Qwen3 性能全面超越 R1、OpenAI-o1 等全球顶尖模型，旗舰型号的参数量仅为 DeepSeek-R1 的 1/3。

2025 年已经过去 1/3，如果用关键词来概括 AI 领域的发展你会想到什么？这是我想到的：开源、创新加速加速加速。

2 月是「DeepSeek」的，R1 以所有人意想不到的方式，让全球执牛耳的 AI 开发者、创业者、投资人把目光锁定在「DeepSeek」「中国」「开源」上。

4 月是「开源模型」的，发令枪是 Meta 喊的。被 DeepSeek 盖过风头后，2025 年 2 月 19 日，坐不住的 Meta 率先官宣——首个生成式 AI 开发者大会 LlamaCon 将于当地 4 月 29 日（北京时间 4 月 30 日）举行，颇有重新夺回「AI 开源界老大」江湖地位的意欲。

但 AI 领域的产品发布节奏就是很微妙，什么时候发布似乎取决于对手的动作，作为一种心照不宣的默契，Meta 一声枪响让 4 月底成为开源模型的主场。

整个 4 月甚至更早，AI 开发者们都在各大社交平台「蹲」开源领域「三大头牌」的新发布：DeepSeek-R2、Qwen3 以及 Llama4。Llama4 由于本月初的发布低于预期，似乎少了一些热度。

目前看起来，4 月底最受关注的还是中国队，R2 呼之欲出，Qwen3 终于来了。

4 月 29 日凌晨 5 点，阿里巴巴开源新一代通义千问模型 Qwen3，参数量仅为 DeepSeek-R1 的 1/3，成本大幅下降，性能全面超越 R1、OpenAI-o1 等全球顶尖模型，登顶全球最强开源模型。X 平台的开发者网友甚至把今天定义为「Happy Qwen3 Day」，不仅因为 Qwen3 全面超越 R1，更因为 Qwen3 家族的多尺寸、内置 MCP 支持、支持混合推理等实用性的功能点。

官方技术报告进一步给出了 Qwen3 的几大亮点：

• 「探索智能上限」再突破：通过扩大预训练和强化学习的规模，实现了更高层次的智能；

• 国内首个「混合推理模型」：无缝集成了思考模式与非思考模式，为用户提供了灵活控制思考预算的能力；

• 增强了 Agent 能力：正从专注于训练模型的时代过渡到以训练 Agent 为中心的时代。

对于 Qwen3，个人用户现在就可以在「通义」APP 或 chat.qwen.ai 网页直接体验，夸克也即将全线接入 Qwen3。开发者和企业则可以免费在魔搭社区、HuggingFace 等平台下载模型并商用，或通过阿里云百炼调用 Qwen3 的 API 服务。

憋了这么久的 Qwen3 到底怎么样？又代表哪些模型发展的趋势？

01

Qwen3，登顶全球最强开源模型

Qwen3 包含 2 个 MoE 和 6 个密集模型，阿里云开源了两个 MoE 模型的权重，六个 Dense 模型也已开源，包括 Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B 和 Qwen3-0.6B，均在 Apache 2.0 许可下开源。

Qwen3 开源模型家族

其中，旗舰型号 Qwen3-235B-A22B 参数量仅为 DeepSeek-R1 的 1/3，成本大幅下降，性能全面超越 R1、OpenAI-o1 等全球顶尖模型，登顶全球最强开源模型。

此外，据阿里云官方介绍，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。

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，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 OpenAI-o1 及 DeepSeek-R1。

性能大幅提升的同时，Qwen3 的部署成本还大幅下降，仅需 4 张 H20 即可部署千问 3 满血版，显存占用仅为性能相近模型的三分之一。

Qwen3 性能｜图片来源：阿里云

此外，小型 MoE 模型Qwen3-30B-A3B 的激活参数数量是 QwQ-32B 的 10%，表现更胜一筹，甚至像 Qwen3-4B 这样的小模型也能匹敌 Qwen2.5-72B-Instruct 的性能。

据介绍，Qwen3-235B-A22B 是一个拥有 2350 多亿总参数和 220 多亿激活参数的大模型；Qwen3-30B-A3B 则是一个拥有约 300 亿总参数和 30 亿激活参数的小型 MoE 模型。

得益于在预训练、大规模强化学习和推理模式整合方面取得的显著进展，Qwen3 主打「思考更深、行动更快」，更好地构建 AI 应用。Qwen3 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。

值得注意的是，这次 Qwen3 的发布，主打混合推理，但是需要思考的长度最短也是 1024tokens，否则如果问题所需要的推理预算用不满 1024tokens，根本感受不到可以调节精度的混合推理模型的好。也就无法发挥用 Qwen3 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。

截图来源：X

02

大模型全面转向

「混合推理模型」和「Agent」

在 Qwen3 发布的前一天，X 平台已有「行业人士」——日本的大模型厂商 SakanaAI 的一位工程师敏锐地捕捉到了 Qwen3 的重点。当天，在 AI 领域最重要的学术会议之一 ICLR 2025 的一个工作坊上，阿里云通义实验室通义千问负责人林俊旸透露了 Qwen 的下一步方向：推理模型和非推理模型的统一，以及面向 agent 的大模型。

这正是今天发布的 Qwen3 最大的两个特点，同时也是大模型厂商们正在集体发生的转向。

2025 年 2 月 25 日，Anthropic 发布了最新的旗舰模型 Claude 3.7 Sonnet，同时也称作是市场上首个混合推理模型。这意味着 Claude 3.7 Sonnet 能够生成即时的响应（快思考），也可以进行延展的、逐步的思考（慢思考）。API 用户还可以细粒度地控制模型的思考时长；当给定更长的思考时间，理论上会有更高质量的答案。

Anthropic 表示，混合推理模型的架构代表下一代前沿模型，可以让模型像人类用同一个大脑一样，既能快速反应又能深度思考，这既能为用户创造更无缝的体验，也能让用户通过 API 使用 Claude 3.7 Sonnet 时，可以控制思考的预算。比如：可以告诉 Claude 最多思考 N 个 token，N 的取值可以达到其输出限制的 128K token，从而在回答质量与速度（及成本）之间进行权衡。

「混合推理架构」也得到了 OpenAI 的青睐。Sam Altman 在更早的时间看到，当前的模型和产品供应已经变得非常复杂，希望 AI 能「开箱即用」、简化产品供应，「我们和你一样讨厌模型选择器，想要回归神奇的统一智能，之后，我们的一个重要目标是通过创建能够使用我们所有工具、知道何时需要长时间思考或不需要的系统，统一 o 系列模型和 GPT 系列模型，整体上能广泛适用于各种任务。」

就像在 DeepSeek-R1 里一样，点选「深度思考」背后调用的是推理模型 R1 做的长推理，不选则调用的是基座模型 V3 即时生成的答案。现在，模型厂商把「思考的颗粒度」这个选择权更灵活、广泛地交给用户来控制推理预算。

在 Qwen3 中，可以滑动「思考预算」的按钮，来控制思考的最大长度，从而匹配合适的推理质量和成本。

在思考模式下，Qwen3 模型会逐步推理，经过深思熟虑后给出最终答案，适合需要深入思考的复杂问题。在非思考模式下，模型提供快速、近乎即时的响应，适用于那些对速度要求高于深度的简单问题。这种灵活性使用户能够根据具体任务控制模型进行「思考」的程度。这两种模式的结合大大增强了模型实现稳定且高效的「思考预算」控制能力，在成本效益和推理质量之间实现更优的平衡。

另一个模型厂商的转向则是 Agent。随着 Manus 验证了 Claude 3.5 Sonnet 达到了通用 agent 的一些能力，加上模型调用工具、实现 agent 能力的统一协议——MCP 在越来越大的范围内被拥抱，下一代模型要面向 agent、面向实际场景来优化。

就 Qwen3 来说，正在迈向以训练 Agent 为中心的阶段，当前 Qwen3 优化了 Agent 和 代码能力，同时也加强了对 MCP 的支持。据称，Qwen3 原生支持 MCP 协议，并具备强大的工具调用（function calling）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，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。

03

开源模型新一轮竞赛开启

Qwen3 的发布，意味着开源模型领域新一轮「三国杀」已然开始。

事实上，随着 DeepSeek 的横空出世，加上 OpenAI、字节等大厂调整对开源的态度，开源已然成为大模型赛道的大势所趋。而 Llama、Qwen 和 DeepSeek，正是目前开源领域最有竞争力的玩家。

Hugging Face 联合创始人、CEO Clement Delangue 发推暗示 DeepSeek 即将带来新发布。｜截图来源：X

而此前 OpenAI 和 DeepSeek 的成功已经证明，互联网时代的生态、用户和产品壁垒，今天在 AI 时代并没有互联网时代那样牢不可摧，模型能力才是基础大模型公司的核心竞争力。而 Llama、Qwen 和 DeepSeek 的胜者，有可能在下一个发布周期到来前（至少在 OpenAI 的开源模型发布前），成为整个 AI 行业的引领者。

虽然新一代模型能力的强弱，还要等待 Llama 和 DeepSeek 的发布，但值得关注的是，这三家开源模型厂商的生态策略亦有差异，这点从模型的侧重点就能看出端倪。

DeepSeek 和 Meta 的侧重点也有不同，但一个共同点都是不太重视 ToB，至少是在服务生态的建设上并不成功。而这点也是 Qwen 和其背后的阿里云最重视的部分。

极客公园曾在此前的文章里写过，脱胎于阿里云 Qwen，是最有以开源模型技术领先性、广泛全面开源的策略，追求生态建设的架势。阿里的 AI 战略里除了追求 AGI，也同样重视 AI 基础设施建设，以及更上层的与阿里的电商、钉钉、夸克等 AI 应用的结合。

此前，阿里云智能集团资深副总裁、公共云事业部总裁刘伟光表示，「阿里云是全世界唯一一家积极研发基础大模型并全方位开源、全方位贡献的云计算厂商。」

而 Qwen 模型下载量和衍生模型数量这两个衡量的生态的指标也同样领先。根据阿里云官方的最新数据，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，已经超越 Llama 位居全球开源模型的第一。

而新模型选择在进一步优化推理成本、混合推理和 Agent 上发力，显然 Qwen 瞄准的是开发者和 B 端用户的部署需求。这也将成为 Qwen 与 DeepSeek、Llama、OpenAI 等竞争对手最大的不同，也是阿里能否赢得 AI 时代的一张船票的关键所在。

 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】