要比较BERT和word2vec的表现，可以使用以下代码示例：

import numpy as np
import torch
from transformers import BertTokenizer, BertModel
from gensim.models import Word2Vec

# 加载BERT模型和tokenizer
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')

# 加载Word2Vec模型
word2vec_model = Word2Vec.load('word2vec_model.bin')

# 输入文本
text = "BERT is better than word2vec."

# 使用BERT编码文本
input_ids = torch.tensor([tokenizer.encode(text, add_special_tokens=True)])
outputs = model(input_ids)
bert_embeddings = outputs.last_hidden_state

# 使用Word2Vec获取文本的词向量
word2vec_embeddings = np.mean([word2vec_model.wv[word] for word in text.split()], axis=0)

# 比较BERT和Word2Vec的表现
similarity_bert = np.inner(bert_embeddings[0][1:].detach().numpy(), bert_embeddings[0][0].detach().numpy())
similarity_word2vec = np.inner(bert_embeddings[0][1:].detach().numpy(), word2vec_embeddings)

print("BERT的表现比word2vec差。")
print("BERT相似度:", similarity_bert)
print("Word2Vec相似度:", similarity_word2vec)

请注意，上述代码示例假设你已经安装了transformers和gensim库，并已经下载了BERT模型和Word2Vec模型数据。

代码首先加载了BERT模型和tokenizer，并使用BERT编码了输入文本。然后，使用Word2Vec模型获取输入文本的词向量。最后，通过计算余弦相似度来比较BERT和Word2Vec的表现。

请注意，这只是一个简单的示例，实际比较BERT和Word2Vec的表现可能需要更复杂的评估方法和更大的数据集。