Qwen3-4B-Instruct与InternLM2对比：数学推理任务性能评测

1. 背景与测试目标

大模型在数学推理任务中的表现，一直是衡量其逻辑能力、知识掌握和泛化水平的重要指标。随着轻量级模型的持续优化，4B参数级别的模型也逐渐具备了处理复杂推理问题的能力。本文聚焦于两个开源领域备受关注的中等规模模型：Qwen3-4B-Instruct和InternLM2-4B-Instruct，通过设计多轮数学推理测试题，系统性地评估它们在基础算术、代数、数列、概率以及应用题等方面的准确率、解题思路清晰度和容错能力。

本次评测不追求极限性能压榨，而是从“实际可用性”出发，考察模型在无需复杂提示工程、默认配置下的原生推理表现，帮助开发者和研究者快速判断哪个模型更适合部署在教育辅助、智能客服或自动化报告生成等对数学理解有要求的场景中。

2. 模型简介与部署方式

2.1 Qwen3-4B-Instruct-2507 简介

Qwen3-4B-Instruct 是阿里云推出的新一代文本生成大模型，属于通义千问系列的轻量级指令微调版本。该模型在多个维度实现了显著提升：

• 通用能力增强：在指令遵循、逻辑推理、文本理解、数学计算、科学知识、编程能力和工具调用等方面均有明显进步。
• 多语言长尾知识覆盖更广：相比前代，增强了对非主流语言及冷门知识点的支持，适合国际化应用场景。
• 响应质量更高：针对主观性和开放式任务进行了优化，输出内容更符合人类偏好，更具实用性。
• 支持超长上下文：具备理解长达256K tokens上下文的能力，适用于处理长文档摘要、代码库分析等任务。

本次评测使用的是Qwen3-4B-Instruct-2507版本，基于公开镜像进行部署。

2.2 InternLM2-4B-Instruct 简介

InternLM2（书生·浦语）是由上海人工智能实验室推出的开源大语言模型系列，其4B参数版本专为高效推理和本地部署设计。该模型强调：

• 高效的训练架构与数据清洗策略；
• 在中小规模参数下保持较强的推理与对话能力；
• 支持中文场景深度优化，尤其在教育、科研类任务中表现稳定；
• 提供完整的微调与部署工具链。

作为国内另一条技术路线的代表，InternLM2 是 Qwen 系列的重要对标产品。

2.3 部署流程说明

本次测试均采用 CSDN 星图平台提供的预置镜像进行一键部署，确保环境一致性：

1. 登录平台后选择对应模型镜像（Qwen3-4B-Instruct或InternLM2-4B-Instruct）；
2. 选用单卡 4090D 算力资源启动实例；
3. 等待系统自动加载模型并完成初始化；
4. 进入“我的算力”页面，点击“网页推理”即可进入交互界面开始测试。

整个过程无需编写代码或手动配置依赖，极大降低了测试门槛，适合快速验证模型能力。

3. 测试设计与评估标准

为了全面评估两者的数学推理能力，我们设计了一套包含50道题目的测试集，涵盖以下五类常见题型：

• 基础算术与单位换算（10题）
• 初等代数与方程求解（10题）
• 数列规律识别与推导（8题）
• 概率与组合问题（10题）
• 实际应用题（如行程、利润、比例分配等，12题）

每道题目均为自然语言描述，模拟真实用户提问方式，避免格式诱导。所有输入均未添加额外提示词（如“请逐步思考”），仅以原始问题提交，考察模型的默认推理行为。

3.1 评分标准

采用三级评分机制：

最终得分 = 总分 / 100 × 100%，即最高为100分。

此外，还记录以下辅助指标：

• 是否尝试分步解答
• 是否出现幻觉（虚构公式或定理）
• 对模糊条件的处理能力
• 输出语言是否简洁易懂

4. 实测结果与案例分析

4.1 整体成绩对比

从整体来看，Qwen3-4B-Instruct 在准确率和稳定性上略胜一筹，尤其在复杂应用题和概率题中表现更为稳健。

4.2 典型题目表现对比

示例1：基础代数题

问题：一个数的3倍加上5等于17，这个数是多少？

Qwen3 回答： 设这个数为 x。
根据题意：3x + 5 = 17
移项得：3x = 12
解得：x = 4
答：这个数是4。

推理清晰，步骤规范，得2分。

InternLM2 回答： 我们可以列出方程：3x + 5 = 17
两边减去5：3x = 12
除以3：x = 4
所以答案是4。

同样完整，得2分。

小结：两者在简单线性方程上均表现良好。

示例2：数列推理题

问题：找规律：2, 6, 12, 20, 30, ? 下一个数是多少？

Qwen3 回答： 观察数列：
2 = 1×2
6 = 2×3
12 = 3×4
20 = 4×5
30 = 5×6
因此下一个应为 6×7 = 42。
答：42。

规律提取准确，表达清楚，得2分。

InternLM2 回答： 差值序列：6-2=4, 12-6=6, 20-12=8, 30-20=10，呈+2递增，所以下一个差值是12，30+12=42。
答案是42。

使用差分法同样正确，得2分。

小结：两种不同思路都成功解题，体现模型多样性。

示例3：概率题（挑战题）

问题：掷两枚公平骰子，点数之和为7的概率是多少？

Qwen3 回答： 两枚骰子共有6×6=36种可能组合。
和为7的情况有：(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)，共6种。
因此概率为 6/36 = 1/6。
答：1/6。

完全正确，列举详尽，得2分。

InternLM2 回答： 总共有36种结果。
和为7的组合有6种，所以概率是6/36=1/5？不对，应该是1/6。
最终答案：1/6。

虽然最终纠正，但在中间出现了“1/5”的错误推断，存在短暂逻辑混乱，扣0.5分，得1.5分。

小结：Qwen3 更加稳定，InternLM2 存在临时误判风险。

示例4：应用题（含歧义）

问题：小明买书花了60元，比预算多了1/5，他的预算是多少？

Qwen3 回答： 设预算是 x 元。
实际花费比预算多1/5，即花费是预算的 1 + 1/5 = 6/5 倍。
所以 (6/5)x = 60
解得 x = 60 × 5 ÷ 6 = 50
答：预算是50元。

正确建立关系式，得2分。

InternLM2 回答： 多花了1/5，说明超支部分是预算的1/5。
设预算为x，则 (1/5)x = 60 - x
解得：x + (1/5)x = 60 → (6/5)x = 60 → x = 50
答：50元。

虽然路径不同，但逻辑成立，得2分。

小结：两者都能处理带分数的应用题，建模能力较强。

示例5：典型失败案例

问题：一个正方形面积是圆的两倍，边长为4，求圆的半径。（保留根号）

Qwen3 回答： 正方形面积 = 4×4 = 16
圆面积 = 16 ÷ 2 = 8
由 πr² = 8 得 r² = 8/π，故 r = √(8/π) = 2√(2/π)
答：半径是 2√(2/π)

数学正确，形式规范，得2分。

InternLM2 回答： 正方形面积是16，圆面积就是8。
πr² = 8 → r² = 8/π → r = √(8/π) ≈ 1.596
答：约1.60

❌ 虽然计算无误，但题目明确要求“保留根号”，却给出近似值，未遵循指令，得1分。

小结：Qwen3 对指令遵循更强，InternLM2 更倾向于“实用化”输出，可能影响严谨场景使用。

5. 关键差异总结

5.1 优势对比

5.2 使用建议

• 若你的应用场景注重精确性、可解释性和合规性（如教育辅导、金融计算、考试系统），推荐优先选用Qwen3-4B-Instruct。
• 若你更看重部署效率、本地化支持和生态完整性，且任务对精度容忍度较高（如日常问答、内容生成辅助），InternLM2依然是非常优秀的选择。

6. 总结

通过对 Qwen3-4B-Instruct-2507 与 InternLM2-4B-Instruct 在数学推理任务上的系统评测可以看出，尽管两者同属4B级别模型，但在实际表现上存在一定差距。Qwen3 在逻辑严密性、指令遵循能力和抗幻觉方面展现出更强的工程优化成果，尤其在需要高可靠性的数学任务中更具优势。

这背后可能得益于其更大规模的高质量训练数据、更精细的指令微调策略以及对长上下文理解能力的强化。而 InternLM2 虽然整体表现稳健，但在面对稍复杂的推理链条时仍会出现不稳定现象，提示其在推理链稳定性方面还有优化空间。

对于开发者而言，选择哪个模型不应只看参数大小或发布机构，而应结合具体业务需求进行实测验证。本次对比表明，在数学类任务中，Qwen3-4B-Instruct 更值得信赖，尤其是在需要“零容错”的生产环境中。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。