昨天刷family群家人的消息的时候，一条“显眼包”消息吸引了我——

　　

　　这是啥啊？点进去一看——

　　「群聊精华总结」

　　

　　真的特别需要，尤其是对于我这种每天对接各种群各种需求消息回不完的人——

　　

　　仔细看一下这份**「群聊精华总结」，从今天早上 7 点半到 11 点半 family 群里一共有 111 条消息，讨论的热门话题**No.1 是「Qwen-32B 模型性能与推理特点」，No.2 是「Manus 模型评测和技术分析」。

　　Manus 昨天平地一声雷炸的圈子里的好多人都头脑发热了，官方和一些带节奏的人估计都度过了难忘的一天。今天圈子终于开始有点回归理性了。

　　其实昨天我们的文章里《为什么Manus火了》，就对技术实现和产品分析过，还是那句话，让子弹飞会儿。

　　今天除了五位数的邀请码一码难求，另一边复现 Manus 项目出的飞快，连卖 Manus 的课教程都冒出来了，真快啊࿰ wps最新的官网的下载的网站是什么8;不过大家还是要谨慎一点擦亮眼睛）。

　　回到今天群聊的榜一大哥——QwQ 32B.

　　我翻了一下聊天记录，吐槽最多的是——

　　推题 token 太长，动辄 2、3 万字

　　一直在推理，不出东西

　　

　　其实 QwQ 这个模型之前发布过一个预览版，只不过这次是正式版。也有可能再经过回炉重造过不得知了。

　　我看除了 X 上面，油管上讨论也挺凶的。

　　

　　总之，评价就是还是挺强的。

　　评价这么高基于两个已知事实：

　　效果比肩官网最新版的wps下载的地方是什么-R1 671B 满血版

　　32B参数，比 R1 满血版小 20 倍

　　这是官方的效果——

　　

　　在基准测试上与 官网最新版的wps下载的地方是什么-R1 满血版非常接近。

　　这是 AMIE（数学能力）测试结果——

　　

　　QwQ-32B 排到了所有模型的第二。

　　可以说，看考试成绩，绝对是一名优等生。虽然在官网和抱抱脸 hg 上都能体验了，但是我看到好多反馈都在说——

　　卡，慢，排队，约等于：不可用

　　经常一个问题思考十几分钟没做出来。

　　

　　那我就自己搞一个！

　　不是 671 玩不起，而是 32B 更有性价比！

　　这里我们部署在本地电脑上，主打开源&轻量化部署精神，所以只要有一台电脑 + 一块 24G 的显卡就行。

　　不敲代码、不买课，不买会员，5 分钟体验上 320 亿参数的 QwQ-32B 大模型！

　　先说一下我的配置：

　　CPU: Intel 10900k

　　内存: 128G DDR4 3600MHz

　　显卡: Nvidia 3090 24G 显存

　　操作系统： Windows 11

　　这里我用 Ollama+Chatbox 的方案，就是因为它纯纯简单。

　　给还没接触过的小伙伴科普一下（懂得自行跳过）——

　　Ollama 是一个专为大语言模型服务设计的开源工具，方便用户在本地快速部署大型模型。通过简单的安装过程，用户可以用一条命令即可启动和操作这些开源的大语言模型。

　　重点是：一条命令。

　　第一步：安装 Ollama，这一步比装原神还简单）

　　在官网上下载安装包就行（我选 Window）。 www.ollama.com

　　

　　下载好了后直接点击安装。 这个阶段不要做任何修改，一路默认设置就好。

　　当安装结束后先验证一下是否装成功。

　　打开 windows 的命令行 CMD, 输入 ，看到输出 那就证明 OK。

　　

　　第二步：拉取 QwQ-32B

　　直接去 Ollama 网站下载即可。

　　Ollama 的 QWQ 模型页面: https://ollama.com/library/qwq

　　坑点预警：官网下载需要魔法，否则速度堪比蜗牛（推荐用国内镜像）

　　

　　提供了好几个不同模型版本，比如 ， ，

　　q4_K_M, q8_0, fp16 这些指的是模型精度。这里的 q4 指的是 4bit 量化，q8 指的是 8bit 量化，fp16 就是原版模型。

　　因为量化都是有损的，只要把握数字越小，模型体积越小，所以模型能力会更弱这个逻辑就行。所以 q4 就是 QwQ32b 家族中，体积最小，性能有可能是最弱的那个（不排除 8bit 量化也都差不多的效果）。

　　我们部署就选用 ，选用它的原因很简单， 因为 3090 的 24G 显存只能装下这个模型。

　　Ollama 的模型包本质上是一个 微服务镜像，类似云端的模型即服务（MaaS），但设计为本地离线运行。

　　这样，你就完全不用考虑和底层硬件、python 依赖等等这些麻烦的问题。

　　里面包括模型 checkpoint、配置文件、运行时的环境（依赖库、推理引擎）、其他组件等等，提供了运行模型的一切，都打包好了。

　　这里你可以理解成这是大模型的 APP Store，和手机里下载应用是一样的简单。

　　区别这里不是下载按钮，而是在命令行 中输入如下指令，开始下载模型。

　　如果一切顺利，就会开始正式下载模型。

　　请做好心理准备，下载时间会比较长。

　　

　　等模型下载完成后，在 CMD 中输入下面的指令加载模型并运行，就可以开始和 模型对话。

　　看下对话效果——

　　

　　可以看到，已经成功地提问对话了。

　　虽然 Ollama 提供了交互页面，但是是程序员风格的，虽然在我眼里是最美的，但是追求美颜的小伙还需要下载一个页面美工——

　　第三步：安装前端交互工具 Chatbox

　　这种工具的选择有很多，有 等等。

　　我选用了 chatbox，页面长这个样——

　　

　　其中 Open-WebUI 于 QwQ 的官网页面最为接近，这是因为 QwQ 的官网也是拿 Open-WebUI 魔改的。(🤣)

　　Chatbox 的网站: https://chatboxai.app/zhwps最新官网的下载网址

　　请大家自行安装，这里就不赘述了。

　　安装完成后，需要进行如下设置：

　　

　　点击设置

　　在上图 2 中的位置选择

　　3 的位置会自动配置好上图中的内容。

　　点击 4 确定。

　　配置完成后，你的主界面就会和下图一样:

　　

　　点击红框处选择 模型，就可以在箭头处开始和属于你的 模型对话了。

　　到此，整个本地部署全部完成。

　　上面已经问过「9.9 和 9.11 谁大」的问题，已经可以使用了。

　　但为了不失严谨性，我们将会对 、 进行简单对比，看看能复刻多少效果。

　　直接上题：

　　题目一: 银行金库里的小偷

　　有一个小偷费劲力气进入到了银行的金库里。在金库里他找到了一百个箱子，每一个箱子里都装满了金币。不过，只有一个箱子里装的是真的金币，剩下的 99 个箱子里都是假的。真假金币的外形和质感完全一样，任何人都无法通过肉眼分辨出来。它们只有一个区别：真金币每一个重量为 101 克，而假金币的重量是最新的官网wps的下载入口是什么 100 克。在金库里有一个电子秤，它可以准确地测量出任何物品的重量，精确到克。但很不幸的是，这个电子秤和银行的报警系统相连接，只要被使用一次就会立刻失效。请问，小偷怎么做才能只使用一次电子秤就找到装着真金币的箱子呢？

　　这是一个小学奥数难度的题，我猜这他们应该都没问题，但没准也会阴沟里翻船呢，对吧 ?

　　先看官网 QwQ-32B的答案：

　　

　　回答很准确,没什么可以挑剔的。

　　然后是上面我本地的 QwQ-32b_q4_K_M:

　　
最新官网中文的wps下载的网站是什么
　　这个视频没有进行任何加速，可以看到，在发送的一瞬间，就立马开始输出。

　　比官网爽太多了！

　　第一题没有分出胜负， 加大难度！！

　　题目二: 池塘取水

　　假设有一个池塘，里面有无穷多的水。现有 2 个空水壶，容积分别为 5 升和 6 升。问题是如何只用这 2 个水壶从池塘里取得 3 升的水。

　　官网 QwQ-32B的答案：

　　

　　下面是本地的 QwQ-32b_q4_K_M:

　　

　　

　　可以看到，本地版也成功的给出了两种不同的方法。

　　题目三: 编程题

　　本地部署大模型用来作为编程助手是一个比较大的需求。对于当前大模型的能力来说，Leetcode 这类普通的面试题应该可以秒杀。

　　所以直接给他们上难度。

　　编写一个 Python 程序，展示一个球在旋转的六边形内弹跳。球应受到重力和摩擦力的影响，并且必须以逼真的方式从旋转的墙壁上弹回。

　　官网 QwQ-32B：

　　

　　一把过。

　　而且对物理规律的把握非常准确。

　　很难让人相信这是一个只有 32B 参数的模型。

　　我们再看看本地的 QwQ-32b_q4_K_M 的表现：

　　这次非常遗憾，没有完全输出答案就中断了。

　　

　　吐了 3、4 分钟之后，就卡住了，之后也没再输出。

　　应该是显存不足了，大模型推理的过程会慢慢吞噬显存，到一定长度后就爆了。尤其是长文本和复杂任务推理的时候。

　　而且，QwQ32b 模型有一个特点就是会输出超长的思考过程，动不动几万字 token，官网使用卡住了就大概率就是爆了。

　　上面这三道测试题，虽然不具备严谨的统计意义，但可以很直观的让大家感受到本地部署的 QwQ 32b 模型能力。

　　一句话总结就是，对于普通难度的问题，与官网没有太大区别。对于某些超级难的问题，本地模型还是有些困难。

　　但本地部署模型的那种让你随时都能用，不需要排队等待的那种爽感，可不是在线模型能够带给你的。

　　赶紧搞起来！！

　　

　　我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

　　我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享wps最新的官方的下载的网址在哪呢。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

　　

　　第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

　　第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

　　第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

　　第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

　　第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

　　第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

　　第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

　　

　　• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

　　• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

　　• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

　　• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

　　

　　1.AI大模型学习路线图

　　2.100套AI大模型商业化落地方案

　　3.100集大模型视频教程

　　4.200本大模型PDF书籍

　　5.LLM面试题合集

　　6.AI产品经理资源合集

　　👉获取方式：

　　😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓