---

阿里Qwen3凌晨开源，正式登顶全球开源大模型王座！它的性能全面超越DeepSeek-R1和OpenAI o1，采用MoE架构，总参数235B，横扫各大基准。这次开源的Qwen3家族，8款混合推理模型全部开源，免费商用。

就在今天凌晨，备受全球期待的阿里新一代通义千问模型Qwen3开源！

一经问世，它立刻登顶全球最强开源模型王座。

它的参数量仅为DeepSeek-R1的1/3，但成本大幅下降，性能全面超越R1、OpenAI-o1等全球顶尖模型。

Qwen3是国内首个「混合推理模型」，「快思考」与「慢思考」集成进同一个模型，对简单需求可低算力「秒回」答案，对复杂问题可多步骤「深度思考」，大大节省算力消耗。

它采用混合专家（MoE）架构，总参数量235B，激活仅需22B。

它的预训练数据量达36T ，并在后训练阶段多轮强化学习，将非思考模式无缝整合到思考模型中。

一经诞生，Qwen3立刻横扫各大基准。

而且，性能大幅提升的同时，它的部署成本还大幅下降，仅需4张H20即可部署Qwen3满血版，显存占用仅为性能相近模型的1/3！

亮点总结：

· 各种尺寸的稠密模型和混合专家（MoE）模型，包括0.6B、1.7B、4B、8B、14B、32B以及30B-A3B和235B-A22B。  

· 能够在思考模式（用于复杂的逻辑推理、数学和编码）和非思考模式（用于高效的通用聊天）之间无缝切换，从而确保在各种场景中实现最佳性能。 

· 推理能力显著增强，在数学、代码生成和常识逻辑推理方面，超越了之前处于思考模式下的QwQ和处于非思考模式下的Qwen2.5 instruct模型。

· 更符合人类偏好，擅长创意写作、角色扮演、多轮对话和指令遵循，从而提供更自然、引人入胜和更真实的对话体验。  

· 精通AI智能体能力，支持在思考和非思考模式下与外部工具的精确集成，并在复杂的基于智能体的任务中，在开源模型中实现了领先的性能。  

· 首次支持119种语言和方言，具有强大的多语言指令跟随和翻译能力。

目前，Qwen 3已同步上线魔搭社区、Hugging Face、GitHub，并可在线体验。

全球开发者、研究机构和企业均可免费下载模型并商用，也可以通过阿里云百炼调用Qwen3的API服务。个人用户可立即通过通义APP直接体验Qwen3，夸克也即将全线接入Qwen3。

在线体验：https://chat.qwen.ai/

魔搭社区：https://modelscope.cn/collections/Qwen3-9743180bdc6b48

Hugging Face：https://huggingface.co/collections/Qwen/qwen3-67dd247413f0e2e4f653967f

GitHub：https://github.com/QwenLM/Qwen3

至此，阿里通义已开源200余个模型，全球下载量超3亿次，千问衍生模型数超10万个，彻底超越美国Llama，成为全球第一开源模型！

Qwen 3家族登场

8款「混合推理」模型全开源

这次，阿里一口气开源了8款混合推理模型，包括2款30B、235B的MoE模型，以及0.6B、1.7B、4B、8B、14B、32B等6款稠密模型，均采用 Apache 2.0许可。

其中，每款模型均斩获同尺寸开源模型SOTA。

Qwen3的30B参数MoE模型实现了10倍以上的模型性能杠杆提升，仅激活3B就能媲美上代Qwen2.5-32B模型性能。

Qwen3的稠密模型性能继续突破，一半的参数量可实现同样的高性能，如32B版本的Qwen3模型可跨级超越Qwen2.5-72B性能。

同时，所有Qwen3模型都是混合推理模型，API可按需设置「思考预算」（即预期最大深度思考的tokens数量），进行不同程度的思考，灵活满足AI应用和不同场景对性能和成本的多样需求。

比如，4B模型是手机端的绝佳尺寸；8B可在电脑和汽车端侧丝滑部署应用；32B最受企业大规模部署欢迎，有条件的开发者也可轻松上手。

开源模型新王，刷新纪录

Qwen3在推理、指令遵循、工具调用、多语言能力等方面均大幅增强，即创下所有国产模型及全球开源模型的性能新高——

在奥数水平的AIME25测评中，Qwen3斩获81.5分，刷新开源纪录。

在考察代码能力的LiveCodeBench评测中，Qwen3突破70分大关，表现甚至超过Grok3。

在评估模型人类偏好对齐的ArenaHard测评中，Qwen3以95.6分超越了OpenAI-o1及DeepSeek-R1。

具体来说，旗舰模型 Qwen3-235B-A22B与其他顶级模型（如DeepSeek-R1、o1、o3-mini、Grok-3和Gemini-2.5-Pro）相比，在编码、数学、通用能力等各项基准测试中，成绩都相当亮眼。

此外，小型混合专家模型Qwen3-30B-A3B虽然激活参数只有QwQ-32B的十分之一，但性能却更胜一筹。

甚至是Qwen3-4B这样的小模型，也能媲美Qwen2.5-72B-Instruct的性能。

经过微调的模型，如Qwen3-30B-A3B，及其预训练版本（如 Qwen3-30B-A3B-Base），现在都可在Hugging Face、ModelScope 和Kaggle等平台上找到。

对于部署，阿里推荐使用SGLang和vLLM等框架。对于本地使用，强烈推荐Ollama、LMStudio、MLX、llama.cpp和KTransformers等工具。

无论研究、开发还是生产环境，Qwen3都可轻松集成到各种工作流程中。

利好智能体Agent和大模型应用爆发

可以说，Qwen3为即将到来的智能体Agent和大模型应用爆发提供了更好的支持。

在评估模型Agent能力的BFCL评测中，Qwen3创下70.8的新高，超越Gemini2.5-Pro、OpenAI-o1等顶尖模型，这将大幅降低Agent调用工具的门槛。

同时，Qwen3原生支持MCP协议，并具备强大的工具调用能力，结合封装了工具调用模板和工具调用解析器的Qwen-Agent框架。

这将大大降低编码复杂性，实现高效的手机及电脑Agent操作等任务。

主要特点

混合推理模式

Qwen3模型引入了一种混合问题解决方式。它们支持两种模式：

1. 思考模式：在该模式下，模型会逐步推理，然后给出答案。这适合需要深入思考的复杂问题。

2. 非思考模式：在该模式下，模型会快速给出答案，适用于对速度要求较高的简单问题。

这种灵活性，让用户可以根据任务的复杂程度，控制模型的推理过程。

例如，难题可以通过扩展推理来解决，而简单的问题可以直接回答，而不会延迟。

至关重要的是，这两种模式的结合，大大提高了模型稳定高效地控制推理资源的能力。

如上所示，Qwen3表现出可扩展且平滑的性能改进，这与分配的计算推理预算直接相关。

这种设计使用户能够更轻松地配置特定于任务的预算，从而在成本效率和推理质量之间实现更优化的平衡。

多语言支持

Qwen3模型支持119种语言和方言。

如此广泛的多语言能力，也意味着Qwen 3有极大潜力创建风靡全球的国际应用。

更强大的智能体能力

阿里对Qwen3模型进行了优化，以提高编码和智能体能力，并且还加强了对MCP的支持。

下面这个示例，很好地展示了Qwen3是如何思考并与环境交互的。

36万亿token，多阶段训练

作为千问系列最强模型，Qwen3究竟是如何实现如此惊艳的表现？

接下来，一起扒一扒Qwen3背后技术细节。

预训练

与Qwen2.5相比，Qwen3预训练数据集规模几乎是上一代两倍，从18万亿个token扩展到了36万亿个token。

它覆盖了119种语言和方言，不仅来源于网络，还包括从PDF等文档中提取文本内容。

为了确保数据质量，团队利用Qwen2.5-VL提取文档文本，并通过Qwen2.5优化提取内容的准确性。

此外，为了提升模型在数学和代码领域的表现，Qwen3还通过Qwen2.5-Math和Qwen2.5-Coder生成大量合成数据，包括教科书、问答对和代码片段。

Qwen3预训练过程，一共分为三个阶段，逐步提升模型的能力：

第一阶段（S1）：基础语言能力构建

使用超30万亿个token，以4k上下文长度进行预训练。这一阶段为模型奠定了扎实的语言能力和通用知识基础。

第二阶段（S2）：知识稠密型优化

通过增加STEM、编码和推理任务等知识稠密型数据的比例，模型在额外5万亿和token上继续训练，进一步提升专业能力的表现。

第三阶段（S3）：上下文能力扩展

利用高质量上下文数据，将模型的上下文长度扩展至32k，确保其能够处理复杂、超长输入。

得益于模型架构优化、数据规模扩展和更高效的训练方法，Qwen3 Dense基础模型展现出亮眼的性能。

如下表所示，Qwen3-1.7B/4B/8B/14B/32B-Base可以媲美Qwen2.5-3B/7B/14B/32B/72B-Base，以更小的参数量达到更大模型的水平。

尤其是，在STEM、编码和推理等领域，Qwen3 Dense基础模型甚至优于更大的Qwen2.5模型。

更令人瞩目的是，Qwen3 MoE模型仅用10%激活参数，即可实现Qwen2.5 Dense基础模型相似的性能。

这不仅大幅降低了训练和推理成本，还为模型的实际部署提供了更高的灵活性。

后训练

为了打造一个既能进行复杂推理，又能快速响应的混合模型，Qwen3设计了一个四阶段后训练流程。

1. 长思维链冷启动

使用多样化的长思维链数据，覆盖数学、编码、逻辑推理和STEM问题，训练模型掌握基本的推理能力。

2. 长思维链强化学习

通过扩展RL的计算资源，结合基于规则的奖励机制，提升模型在探索和利用推理路径方面的能力。

3. 思维模式融合

使用长思维链数据和指令微调数据进行微调，将快速反应能力融入推理模型，确保模型在复杂任务中既精准又高效。

此数据由第二阶段的增强思考模型生成，确保推理和快速响应能力的无缝融合。

4. 通用强化学习

在20多个通用领域任务，如指令遵循、格式遵循和智能体能力中应用RL，进一步提升模型的通用性和鲁棒性，同时纠正不良行为。

全网好评如潮

Qwen3开源不到3小时，GitHub狂揽17k星，彻底点燃了开源社区的热情。开发者们纷纷下载，开启了极速测试。

项目地址：https://github.com/QwenLM/Qwen3

苹果工程师Awni Hannun宣布，Qwen3已经得到MLX框架支持。

而且，不论是iPhone（0.6B, 4B），还是MacBook（8B, 30B, 3B/30B MoE）、M2/M3 Ultra（22B/235B MoE）消费级设备，均可本地跑。

他在M2 Ultra上运行了Qwen3 235B MoE，生成速度高达28 token/s。

有网友实测后发现，与Qwen3大小相同的Llama模型，简直不在一个级别上。前者推理更深入，保持更长上下文，还能解决更难的问题。

还有人表示，Qwen3就像是一个DeepSeek时刻。

官方指南

如何用Qwen3进行开发

这次，阿里还放出了在不同框架上使用Qwen3的简单指南。

首先，这是一个在Hugging Face transformers中使用Qwen3-30B-A3B的标准示例：

from modelscope import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen3-30B-A3B"
# load the tokenizer and the modeltokenizer = AutoTokenizer.from_pretrained(model_name)model = AutoModelForCausalLM.from_pretrained(    model_name,    torch_dtype="auto",    device_map="auto")
# prepare the model inputprompt = "Give me a short introduction to large language model."messages = [    {"role": "user", "content": prompt}]text = tokenizer.apply_chat_template(    messages,    tokenize=False,    add_generation_prompt=True,    enable_thinking=True # Switch between thinking and non-thinking modes. Default is True.)model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
# conduct text completiongenerated_ids = model.generate(    **model_inputs,    max_new_tokens=32768)output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 
# parsing thinking contenttry:    # rindex finding 151668 (</think>)    index = len(output_ids) - output_ids[::-1].index(151668)except ValueError:    index = 0
thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")
print("thinking content:", thinking_content)print("content:", content)

要关闭推理功能，只需更改参数enable_thinking，如下所示：​​​​​​​

text = tokenizer.apply_chat_template(    messages,    tokenize=False,    add_generation_prompt=True,    enable_thinking=False  # True is the default value for enable_thinking.)

对于部署，可以使用sglang>=0.4.6.post1或vllm>=0.8.4创建与OpenAI兼容的API端点：

SGLang：

python -m sglang.launch_server --model-path Qwen/Qwen3-30B-A3B --reasoning-parser qwen3

vLLM：

vllm serve Qwen/Qwen3-30B-A3B --enable-reasoning --reasoning-parser deepseek_r1

如果将其用于本地开发，则可以通过运行简单的命令ollama run qwen3:30b-a3b来使用ollama运行模型，或者，也可使用LMStudio、llama.cpp和ktransformers在本地进行构建。

高级用法

团队提供了一种软切换机制，当enable_thinking=True时，用户可以通过该机制动态控制模型的行为。

具体来说，可以将/think和/no_think添加到用户提示或系统消息中，以逐轮切换模型的思考模式。该模型将遵循多轮对话中最近的指令。

下面就是一个多轮对话的示例：​​​​​​​

from transformers import AutoModelForCausalLM, AutoTokenizerclass QwenChatbot:    def __init__(self, model_name="Qwen/Qwen3-30B-A3B"):        self.tokenizer = AutoTokenizer.from_pretrained(model_name)        self.model = AutoModelForCausalLM.from_pretrained(model_name)        self.history = []    def generate_response(self, user_input):        messages = self.history + [{"role": "user", "content": user_input}]        text = self.tokenizer.apply_chat_template(            messages,            tokenize=False,            add_generation_prompt=True        )        inputs = self.tokenizer(text, return_tensors="pt")        response_ids = self.model.generate(**inputs, max_new_tokens=32768)[0][len(inputs.input_ids[0]):].tolist()        response = self.tokenizer.decode(response_ids, skip_special_tokens=True)        # Update history        self.history.append({"role": "user", "content": user_input})        self.history.append({"role": "assistant", "content": response})        return response# Example Usageif __name__ == "__main__":    chatbot = QwenChatbot()    # First input (without /think or /no_think tags, thinking mode is enabled by default)    user_input_1 = "How many r's in strawberries?"    print(f"User: {user_input_1}")    response_1 = chatbot.generate_response(user_input_1)    print(f"Bot: {response_1}")    print("----------------------")    # Second input with /no_think    user_input_2 = "Then, how many r's in blueberries? /no_think"    print(f"User: {user_input_2}")    response_2 = chatbot.generate_response(user_input_2)    print(f"Bot: {response_2}")     print("----------------------")    # Third input with /think    user_input_3 = "Really? /think"    print(f"User: {user_input_3}")    response_3 = chatbot.generate_response(user_input_3)    print(f"Bot: {response_3}")

智能体功能的使用

Qwen3在工具调用方面的表现非常出色。

团队建议开发者使用Qwen-Agent，来充分利用Qwen3的智能体功能。

Qwen-Agent在内部集成了工具调用模板和解析器，从而大大降低了编码的复杂程度。

要定义可用的工具，可以使用MCP配置文件，使用Qwen-Agent的集成工具，或者自己集成其他工具。​​​​​​​​​​​​​​

from qwen_agent.agents import Assistant# Define LLMllm_cfg = {    'model': 'Qwen3-30B-A3B',    # Use the endpoint provided by Alibaba Model Studio:    # 'model_type': 'qwen_dashscope',    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),    # Use a custom endpoint compatible with OpenAI API:    'model_server': 'http://localhost:8000/v1',  # api_base    'api_key': 'EMPTY',    # Other parameters:    # 'generate_cfg': {    #         # Add: When the response content is `<think>this is the thought</think>this is the answer;    #         # Do not add: When the response has been separated by reasoning_content and content.    #         'thought_in_content': True,    #     },}# Define Toolstools = [    {'mcpServers': {  # You can specify the MCP configuration file            'time': {                'command': 'uvx',                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']            },            "fetch": {                "command": "uvx",                "args": ["mcp-server-fetch"]            }        }    },  'code_interpreter',  # Built-in tools]# Define Agentbot = Assistant(llm=llm_cfg, function_list=tools)# Streaming generationmessages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ Introduce the latest developments of Qwen'}]for responses in bot.run(messages=messages):    passprint(responses)

 

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】