutazione delle capacità dell’IA cinese.

Questa incertezza non modifica la conclusione generale. Qwen2.5-Max, DeepSeek e i successivi rilasci cinesi hanno mostrato che la competizione di frontiera sta diventando sempre più multipolare. Pesi aperti, architetture efficienti, API ospitate, supporto multilingue e distribuzione cloud sono diventati strumenti competitivi centrali, non semplici caratteristiche accessorie.

L’eredità di Qwen2.5-Max

Qwen2.5-Max non ha dimostrato che Alibaba abbia superato in modo permanente ogni laboratorio occidentale. Il suo contributo più importante è stato strategico: ha mostrato come combinare un modello di punta competitivo, accesso cloud, sviluppo open-weight e distribuzione globale presso gli sviluppatori.

Per chi acquista sistemi di IA, la domanda è cambiata. Non basta più chiedersi quale modello abbia ottenuto il punteggio più alto in una classifica: occorre confrontare insieme capacità, costo, apertura, controllo sulla distribuzione, copertura linguistica, compatibilità hardware e gestione operativa.

In questo senso Qwen2.5-Max ha intensificato la corsa alla frontiera anche là dove le singole vittorie nei benchmark restavano discutibili. Ha contribuito a spostare la competizione da una sfida tra pochi laboratori chiusi verso un mercato più ampio, nel quale l’ecosistema del modello e l’infrastruttura che lo sostiene contano quasi quanto il modello stesso.