🔥 Gemma 3 27B 与 QwQ 32B 与 Deepseek R1 对比✅

2025 年 3 月发布了一些新的开源模型，其中两个是阿里巴巴的 QwQ 32B 模型和谷歌的新 Gemma 3 27B 模型，据说它们擅长推理。🤔

让我们看看这些模型彼此之间以及与最好的开源推理模型之一 Deepseek R1 模型之间的比较情况。

动图

而且，如果你已经阅读我的帖子一段时间了，你就会知道，在我亲自测试之前，我不会同意这些基准测试！😉

TL;DR

如果你想直接得出结论，那么当与这三个模型进行比较时，答案并不像其他博客文章中那么明显，QwQ 在编码方面领先，但其他两个模型在推理方面同样一流。

如果用于编码，请选择 QwQ 32B 型号或 Deepseek R1，或者用于其他任何事情，Gemma 3 同样很棒，应该可以完成您的工作。

QwQ 32B型号简介

3 月的第一周，阿里巴巴发布了这款模型大小为 32B 的新模型，声称其能够与模型大小为 671B 的 Deepseek R1 相媲美。🤯

这标志着他们在扩展RL（强化学习）以提高模型推理能力方面迈出了第一步。

以下是他们公开的基准测试，以突出 QwQ-32B 与另一款领先型号 Deepseek R1 相比的性能。

现在，这看起来更有趣了，特别是与大约20 倍大小的模型 Deepseek R1 进行了比较。

Gemma 3 27B 型号简介

Gemma 3 是 Google 基于 Gemini 2.0 全新开源模型。该模型有 4 种不同尺寸（1B、4B、12B 和 27B），但这并不是它真正有趣的地方。

据称它是“可以在单个 GPU 或 TPU 上运行的功能最强大的模型”。🔥 这直接意味着该模型能够在资源有限的设备上运行。

它支持128K 上下文窗口，支持超过140 种语言，主要用于推理任务。

然而，许多人认为 Gemma 3 27B 模型在不同的编码基准测试中表现并不那么出色。

让我们看看事实是否如此，以及该模型的推理能力如何。

编码问题

💁 在本节中，我将通过动画和一道棘手的 LeetCode 问题来测试这三种模型的编码能力。

1. 旋转字母球

提示：创建一个 JavaScript 模拟由字母组成的旋转 3D 球体。距离最近的字母应显示较亮的颜色，而距离最远的字母应显示为灰色。

QwQ 32B 的回复

您可以在此处找到它生成的代码：链接

这是程序的输出：

QwQ 的输出简直太棒了。它完全符合我的要求，从动画到字母旋转，再到颜色变化。一切都恰到好处。太棒了！

Gemma 3 27B 的回复

您可以在此处找到它生成的代码：链接

这是程序的输出：

它似乎没有完全按照我的提示来。肯定有什么东西发生了，但我要求的是一个 3D 球体，结果它似乎只生成了一个旋转的圆环，上面写着字母。

知道这个模型在编码方面并不是那么好，但至少我们得到了一些工作！

Deepseek R1 的回复

您可以在此处找到它生成的代码：链接

这是程序的输出：

它基本上也算正确，完全实现了我的要求。这一点毋庸置疑，但与 QwQ 32B 型号的输出相比，就整体输出而言，它似乎真的没法比。

概括：

在这一部分，毫无疑问，QwQ 32B 模型胜出。它在我们的动画编程测试和 LeetCode 难题中都取得了压倒性胜利。将这些小型模型与模型大小为 671B（每个查询激活 37B）的 Deepseek 进行比较似乎不太公平，但令人惊讶的是，QwQ 32B 在这方面击败了 Deepseek R1。

2. LeetCode 问题

为此，让我们用一个超难的 LeetCode 问题进行快速的 LeetCode 检查，看看这些模型如何解决一个棘手的 LeetCode 问题（接受率仅为 14.4%）：强密码检查器。

考虑到这是一个很难的 LeetCode 问题，我对这三个模型都不抱什么希望，因为它们不如 Claude 3.7 等其他一些代码模型那么好。

如果您想了解Claude 3.7与Grok 3和o3-mini-high等顶级型号的比较情况，请查看此博客文章：

Claude 3.7 Sonnet、Grok 3 和 o3-mini-high：编码比较

Shrijal Acharya for Composio ・ 2 月 27 日

#javascript #python #ai #开源

Prompt:

A password is considered strong if the below conditions are all met:

- It has at least 6 characters and at most 20 characters.
- It contains at least one lowercase letter, at least one uppercase letter, and at least one digit.
- It does not contain three repeating characters in a row (i.e., "Baaabb0" is weak, but "Baaba0" is strong).

Given a string password, return the minimum number of steps required to make password strong. if password is already strong, return 0.

In one step, you can:

- Insert one character to password,
- Delete one character from password, or
- Replace one character of password with another character.

Example 1:

Input: password = "a"
Output: 5

Example 2:

Input: password = "aA1"
Output: 3

Example 3:

Input: password = "1337C0d3"
Output: 0

Constraints:

1 <= password.length <= 50
password consists of letters, digits, dot '.' or exclamation mark '!'.

QwQ 32B 的回复

您可以在此处找到它生成的代码：链接

太棒了，答案对了。不仅如此，它还能以O(N) 的时间复杂度编写完整个代码，这在预期的时间复杂度范围内。

如果一定要比较代码质量，我会说它还不错。它不仅代码质量好，而且所有文档都写得非常到位。所以，这个模型看起来潜力巨大。

尽管花了很多时间去思考，但真正重要的是可行的答案。

Gemma 3 27B 的回复

您可以在此处找到它生成的代码：链接

好吧，Gemma 3 在这方面做得不够好。它几乎完成了一半，54 个测试用例中有 39 个通过了，但这种错误的代码根本帮不上忙。与其写出糟糕的代码，还不如干脆不写代码。🤷‍♂️

但考虑到该模型是一个只有 27B 个参数的开源模型，并且在单个 GPU 或 TPU上运行，这是我们可以考虑的一件事。

Deepseek R1 的回复

在这个问题上，我几乎不抱任何希望。在我之前的测试中，我将 Deepseek R1 与 Grok 3 进行了比较，结果 Deepseek R1 表现相当糟糕。如果你想了解一下：

Grok 3 与 Deepseek r1：深度分析

Shrijal Acharya for Composio ・ 2 月 21 日

# 人工智能 #开源 #生产力 #讨论

您可以在此处找到它生成的代码：链接

太棒了，54 个测试用例中51 个通过，差点就成功了。但即使只有一个测试用例失败，也会导致提交错误，所以 Deepseek R1 这次运气真不好。

概括：

在两道编程题上比较这三个模型时，结果非常明显。QwQ 32B 模型显然是赢家🔥，Gemma 3 27B 确实尝试过，但绝对不适合用于高级编程。Deepseek 的评价不多，它虽然中等，但足以应付大多数基础到中级的编程问题，因为我每天都会用到它。

推理问题

💁 在这里，我们将检查这两个模型的推理能力。

1.水果交换

我们先从一个非常简单（一点也不棘手）的问题开始，这需要一些常识。不过，我们先看看这些模型是否具备这些常识。

我只是想测试一下这些模型是否能解析所问的问题，推理出所需内容，或者处理所有给出的内容。类似于问“是什么10000*3456*0*1234？”🥱

提示：你一开始有14个苹果。艾玛拿了3个，还给你2个。你丢掉7个，捡起4个。利奥拿了4个，给了你5个。你从艾玛那里拿走1个苹果，和利奥交换了3个苹果，然后把这3个苹果给艾玛，她递给你一个苹果和一个橙子。扎拉拿走了你的苹果，给了你一个梨。你用梨和利奥交换了一个苹果。之后，扎拉用一个苹果换了一个橙子，又用橙子和你交换了另一个苹果。你有多少个梨？直接回答我的问题。

正如您所见，我们用苹果和橘子提供了所有不必要的背景，但对于梨，也就是所要求的，它最后只有一笔交易，导致我们拥有 0 个梨。

QwQ 32B 的回复

你可以在这里找到它的理由：链接

正如我所想，它似乎完全缺乏这种能力。😮‍💨说真的，它思考了172秒（约2.9分钟），做了所有苹果和橘子相关的计算。QwQ 32B 的这种表现确实令人失望。

Gemma 3 27B 的回复

你可以在这里找到它的理由：链接

只需几秒钟，它就能计算出所有情况并返回梨的总数。这方面没什么可抱怨的。

响应确实非常快，对这个模型印象深刻。

Deepseek R1 的回复

你可以在这里找到它的理由：链接

它思考了大约一分钟，终于给出了答案。我原本以为它会给出正确答案，但我只是想看看它能否给出我所问问题的答案，而不用进行那些毫无意义的计算。可惜的是，它也失败了。

概括：

说实话，对于这个问题，我其实并没有刻意寻找正确答案；连一年级学生都能答对。我只是想看看这些法学硕士（LLM）能不能过滤掉所有不必要的细节，只回答题目要求的问题。可惜的是，所有题目都答不出来，尽管我在题目末尾加了一句： “只回答题目要求的问题。” 😮‍💨

2.电梯里的女人

提示：一位秃顶瘦削的女士住在公寓的78层。晴天时，她会乘电梯到67层，然后步行走完剩下的路程。下雨天时，她会直接乘电梯到她所在的楼层。为什么下雨天她会直接乘电梯到她所在的楼层？

这个问题有点棘手，因为我加入了一些类似的不必要的细节，分散法学硕士（LLM）的注意力，让他们无法轻易找到答案。答案是，这位女士个子矮，夏天够不到按钮，但她带着一把伞，可以用来按更高处的电梯按钮。

答案与女孩是秃头还是瘦子无关。🥴

QwQ 32B 的回复

你可以在这里找到它的理由：链接

这里花了很长时间，311 秒（~5.2 分钟），而且花了一些时间才弄清楚这与她秃头和瘦弱有什么关系，但在这里，我对反应印象深刻。

它解释思维过程的方式真的令人印象深刻。你或许也想看看。

公平地说，QwQ 32B 确实正确并且完美地解释了一切。✅

Gemma 3 27B 的回复

你可以在这里找到它的理由：链接

Gemma 3 真的让我震惊，几秒钟内就猜对了。这个模型在推理任务上表现非常稳定。到目前为止，我对这个谷歌开源模型印象深刻。🔥

Deepseek R1 的回复

你可以在这里找到它的理由：链接

我们知道 Deepseek 在推理任务方面表现非常出色，因此它得出正确答案也就不足为奇了。

花了一些时间才得出答案，大约思考了 72 秒（~1.2 分钟），但我喜欢它每次提出的推理和思维过程。

真的很难理解这个问题与女人秃头和瘦弱有什么关系，但是嘿，这就是我添加它的原因。🥱

概括：

毫无疑问，这三个模型都非常擅长推理问题。我尤其喜欢 QwQ 32B 和 Deepseek R1 模型解释其思维过程的方式，以及 Gemma 3 回答这两个问题的速度之快。这三个模型都能得到 10/10 的答案✅，但 QwQ 32B 有时可能会让人觉得它的推理有些不必要。🤷‍♂️

数学问题

💁 查看了这三个模型的推理问题答案，我确信这两个模型也应该通过数学问题。

1. 钟针呈直角

提示：在 5:30 到 6 点之间，什么时候时钟的指针会成直角？

QwQ 32B 的回复

你可以在这里找到它的理由：链接

Gemma 3 27B 的回复

你可以在这里找到它的理由：链接

除了编程题，Gemma 3 也答对了这道题，并且在我提到的所有推理和数学题上都取得了压倒性的优势。这真是一个精巧却强大的模型。

真的印象深刻！🫡

Deepseek R1 的回复

你可以在这里找到它的理由：链接

从我的这篇比较 Deepseek R1 和 Grok 3 的文章中，我们已经可以清楚地看到 Deepseek 在数学方面的表现有多好，所以我对这个模型寄予厚望。

和往常一样，它也答对了这道题。它确实经过了一番漫长的推理和思考才得出答案，但它最终还是找到了答案。

概括：

这三个模型在推理和数学方面都表现得非常出色。它们全都答对了。Gemma 3 27B 很快就搞定了，另外两个模型 QwQ 32B 和 Deepseek R1 也凭借正确的推理能力取得了优异的成绩。✅

2. 字母排列

提示：单词“MATHEMATICS”的字母可以有多少种不同的排列方式，使得元音总是连在一起？

这是向法学硕士 (LLM) 提出的一个经典数学问题，所以让我们看看这三个模型的表现如何。

QwQ 32B 的回复

你可以在这里找到它的理由：链接

经过 552 秒（~9.2 分钟）🥱 的思考，是的，它确实花了那么长时间才想出答案，但一如既往，它也回答了这个问题。

我同意它所有的推理过程感觉又长又无聊，但如果它能完成任务，那也是好的一面。QwQ 32B 模型看起来真的很扎实，到目前为止，所有问题都迎刃而解。🔥

Gemma 3 27B 的回复

你可以在这里找到它的理由：链接

完全正确。这个模型的响应速度和准确性令人惊叹。谷歌在这个模型上做得确实很棒，这一点毋庸置疑。😵

Deepseek R1 的回复

你可以在这里找到它的理由：链接

经过大约 132 秒（~2.2 分钟）的思考，它终于得出了答案，而且再次是 Deepseek R1 的正确答案。

概括：

这次的答案也显而易见。我们三个模型都完美地解决了这个问题，并给出了完美的解释和推理。对于这么难的问题，三个模型都能给出令人印象深刻的答案，而对我来说，Gemma 3 27B 的表现尤为突出。多么轻量级的实体模型啊！🔥

结论

结果一目了然。对我来说，经过这么一番比较，如果一定要选一个模型，我还是会选择Deepseek R1。QwQ 32B 模型表现非常出色，可以说是本次比较的绝对赢家。✅ 其他一些测试这些模型的人似乎也得出了同样的结论。👇

但对我来说，Deepseek R1 模型感觉像是一个具有平衡推理和整体响应时间的最佳点。

虽然 Gemma 3 和 Deepseek R1 无法完全正确解答编码问题，但它们的整体推理能力实在是太棒了。Gemma 3 27B 模型给我留下了深刻的印象。它绝对是你工具箱里必备的一款模型。

你怎么看？在下面的评论区留言告诉我你的想法吧！👇

什里贾尔·阿查里亚跟随

全栈 SDE • 开源贡献者 • 合作者 @Oppia • 协作邮件