Qwen2.5-Max: як Alibaba підняла ставки у глобальній гонці ШІ-моделей

Запуск Qwen2.5-Max компанією Alibaba мав значення не лише через заявлені результати в тестах. Він поставив під сумнів уявлення, що передові моделі штучного інтелекту розробляє вузьке коло американських лабораторій. Модель представили 28–29 січня 2025 року — невдовзі після того, як DeepSeek-V3 привернула увагу світової технологічної індустрії. Alibaba поєднала амбітні заяви про продуктивність із доступом через власну хмарну платформу. 29

Це не доводило, що Qwen2.5-Max беззастережно перевершувала кожного конкурента в будь-якому завданні. Триваліше значення запуску було стратегічним: великий китайський хмарний провайдер продемонстрував здатність швидко вивести на ринок конкурентну модель, одночасно розвиваючи ширшу екосистему завантажуваних моделей, інструментів для розробників і керованих API.

Якою була Qwen2.5-Max

Alibaba описувала Qwen2.5-Max як масштабну велику мовну модель із архітектурою Mixture-of-Experts (MoE) — «суміш експертів». У такій системі різні експертні підмережі можуть обиратися залежно від запиту. Завдяки цьому модель здатна мати значну загальну місткість, не активуючи всі компоненти для кожного токена. Це потенційно покращує співвідношення між обчислювальною ефективністю та потужністю, однак у відкритих матеріалах запуску недостатньо даних, щоб точно встановити загальну кількість параметрів або число активних параметрів. 9

За словами Alibaba, модель попередньо навчали на понад 20 трильйонах токенів, а потім додатково налаштовували за допомогою відібраного контрольованого донавчання (SFT) і навчання з підкріпленням на основі зворотного зв’язку від людей (RLHF). Ці етапи мають покращувати виконання інструкцій, якість відповідей і відповідність заданим вимогам після основного навчання мовної моделі. 259

Qwen2.5-Max не слід плутати із завантажуваними контрольними версіями Qwen2.5. Ширша родина Qwen2.5 охоплювала базові та інструкційно налаштовані моделі розміром від 0,5 до 72 мільярда параметрів, а також квантизовані версії. Їх поширювали через Hugging Face, ModelScope і Kaggle. 132

Max позиціонувалася як флагманський хмарний сервіс, а не як чергова модель із відкритими вагами. Сучасні на той момент огляди називали основним майданчиком доступу Alibaba Cloud Model Studio. 13

Доступ: хмарний флагман поруч із відкритими моделями

Ця відмінність показала двосторонню стратегію Alibaba:

• Потужні хмарні моделі. Компанія могла контролювати доступ до найздібніших систем через Model Studio та пов’язані з Qwen інтерфейси.
• Моделі з відкритими вагами. Розробники могли завантажувати, адаптувати, квантизувати й розгортати інші моделі родини Qwen у власній інфраструктурі.

У технічному звіті Qwen2.5 згадано понад 100 моделей і варіантів, доступних через Hugging Face, ModelScope та Kaggle. У ньому також перелічено хмарні MoE-версії Qwen2.5, доступні через Alibaba Cloud Model Studio. 132

Для розробників це означало практичний вибір між зручністю та контролем. Керований API зменшує обсяг роботи з інфраструктурою, тоді як відкриті ваги дають більше контролю над розгортанням, адаптацією та місцем зберігання даних. Alibaba могла залучати користувачів відкритими релізами, а потім перетворювати використання моделей на попит на власні хмарні послуги.

Що Alibaba заявляла про бенчмарки

Alibaba повідомила, що Qwen2.5-Max загалом можна порівняти з Claude 3.5 Sonnet і що в багатьох оцінюваннях вона перевершила GPT-4o, DeepSeek-V3 та Llama 3.1 405B. Компанія особливо наголошувала на тестах MMLU-Pro, GPQA-Diamond, LiveCodeBench, LiveBench і Arena-Hard. Вони охоплюють знання, складне міркування, програмування, загальні здібності та оцінювання, наближене до людських уподобань. 29

До таких заяв потрібно ставитися обережно. Результати, отримані в оцінюванні розробника моделі, показують, що саме компанія вимірювала за конкретних умов, але не доводять універсальну перевагу в реальному використанні. На порівняння можуть впливати версія тесту, формулювання запитів, налаштування моделі та можливе потрапляння тестових даних у навчальний корпус. Публікації того часу також радили не сприймати заяви про перевагу без застережень. 254

Додатковим сигналом став рейтинг Chatbot Arena — краудсорсингової платформи, де користувачі порівнюють відповіді моделей у сліпому тестуванні. На початку лютого 2025 року Qwen2.5-Max отримала 1332 бали та посіла сьоме місце загалом. У повідомленнях також зазначалося, що вона очолила категорії математики й програмування та стала другою у складних запитах. 1012

Цей результат підтверджував, що Qwen2.5-Max була серйозною моделлю, близькою до передового рівня. Водночас він не доводив її перевагу в кожному завданні й не охоплював усіх факторів, важливих для впровадження: надійності, безпеки, роботи з інструментами, затримки відповіді, управління даними та корпоративної підтримки.

Порівняння з GPT-4o, Claude і DeepSeek

Найобережніший і водночас обґрунтований висновок виглядає так:

• Щодо GPT-4o Alibaba повідомляла про перевагу Qwen2.5-Max у широкому наборі тестів, але ці результати слід приписувати саме Alibaba та пов’язувати з конкретними оцінюваннями. 29
• Щодо Claude 3.5 Sonnet компанія представляла Qwen2.5-Max як загалом порівнювану модель, а не як систему з безумовною перевагою в усіх напрямках. 29
• Щодо DeepSeek-V3 запуск був особливо важливим, оскільки Alibaba швидко відповіла на появу нового помітного китайського конкурента моделлю, яку назвала сильнішою в низці оцінювань. 25

Отже, дискусія змістилася від питання «Чи здатна китайська модель конкурувати?» до практичнішого: «Яка модель найкраща для конкретного навантаження, способу розгортання, мови та бюджету?»

Зв’язок із попередньою родиною Qwen2.5

Qwen2.5-Max продовжила покоління Qwen2.5, але посіла в портфоліо інше місце. Попередня родина робила акцент на широкому наборі доступних розмірів — від компактних моделей для експериментів до флагманської версії на 72 мільярди параметрів. 132

Max додала до цього портфоліо висококласний хмарний варіант. Alibaba отримала змогу демонструвати амбіції на рівні передових моделей, не відкриваючи повністю ваги, точну архітектуру та матеріали навчання флагмана. Це була не проста схема «відкритий код проти закритого». Радше йшлося про портфельну стратегію: відкритість залучала розробників, а хмарні моделі забезпечували комерційне поширення.

Ширша екосистема Qwen також орієнтувалася на мультимовні та програмістські сценарії. Особливу увагу приділяли китайській та англійській мовам, а також таким мовам, як іспанська, французька та японська. 40 Для компаній, що працюють одночасно на азійських і глобальних ринках, така мовна дистрибуція може бути не менш важливою, ніж невелика різниця в англомовному бенчмарку.

Qwen3 зробила стратегію ще помітнішою

Наступним великим кроком стала Qwen3, представлена у квітні 2025 року як родина моделей із відкритими вагами. Початковий реліз містив шість щільних моделей розміром від 0,6 до 32 мільярда параметрів і дві MoE-моделі, зокрема версію із 235 мільярдами загальних параметрів, з яких 22 мільярди активуються під час роботи. Alibaba зробила ці моделі доступними глобально через Hugging Face, GitHub і ModelScope. 171831

Qwen3 чіткіше показала логіку портфеля Alibaba. Компанія могла залишати преміальні або спеціалізовані можливості доступними через керовані сервіси, водночас випускаючи широкий ряд моделей, які розробники могли запускати й адаптувати самостійно. Model Studio став хмарним доповненням до відкритої екосистеми — шляхом від експерименту до керованого розгортання. 1718

Екосистема розширювалася не лише за рахунок ваг моделей. Alibaba згодом описувала квантизовані версії Qwen3 для обладнання Apple, підтримку великих моделей Qwen3 на графічних процесорах AMD Instinct MI300X і компактні версії для мобільних пристроїв на базі Arm. 22 Це важливо, оскільки конкуренція між моделями визначається не тільки масштабом попереднього навчання. Значення має й те, наскільки легко модель запускається в різних хмарах, на прискорювачах, ноутбуках і периферійних пристроях.

Чому запуск посилив гонку за передові моделі

Qwen2.5-Max підвищила конкурентний тиск одразу в кількох пов’язаних напрямах.

1. Китайська конкуренція стала ширшою

DeepSeek-V3 уже кинула виклик уявленням про здатність Китаю створювати дуже потужні моделі. Відповідь Alibaba показала, що DeepSeek — не єдина китайська команда, здатна претендувати на рівень, близький до передового. Великий хмарний гравець із розвиненою модельною родиною зміг швидко відреагувати, заявити про сильні результати й поширювати продукт через уже наявну платформу. 2

2. Дистрибуція стала частиною цінності моделі

Комерційна цінність моделі залежить не лише від балів у тестах. Розробникам потрібні доступ до API, варіанти розгортання, мультимовність, підтримка обладнання, інструменти інтеграції та можливість донавчання або самостійного хостингу. Alibaba об’єднала значну частину цих каналів у родині Qwen і Model Studio. 11722

3. Посилився попит на дешевші й гнучкіші альтернативи

Якщо модель достатньо добре виконує завдання для програмістських помічників, перекладу, пошуку за корпоративними даними, клієнтської підтримки чи внутрішніх AI-помічників, покупцеві не обов’язково потрібен найвищий бал у кожному передовому тесті. Відкриті ваги, ефективні MoE-архітектури та доступність через хмару можуть знизити бар’єри для впровадження, навіть якщо модель не домінує на ринку.

Це змушує дорогих постачальників закритих моделей виправдовувати ціни вимірюваними перевагами в надійності, безпеці, роботі з інструментами, обробці контексту, корпоративному контролі та якості сервісу — а не лише статусом «передової» моделі. Сучасні огляди описували китайські моделі як такі, що скорочують розрив у можливостях і водночас активно конкурують ціною та доступністю. 47

Найімовірнішим наслідком стала сегментація ринку, а не миттєва заміна західних систем. Частина організацій і надалі платитиме за найсильніші закриті моделі, тоді як інші обиратимуть китайські хмарні рішення або моделі з відкритими вагами через поєднання продуктивності, контролю, локалізації та операційної економії.

Що відомо про «Ox Alpha»

Надані джерела не підтверджують, що китайська передова модель під назвою Ox Alpha була задокументованою та випущеною системою, порівнюваною з DeepSeek-V3 або Qwen2.5-Max. Тому цю назву слід сприймати як неперевірене припущення або спекуляцію, а не як доказ рівня китайських ШІ-розробок.

Ця невизначеність не змінює ширшого висновку. Qwen2.5-Max була важлива тим, що разом із DeepSeek та іншими китайськими розробниками зробила передовий сегмент ШІ більш багатополярним. Конкурентними інструментами стали не лише більші моделі, а й ефективність MoE, відкриті ваги, мультимовність, хмарні API, сумісність із різним обладнанням і здатність перетворити родину моделей на глобальну екосистему для розробників.