IT评测·应用市场-qidao123.com

标题: 编程AI深度实战：大模子哪个好？ Mistral vs Qwen vs Deepseek vs Llama [打印本页]

---

作者: 飞不高    时间: 2025-3-16 08:36
标题: 编程AI深度实战：大模子哪个好？ Mistral vs Qwen vs Deepseek vs Llama
随着开源 LLM 的发展，越来越多的模子变得专业化，“代码”LLM 变得非常盛行。这些 LLM 旨在比其 “常识” 对应物更小，但旨在超越更大的通用模子的编码性能。
这些模子以极低的资本提供大型模子的功能，进一步使当地 LLM 空间民主化。特别是，在较小的编码 LLM 领域中，有三个模子在竞争中脱颖而出：Codestral 22B、DeepSeek Coder V2 Lite 14B 和 Qwen 2.5 Coder 7B。
Codestral 22B 于 5 月 29 日发布，这是 Mistral 发布的第一款特定代码模子。据说它精通 80 多种编程语言，具有 Fill-in-the-Middle 能力，可以与开发人员一起充当助手。
Qwen 2.5 Coder 7B 已于 2024 年 9 月 19 日由阿里云发布。它是 Qwen 系列的一部分，模子参数范围从 1.5B 到 32B 不等，针对更靠近闭源模子的性能。
DeepSeek V2 Coder 由 DeepSeek AI 于 2024 年 6 月发布。该模子是 DeepSeek V1 的改进版本，利用 1.17 万亿个代码相关标志举行练习，它专注于加强的代码生成和数学功能，还支持 Fill-in-the-Middle。除了具有 2360 亿个参数的 “基础” 模子外，他们还发布了具有 160 亿个参数的较小 “精简” 版本。


先过一遍榜单

这三种型号在各自的参数类别中都拥有最先进的性能，而且数字相称可观。我们来看看模子在最盛行的编程基准测试 HumanEval 上的性能。
Codestral 得分为 81.1%，DeepSeek Coder v2 Lite 得分为 81.1%，而 Qwen 2.5 Coder 7B 在基准测试中得分为 88.4%，超过了比自身大得多的两个模子。作为参考，OpenAI 的闭源 GPT-4 得分仅为 87.1%，而改进的 GPT-4o 得分仅比 Qwen 2.5 Coder 高出 2 个百分点，为 90.2%。
另一个值得注意的基准是 Spider，它包罗 10,000 多个问题，与 5,000 多个复杂的跨域 SQL 查询相匹配。此基准测试对于将 LLM 集成到数据库中至关紧张。这一次，Qwen 2.5 Coder 以更大的上风领先，为 82.0%，而 Codestral 的得分仅为 76.6%。
下表比较了所有三种模子的基准，侧面为 GPT-4o 作为参考：

添加图片注释，不超过 140 字（可选）

注意：Codestral 的基准测试数据取自 DeepSeek Coder 与 Codestral 的比较，高于 Mistral 的“官方”报告数据
我们从数字上看到，Qwen 2.5 Coder 7B 的性能绝对优于其他所有模子，在某些情况下，险些与 GPT-4o 的性能相称。
当然，数字永远不能说明全部情况。我们需要在实际场景中测试这些模子，以相识它们如何 “执行” 或 “作”。
在下面的实验中，我将在具有 24GB 统一内存的 M2 MacBook Air 上当地运行所有模子，利用 ollama，llama.cpp 在引擎盖下运行。在模子优化方面，我将对所有模子利用 Q6_K 量化，它生存了原始模子的公道性能，同时允许所有模子都适合我的 24GB 机器。
为了相识模子大小和速率的差异，以下是它们在我的笔记本电脑上运行的 GGUF 文件大小以及它们的每秒令牌数 （t/s）：

• 代码 22B - 18GB~ （3.31t/s）
  
• Deepseek Coder v2 Lite 16B - 14GB~ （8.35t/s）
  
• Qwen 2.5 编码器 7B - 6.3GB~ （10.31t/s）
  

经典游戏

以下是您文章的编辑版本，此中包罗对语法、拼写和尴尬措辞的更正：
让我们从 HTML、CSS 和 JavaScript 中的经典贪吃蛇游戏开始。我想在一次性编码任务中看到 LLM 的能力。对于没有任何编程履历来指导 LLM 或调试其输出的人来说，它能很好地创建有用的东西吗？以下是我在所有 LLM 上利用的提示：
在一个文件中用 HTML、CSS 和 JavaScript 编写一个基本的功能性贪吃蛇游戏。玩家将利用箭头键控制蛇。
Qwen Coder 生成代码完全没有问题，完善地完成了任务。我什至多次尝试了提示的变体，以确保这不是荣幸，但 Qwen 每次都交付了。

添加图片注释，不超过 140 字（可选）
​
Qwen 实现上的 Snake 游戏
另一方面，Codestral 确实乐成地制作了一款有用的游戏，但它并非没有本身的怪癖和错误。碰撞检测并不完全完善，蛇的速率太慢了，蛇的生长险些不明显。

添加图片注释，不超过 140 字（可选）
​
Codestral 实现上的 Snake 游戏
Deepseek 的性能令人扫兴。尽管举行了多次对话，但它无法产生一个简朴的贪吃蛇游戏的有用实现。Deepseek 利用 “addEventListener” 方法来监听按键，但由于移动代码中的错误，该按键从未在其任何实现中注册。
我还尝试利用其他更复杂的游戏（如 2048、Minesweeper 和 Tetris）来提示 LLM。险些所有的 LLM 都在这些更“复杂”的提示符中失败，提供的代码险些无法正常工作，除了 Qwen 7B Coder，它是所有代码中最小的。
在我的测试中，Qwen 在 2048 和俄罗斯方块等复杂游戏中遇到了困难，但生成的代码通常是半功能性的，例如 2048 年移动的一半有用，或者俄罗斯方块中掉落的块有用，但其他什么都没有。
然而，对于 Minesweeper，Qwen 能够始终如一地产生近乎完善的实现。以下是我在美学上更好的实现之一和（加快的）游戏。

添加图片注释，不超过 140 字（可选）
​
Qwen 实现上的 Minesweeper 游戏玩法
以下是效果摘要：

添加图片注释，不超过 140 字（可选）
​





Qwen 2.5 版本
Qwen 2.5 Coder 7B 开局强劲。它的 five_crop 功能运行完善，但重修功能存在一些问题。尽管举行了多次修改，但 Qwen 似乎对裁剪面具简直切内容感到困惑。
reconstruct 函数的输入（即 five_crop 函数生成的输出）是包罗裁剪图像的张量。第一维中的每个 b 图像都表现不同的裁剪，从第一个图像的左上角开始，然后是第二个图像的左上角部分，依此类推。虽然 Qwen 似乎掌握了图像重修背后的逻辑，但尽管反复提示和修改，用于提取作物的索引仍然存在问题。

添加图片注释，不超过 140 字（可选）

Qwen 的实现


DeepSeek 精简版
Deepseek 也解决了five_crop但它的实现要繁琐得多，也不太清楚。我更喜好 Qwen 2.5 实现。对于 reconstruct 函数，代码运行没有错误，但图像远非重修，很像一个解错的拼图游戏。额外的提示和微移没有提供任何改进。

添加图片注释，不超过 140 字（可选）

Deepseek Lite 的实现


代码

Codestral 的 five_crop 函数完善无缺，可读性超过了 Qwen，它利用 torchvision 的 crop 函数裁剪出每个区域，而不是 Qwen 利用的凌乱索引。与其他模子雷同，它在重修功能方面存在一些困难，但在澄清了裁剪图像的前导维度包罗的内容后，Codestral 在第一次尝试时给出了完善的实现。

添加图片注释，不超过 140 字（可选）

Codestral 的终极实现


“基本”知识
除了更长、更复杂的编码任务外，我还向 LLM 提出了一些关于数学和 Python 知识的基本简短问题。这些问题测试基本概念并评估 LLM 提供准确、准确答案的能力，而无需不须要的阐述，这是完成更复杂请求的基石。此外，它们可以展现 LLM 知识库或推理过程中意想不到的弱点。

• 31793 是素数吗？
  
• Qwen 实际上没有直接答复，而是试图 “模拟” Python 解释器，写下一些代码，然后产生不正确的 “False” 输出。
  
• Deepseek 通过一长串测试逐个数字地查抄可整除性，答复错误，并说 31793 可以被 19 整除。
  
• Codestral 尝试编写一些 Python 代码来测试这个数字，但在响应的末尾给出了直接、正确的答案：“yes”。
  
• 编写一个 Python 函数来反转字符串，而无需利用内置的 reverse（） 方法。
  
• Qwen 编写了一段功能代码，但它没有利用快捷方式 [：：-1]，而是反向循环遍历列表。它确实发起将快捷方式实现作为 “替换方案”。
  
• Deepseek 也生成了功能代码，但甚至不发起利用快捷方式 [：：-1]。相反，它奇妙地遍历字符串并将每个字符附加到列表的前面，这是一种比 Qwen 更简洁的实现，但并不完善。
  
• Codestral 利用了 [：：-1] 切片技巧并给出了简洁、正确的响应。
  
• 计算半径为 7.5 个单位的圆的面积。将您的答案四舍五入到小数点后两位。
  
• Qwen 准确地计算了面积，准确到第 100 位，即 176.71，并给出了不须要的冗长解释。
  
• Deepseek 给出了与 Qwen 险些相同的效果：解释很长，但正确答案为 176.71。
  
• Codestral 给出了简洁、准确的答案：176.71。
  
• 对二进制数 1010 和 1100 举行 XOR 运算的效果是什么？
  
• Qwen 答复错误，“0100”，并尝试编写无法运行的 Python 代码来解决问题。
  
• Deepseek 用不须要的冗长解释正确地答复了。
  
• Codestral 以适长的解释正确答复。
  

结论

总体而言，看起来较大的模子稍微更“智能”。增加的参数大小使它们具有更“原始”的能力来回忆知识和理解上下文。最小的模子 Qwen 经常编写和冒充运行 Python 代码，而不是直接答复问题。Deepseek 和 Codestral 都更善于仅在需要时编写代码。令人惊奇的是，只有 Codestral 给出了最简洁和广泛接纳的反转字符串的实现。
以下是本文中对三个模子完成的所有测试的摘要效果：

添加图片注释，不超过 140 字（可选）



您应该选择哪一个？

在不考虑计算资本的情况下，我发起为 python 任务选择 Codestral，为其他语言选择 Qwen。
尽管 Codestral 在欣赏器游戏的测试中并不出色，但它更大的参数数量只是让对话感觉“更流畅”，由于它比较小的模子更能理解语言。与 Codestral 攀谈感觉更像是与 ChatGPT 的对话，而 Qwen 和 Deepseek 都感觉他们只知道如何用“代码”说话。
如果内存限制和速率是一个限制因素，那么 Qwen 是不费吹灰之力的。在某些情况下，它比 Codestral 更智能，并且与 Codestral 相比需要的内存不到一半，q6 量化仅为 6.3 GB。它可以以不错的速率在大多数 GPU 和所有 Apple Silicon Mac 上轻松运行。
当然，这大概不会持续太久，由于 Qwen 背后的公司阿里巴巴计划发布 32B 版本的编码器，旨在匹配最先进的闭源性能。较低数量的 32B 模子将适合可以运行 Codestral 的机器。开源编码 LLM 领域无异于令人奋发。


Llama3.3: 开源模子扛把子？

Llama 3 到 Llama 3.1、Llama 3.2、Llama 3.3 系列模子在参数规模、上下文长度和性能上不断突破壁垒，Llama 3.1 405B 版本成为最大的开源大型语言模子之一。


llama 3.2 1B/3B/11B/90B
发布日期：9月 26， 2024
型号变体：llama 3.2 1B、llama 3.2 3B、llama 3.2 11B 和llama 3.2 90B
具体信息： Llama 3.2 发布了中小型视觉 LLM（11B 和 90B），以及适用于边沿和移动装备的轻量级纯文本模子（1B 和 3B），包括预练习和指令调整版本。这些模子支持 128K 上下文长度，并针对 Arm 处理器举行了优化，适用于当地摘要、指令跟踪和重写任务。


llama 3.3 70B
发布日期：12月 7， 2024
型号变体：llama 3.3 70B
具体信息： Llama 3.3 是 Llama 系列的最新版本，进一步提高了模子效率和性能。Llama 3.3 在多语言功能、代码生成和复杂数学问题解决方面取得了重大进步，参数规模到达 405B，靠近或超过市场上其他领先模子的性能。
这些开源模子版本反映了 Meta 对开放 AI 生态体系的承诺，为研究人员和开发人员提供强大的工具，推动人工智能技术的进步。
​


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

---

欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/)

Powered by Discuz! X3.4