QwQ-32B：強化学習の力を活用する

Alibaba傘下のQwenは、320億パラメータを備えたQwQ-32Bモデルを発表し、スケーラブルな強化学習（Reinforcement Learning、RL）を活用しています。このモデルは、6,710億パラメータ（うち370億がアクティブ）のDeepSeek-R1に匹敵する性能を達成しています。開発はコールドスタートと二段階のRLに基づいています。最初の段階では、数学およびプログラミングタスクにおいて、正確性検証器とコード実行サーバーを用いて解答を検証します。次の段階では、一般的な能力に対して、汎用報酬モデルとルールを使用します。QwQ-32Bはエージェント機能を統合しており、モデルが批判的に考え、ツールを使用し、環境からのフィードバックに適応することを可能にします。このモデルは、Apache 2.0ライセンスの下でHugging FaceとModelScopeにオープンウェイトとして提供されるほか、Qwen ChatやDashScope APIを通じても利用可能です。今後、Qwenはより強力なベースモデルとスケーラブルなRL計算を組み合わせて汎用人工知能（Artificial General Intelligence、AGI）に近づき、エージェントとRLを統合して長期的な推論を実現する計画です。