阿里是用了什么魔法嘛，我们先来看看他们介绍是怎么做到的吧。
QWQ基于冷启动开展大规模强化学习。初始阶段，特别针对数学和编程任务进行RL训练。与依赖传统奖励模型不同，通过校验生成答案的正确性来为数学问题提供反馈，并通过代码执行服务器评估生成的代码是否成功通过测试用例来提供代码反馈。
def _stream_query(self, model_name, question): """流式查询模型""" reasoning_content = "" answer_content = "" is_answering = False completion = self.client.chat.completions.create( model=model_name, messages=[{"role": "user", "content": question}], stream=True ) self.console.print(Panel.fit( "[bold blue]思考过程[/bold blue]", border_style="blue", padding=(1, 2) )) for chunk in completion: if not chunk.choices: continue delta = chunk.choices[0].delta if hasattr(delta, 'reasoning_content') and delta.reasoning_content is not None: self.console.print(delta.reasoning_content, end='', highlight=False) reasoning_content += delta.reasoning_content else: if delta.content != "" and is_answering is False: self.console.print(Panel.fit( "[bold green]完整回复[/bold green]", border_style="green", padding=(1, 2) )) is_answering = True self.console.print(delta.content, end='', highlight=False) answer_content += delta.content最后说一下结论，qwq跟deepseek-r1还是有一定的差距，这个也是自然，毕竟模型参数差这么多。
但是对于服务器资源有限的情况，如果你想部署deepseek所谓70b的蒸馏版本，那就完全不如选择qwq了，不但所需资源更少，效果还更好。
