Qwen2.5-Max: come Alibaba ha aumentato la pressione sui leader dell’intelligenza artificiale

Il lancio di Qwen2.5-Max da parte di Alibaba Cloud, tra il 28 e il 29 gennaio 2025, ha avuto un significato più ampio del semplice debutto di un nuovo modello. Ha mostrato che un grande operatore cloud cinese poteva reagire rapidamente all’ascesa di DeepSeek e presentare un sistema vicino alla frontiera delle prestazioni, distribuendolo direttamente attraverso una piattaforma commerciale. 5

La vera novità, quindi, non era soltanto il risultato in una classifica. Era la combinazione di tre elementi: prestazioni dichiarate come competitive, accesso tramite API gestite e un ecosistema Qwen che comprendeva anche modelli scaricabili e modificabili. Questa strategia ha aumentato la pressione sia sui modelli proprietari occidentali, spesso più costosi, sia sui concorrenti cinesi.

Che cos’era Qwen2.5-Max

Alibaba presentò Qwen2.5-Max come il modello Qwen più grande e capace disponibile all’epoca. Si trattava di un large language model (LLM) basato su un’architettura mixture-of-experts, o MoE: invece di attivare tutti i parametri a ogni richiesta, il sistema coinvolge solo alcuni “esperti” specializzati per elaborare ciascun input.

In teoria, questo approccio consente di aumentare la capacità complessiva del modello mantenendo più contenuti i costi di inferenza rispetto a un modello denso di pari capacità. Tuttavia, nell’annuncio iniziale Alibaba non fornì dettagli sufficienti per verificare in modo indipendente il numero preciso di parametri totali o di parametri attivi. 9

Il modello era stato pre-addestrato su oltre 20 trilioni di token, cioè frammenti di testo e codice utilizzati per apprendere schemi linguistici e conoscenze. La fase successiva comprendeva il fine-tuning supervisionato, o SFT, realizzato su dati selezionati e annotati, e il reinforcement learning from human feedback, o RLHF, nel quale le preferenze umane contribuiscono a orientare le risposte del sistema. 92

Qwen2.5-Max non coincideva con i precedenti modelli Qwen2.5 disponibili per il download. La famiglia Qwen2.5 comprendeva modelli open-weight, sia base sia ottimizzati per seguire istruzioni, con dimensioni da 0,5 a 72 miliardi di parametri, oltre a versioni quantizzate. Questi modelli erano distribuiti attraverso Hugging Face, ModelScope e Kaggle, mentre il modello Max venne inizialmente offerto come servizio ospitato. 113

Accesso: il modello come prodotto cloud

L’accesso iniziale a Qwen2.5-Max passava da Alibaba Cloud Model Studio, tramite API e interfacce conversazionali rivolte ai prodotti Qwen. In questo modo il debutto era anche un’operazione commerciale: Alibaba non si limitava a pubblicare un modello, ma lo collegava direttamente alla propria infrastruttura cloud, ai servizi di sviluppo e alla distribuzione per le aziende. 13

È una differenza strategica importante. Un modello open-weight può essere scaricato, eseguito su infrastrutture proprie e adattato con il fine-tuning. Un modello ospitato via API, invece, offre accesso più immediato, senza obbligare il cliente a gestire GPU, aggiornamenti e manutenzione. Alibaba cercava di presidiare entrambi i percorsi.

Le prestazioni: risultati ambiziosi, ma da leggere con cautela

Alibaba dichiarò che Qwen2.5-Max era all’incirca al livello di Claude 3.5 Sonnet in diverse valutazioni e che superava GPT-4o, DeepSeek-V3 e Llama 3.1 405B “quasi su tutta la linea”. Queste affermazioni provenivano dall’azienda e andavano quindi interpretate come risultati legati a benchmark e condizioni specifiche, non come dimostrazione di una superiorità valida per ogni utilizzo. 59

La società mise in evidenza test dedicati a conoscenza, programmazione, matematica e ragionamento, tra cui MMLU-Pro, GPQA-Diamond, LiveCodeBench, LiveBench e Arena-Hard. Il profilo risultante era particolarmente adatto a:

• generazione e revisione del codice;
• problemi matematici e domande tecniche;
• assistenti aziendali;
• ricerca e sintesi di informazioni;
• applicazioni che richiedono ragionamento su istruzioni complesse. 912

Un ulteriore punto di riferimento arrivò dalla Chatbot Arena, una classifica basata sui confronti tra risposte valutate dagli utenti. Nei dati riportati all’inizio di febbraio 2025, Qwen2.5-Max aveva ottenuto 1332 punti, classificandosi settimo nella graduatoria generale; secondo i resoconti, era primo nelle categorie matematica e programmazione e secondo sui prompt più difficili. 1012

Si tratta di un segnale utile sulle preferenze degli utenti, ma non di una valutazione completa. Le classifiche di questo tipo dipendono dai prompt, cambiano nel tempo e non misurano necessariamente affidabilità, sicurezza, capacità agentiche, qualità nell’uso di strumenti o adeguatezza per un’azienda.

La conclusione più prudente è dunque che Qwen2.5-Max fosse un concorrente credibile vicino alla frontiera. Le affermazioni secondo cui avrebbe “battuto” GPT-4o, Claude 3.5 Sonnet o DeepSeek-V3 devono restare attribuite ad Alibaba e limitate ai benchmark citati. 59

L’ecosistema Qwen come arma competitiva

La forza di Alibaba non risiedeva soltanto nel modello di punta. La famiglia Qwen2.5 offriva modelli di varie dimensioni, adatti a esigenze diverse e a scenari in cui un’azienda volesse eseguire il sistema internamente, personalizzarlo o ridurre il costo per richiesta. Il rapporto tecnico di Qwen descriveva oltre 100 modelli e varianti accessibili attraverso repository pubblici. 1

Questa struttura permetteva ad Alibaba di seguire una strategia ibrida:

• i modelli ospitati fornivano accesso gestito e ricavi cloud;
• i modelli open-weight favorivano adozione da parte degli sviluppatori;
• le varianti più piccole facilitavano l’esecuzione su hardware meno potente;
• la disponibilità su più repository ampliava integrazioni, fine-tuning e distribuzione.

Anche il supporto hardware contribuiva a ridurre la dipendenza da un unico fornitore di cloud o acceleratori. In seguito Alibaba promosse varianti Qwen3 quantizzate per dispositivi Apple e il supporto ai modelli Qwen3 sulle GPU AMD Instinct. 15

Qwen3 e l’escalation successiva

Nell’aprile 2025 Alibaba presentò Qwen3, una nuova generazione open-source della famiglia. Il rilascio comprendeva sei modelli densi, da 0,6 a 32 miliardi di parametri, e due modelli MoE. Tra questi figurava una versione con 235 miliardi di parametri complessivi, di cui 22 miliardi attivi. 78

Il passaggio da Qwen2.5-Max a Qwen3 rese ancora più evidente il modello di business di Alibaba: mantenere offerte ospitate di fascia alta, dove l’azienda controlla accesso e monetizzazione, e al tempo stesso pubblicare un portafoglio ampio di modelli open-weight per conquistare sviluppatori, integrazioni e spazio nelle infrastrutture aziendali. 413

Model Studio diventava così il punto di accesso gestito a un portafoglio in evoluzione. I pesi aperti potevano alimentare l’adozione e l’ecosistema; il cloud poteva trasformare quell’adozione in consumo di API, servizi di deployment e ricavi ricorrenti.

Perché il lancio ha intensificato la competizione

Qwen2.5-Max arrivò poco dopo l’attenzione internazionale attirata da DeepSeek-V3. La risposta di Alibaba suggeriva che non si trattasse più del caso isolato di una singola azienda, ma di un campo cinese più ampio, capace di mobilitare ricerca, infrastrutture cloud e distribuzione globale. 2

La pressione competitiva non dipendeva solo dall’ottenere il punteggio più alto. Per molte imprese, un modello “abbastanza potente” per programmazione, assistenza clienti, traduzione, ricerca documentale o copiloti interni può essere preferibile a un sistema premium se costa meno, è disponibile via API e può essere eseguito localmente.

Questo costringe i fornitori occidentali di modelli chiusi, tra cui Anthropic, a giustificare i prezzi attraverso un vantaggio più duraturo: maggiore affidabilità, sicurezza, uso degli strumenti, gestione dei contesti lunghi, controlli aziendali e qualità del servizio. Le analisi successive hanno descritto proprio questo avvicinamento delle prestazioni cinesi ai modelli statunitensi, accompagnato da una forte competizione sui costi. 611

Lo scenario più plausibile non era una sostituzione immediata, ma una maggiore segmentazione del mercato. Gli utenti con requisiti estremi potevano continuare a pagare per i modelli proprietari più avanzati; le aziende sensibili ai costi o alla sovranità dei dati potevano invece orientarsi verso modelli cinesi o open-weight.

E “Ox Alpha”?

Non emergevano prove affidabili che un modello cinese di frontiera chiamato Ox Alpha fosse stato documentato e rilasciato come prodotto comparabile a DeepSeek-V3 o Qwen2.5-Max. Il nome andava quindi considerato una voce o un’etichetta non verificata, non un elemento su cui basare una valutazione delle capacità cinesi nell’intelligenza artificiale.

La conclusione generale non dipendeva comunque da Ox Alpha. Qwen, DeepSeek, Moonshot, Z.ai e altri sviluppatori hanno contribuito a rendere la frontiera dell’IA più multipolare. In questo contesto, i pesi aperti, le architetture MoE efficienti, le API cloud e i costi operativi contenuti non sono più caratteristiche accessorie: sono diventati strumenti centrali della competizione. 64