近日，阿里通义千问团队发布了全新一代大模型Qwen 3，该模型一经推出便登顶全球开源模型王座。与前代产品相比，Qwen 3在推理能力、多语言支持和部署成本等方面均有显著突破，其旗舰模型Qwen3-235B-A22B的性能堪比甚至超越了DeepSeek-R1、OpenAI的o1、o3-mini、XAI的Grok-3和谷歌的Gemini-2.5-Pro等顶级模型。
全面开源的Qwen 3家族
Qwen 3系列模型依旧采用宽松的Apache 2.0协议开源，全球开发者、研究机构和企业均可免费下载模型并进行商用。此次开源的Qwen 3家族包含两款MoE模型和六款密集模型：
- MoE模型：
- Qwen3-235B-A22B（总参数量235B，激活参数量22B）
- Qwen3-30B-A3B（总参数量30B，激活参数量3B）
- 密集模型：
- Qwen3-32B
- Qwen3-14B
- Qwen3-8B
- Qwen3-4B
- Qwen3-1.7B
- Qwen3-0.6B
值得注意的是，尽管Qwen3-235B-A22B的总参数量远大于其他开源模型，但其实际部署成本却大幅下降——仅需4张H20即可部署满血版，显存占用仅为性能相近模型的三分之一。
横扫各大基准测试的卓越性能
Qwen 3系列在各项专业评测中表现出色，刷新了多项开源模型记录：
- 在奥数水平的AIME25测评中，Qwen3斩获81.5分，刷新开源纪录
- 在评估代码能力的LiveCodeBench测评中，Qwen3突破70分大关，表现超过Grok-3
- 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
- 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
即使是较小的模型，如Qwen3-4B，也能媲美Qwen2.5-72B-Instruct的性能，展现出显著的效率提升。小型MoE模型Qwen3-30B-A3B的激活参数量仅为QwQ-32B的十分之一，但性能却更胜一筹。
突破性的”混合推理”模式
Qwen3最大的创新之一是引入了”混合推理”模式，支持在思考模式和非思考模式之间无缝切换：
- 思考模式：模型逐步推理，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
- 非思考模式：模型提供快速、近乎即时的响应，适用于对速度要求高于深度的简单问题
用户可以根据任务复杂度灵活控制模型的推理过程，甚至可以设置”思考预算”（即预期最大深度思考的tokens数量），在性能和成本间找到最佳平衡点。基准测试显示，在AIME24、AIME25、LiveCodeBech(v5)和GPQA Diamond等任务中，思考模式可显著提升模型表现。
阿里提供了简单的软切换机制，用户可以在对话中通过添加”/think”和”/no_think”标签动态控制模型的思考模式。
多语言支持与Agent能力增强
Qwen3模型支持119种语言和方言，大幅扩展了其全球应用潜力。同时，模型的Agent和代码能力也得到显著增强：
- 原生支持MCP协议
- 强大的工具调用能力
- 配合Qwen-Agent框架，大大降低编码复杂性
- 在复杂的基于智能体的任务中，实现了领先的性能
强大技术基础：36万亿token预训练
Qwen3的卓越性能建立在庞大的训练数据和精心设计的训练流程上：
- 预训练数据量达36万亿token，几乎是Qwen2.5的两倍
- 覆盖119种语言和方言
- 除网络数据外，还包括从PDF等文档中提取的高质量信息
- 利用Qwen2.5-Math和Qwen2.5-Coder生成大量合成数据，增强数学和代码能力
预训练过程分为三个阶段：
- 基础语言能力构建：在超30万亿个token上预训练，上下文长度为4K token
- 知识稠密型优化：增加STEM、编程和推理任务等数据比例，在额外5万亿token上继续训练
- 上下文能力扩展：使用高质量长上下文数据，将上下文长度扩展至32K token
后训练阶段采用四阶段流程，包括长思维链冷启动、长思维链强化学习、思维模式融合，以及通用强化学习，打造出既能进行复杂推理又能快速响应的混合模型。
社区反响与实际体验
Qwen3开源不到3小时，GitHub便狂揽17k星，引发开源社区热烈响应。苹果工程师Awni Hannun宣布，Qwen3已得到MLX框架支持，使得从iPhone到M2/M3 Ultra等各类苹果设备均可本地运行不同规格的Qwen3模型。
一些实际测试表明，Qwen3能轻松应对复杂的推理问题，如数学证明和编程任务。例如，在一项复杂的编程任务中（编写一个具有平头哥追赶功能的贪吃蛇游戏），Qwen3-235B-A22B仅用约3分钟就给出了可运行的代码。
有网友实测后发现，与相同参数量的Llama模型相比，Qwen3表现出明显优势，推理更深入，能保持更长上下文，并能解决更难的问题。
使用指南
Qwen3模型目前已上线魔搭社区、Hugging Face和GitHub，并可在线体验：
- 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
对于部署，官方推荐使用SGLang和vLLM等框架；对于本地使用，推荐Ollama、LMStudio、MLX、llama.cpp和KTransformers等工具。
这些工具确保用户可以轻松将Qwen3集成到各种工作流程中，无论是用于研究、开发还是生产环境。使用transformers库的标准示例如下：
from modelscope import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen3-30B-A3B"
# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype="auto",
device_map="auto"
)
# prepare the model input
prompt = "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.
)
结语
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，超越美国Llama，成为全球第一开源模型。Qwen3的开源不仅标志着中国AI技术又一重大突破，也为全球AI开发者社区提供了强大的新工具，推动了开源生态的繁荣发展。
