哈嘍！伙伴們，我是小智，你們的AI向?qū)?。歡迎來(lái)到每日的AI學(xué)習(xí)時(shí)間。今天，我們將一起深入AI的奇妙世界，探索“??Qwen3發(fā)布！成本碾壓DeepSeek，網(wǎng)友催M(jìn)eta??”，并學(xué)會(huì)本篇文章中所講的全部知識(shí)點(diǎn)。還是那句話“不必遠(yuǎn)征未知，只需喚醒你的潛能！”跟著小智的步伐，我們終將學(xué)有所成，學(xué)以致用，并發(fā)現(xiàn)自身的更多可能性。話不多說(shuō)，現(xiàn)在就讓我們開(kāi)始這場(chǎng)激發(fā)潛能的AI學(xué)習(xí)之旅吧。

??Qwen3發(fā)布！成本碾壓DeepSeek，網(wǎng)友催M(jìn)eta??：

4 月 29 日凌晨，在一眾預(yù)告和期待中，阿里巴巴終于發(fā)布并開(kāi)源了新一代通義千問(wèn)模型 Qwen3。

Qwen3 采用混合專(zhuān)家（MoE）架構(gòu)，總參數(shù)量 235B，激活僅需 22B。其中參數(shù)量?jī)H為 DeepSeek-R1 的 1/3，成本大幅下降，性能全面超越 R1、OpenAI-o1 等全球頂尖模型。

Qwen3 還是國(guó)內(nèi)首個(gè)“混合推理模型”，“快思考”與“慢思考”集成進(jìn)同一個(gè)模型，對(duì)簡(jiǎn)單需求可低算力“秒回”答案，對(duì)復(fù)雜問(wèn)題可多步驟“深度思考”，大大節(jié)省算力消耗。

Qwen3 在推理、指令遵循、工具調(diào)用、多語(yǔ)言能力等方面均大幅增強(qiáng)。在官方的測(cè)評(píng)中，Qwen3 創(chuàng)下所有國(guó)產(chǎn)模型及全球開(kāi)源模型的性能新高：在奧數(shù)水平的 AIME25 測(cè)評(píng)中，Qwen3 斬獲 81.5 分，刷新開(kāi)源紀(jì)錄；在考察代碼能力的 LiveCodeBench 評(píng)測(cè)中，Qwen3 突破 70 分大關(guān)，表現(xiàn)甚至超過(guò) Grok3；在評(píng)估模型人類(lèi)偏好對(duì)齊的 ArenaHard 測(cè)評(píng)中，Qwen3 以 95.6 分超越 OpenAI-o1 及 DeepSeek-R1。

性能大幅提升的同時(shí)，Qwen3 的部署成本還大幅下降，僅需 4 張 H20 即可部署 Qwen3 滿(mǎn)血版，顯存占用僅為性能相近模型的三分之一。對(duì)于部署，官方建議使用 SGLang 和 vLLM 等框架。對(duì)于本地使用，官方強(qiáng)烈推薦使用 Ollama、LMStudio、MLX、llama.cpp 和 KTransformers 等工具。

此外，Qwen3 還提供和開(kāi)源了豐富的模型版本，包含 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，每款模型均斬獲同尺寸開(kāi)源模型 SOTA（最佳性能）：Qwen3 的 30B 參數(shù) MoE 模型實(shí)現(xiàn)了 10 倍以上的模型性能杠桿提升，僅激活 3B 就能媲美上代 Qwen2.5-32B 模型性能；Qwen3 的稠密模型性能繼續(xù)突破，一半的參數(shù)量可實(shí)現(xiàn)同樣的高性能，如 32B 版本的 Qwen3 模型可跨級(jí)超越 Qwen2.5-72B 性能。

據(jù)了解，Qwen3 系列模型依舊采用寬松的 Apache2.0 協(xié)議開(kāi)源，并首次支持 119 多種語(yǔ)言，全球開(kāi)發(fā)者、研究機(jī)構(gòu)和企業(yè)均可免費(fèi)在魔搭社區(qū)、HuggingFace 等平臺(tái)下載模型并商用，也可以通過(guò)阿里云百煉調(diào)用 Qwen3 的 API 服務(wù)。個(gè)人用戶(hù)可通過(guò)通義 APP 直接體驗(yàn) Qwen3，夸克也即將全線接入 Qwen3。

GitHub：https://qwenlm.github.io/blog/qwen3/
Hugging Face：https://huggingface.co/spaces/Qwen/Qwen3-Demo
ModelScope：https://modelscope.cn/collections/Qwen3-9743180bdc6b48

Qwen3 主要特點(diǎn)
混合思維模式

所有 Qwen3 模型都是混合推理模型，支持兩種模式：

? 思考模式：在此模式下，模型會(huì)逐步推理，經(jīng)過(guò)一系列思考后再給出最終答案。適用于需要深入思考的復(fù)雜問(wèn)題。
? 非思考模式：在此模式下，模型快速響應(yīng)，幾乎即時(shí)給出答案，適合對(duì)速度要求高、但不需要深度推理的簡(jiǎn)單問(wèn)題。

用戶(hù)使用 API 可按需設(shè)置“思考預(yù)算”（即預(yù)期最大深度思考的 tokens 數(shù)量），進(jìn)行不同程度的思考，靈活滿(mǎn)足 AI 應(yīng)用和不同場(chǎng)景對(duì)性能和成本的多樣需求。比如，4B 模型是手機(jī)端的絕佳尺寸；8B 可在電腦和汽車(chē)端側(cè)絲滑部署應(yīng)用；32B 最受企業(yè)大規(guī)模部署歡迎，有條件的開(kāi)發(fā)者也可輕松上手。

該設(shè)計(jì)使 Qwen3 展現(xiàn)出與推理預(yù)算成正比的、可擴(kuò)展且平滑的性能提升。用戶(hù)能夠更輕松地根據(jù)不同任務(wù)配置推理預(yù)算，在成本效率與推理質(zhì)量之間實(shí)現(xiàn)更優(yōu)的平衡。

增強(qiáng)對(duì) Agent 支持

Qwen3 為即將到來(lái)的智能體 Agent 和大模型應(yīng)用爆發(fā)提供了更好的支持。團(tuán)隊(duì)優(yōu)化了 Qwen3 模型的編碼和 Agent 能力，并增強(qiáng)了對(duì) MCP 的支持。以下視頻展示 Qwen3 如何思考以及如何與環(huán)境交互。

在評(píng)估模型 Agent 能力的 BFCL 評(píng)測(cè)中，Qwen3 創(chuàng)下 70.8 的新高，超越 Gemini2.5-Pro、OpenAI-o1 等頂尖模型，將大幅降低 Agent 調(diào)用工具的門(mén)檻。同時(shí)，Qwen3 原生支持 MCP 協(xié)議，并具備強(qiáng)大的工具調(diào)用（function calling）能力，結(jié)合封裝了工具調(diào)用模板和工具調(diào)用解析器的 Qwen-Agent 框架，將大大降低編碼復(fù)雜性，實(shí)現(xiàn)高效的手機(jī)及電腦 Agent 操作等任務(wù)。

支持 MCP 的功能確實(shí)讓社區(qū)開(kāi)發(fā)者們感到興奮?！癚wen2.5 的工具調(diào)用行為在不同型號(hào)之間不一致，這讓我抓狂。微調(diào)后的 MCP 真是太棒了。”有開(kāi)發(fā)者說(shuō)道。

此外，研究員 Chujie Zheng 表示，Qwen3 有一些非常有趣的功能沒(méi)有在模型卡上寫(xiě)出來(lái)。

Qwen3 訓(xùn)練過(guò)程
預(yù)訓(xùn)練

在預(yù)訓(xùn)練方面，Qwen3 的數(shù)據(jù)集相比 Qwen2.5 有了顯著擴(kuò)展。Qwen2.5 是在 18 萬(wàn)億個(gè) token 上進(jìn)行預(yù)訓(xùn)練的，而 Qwen3 使用了幾乎兩倍的數(shù)據(jù)量，約 36 萬(wàn)億個(gè) token，涵蓋了 119 種語(yǔ)言和方言。

為了構(gòu)建如此大規(guī)模的數(shù)據(jù)集，Qwen3 不僅從網(wǎng)頁(yè)收集數(shù)據(jù)，還從類(lèi)似 PDF 的文檔中提取內(nèi)容。團(tuán)隊(duì)使用 Qwen2.5-VL 從這些文檔中提取文本，并用 Qwen2.5 提升提取內(nèi)容的質(zhì)量。為了增加數(shù)學(xué)和代碼數(shù)據(jù)的比例，團(tuán)隊(duì)還利用 Qwen2.5-Math 和 Qwen2.5-Coder 生成了合成數(shù)據(jù)，包括教科書(shū)、問(wèn)答對(duì)以及代碼片段等。

預(yù)訓(xùn)練過(guò)程分為三個(gè)階段。在第一階段（S1），模型在超過(guò) 30 萬(wàn)億個(gè) token 上進(jìn)行預(yù)訓(xùn)練，使用的上下文長(zhǎng)度為 4K tokens。這一階段使模型掌握了基礎(chǔ)語(yǔ)言能力和通用知識(shí)。在第二階段（S2），團(tuán)隊(duì)提升了數(shù)據(jù)集的質(zhì)量，增加了 STEM、編程和推理等知識(shí)密集型數(shù)據(jù)的比例，并在額外的 5 萬(wàn)億個(gè) token 上進(jìn)行了進(jìn)一步預(yù)訓(xùn)練。在最后一個(gè)階段，使用高質(zhì)量的長(zhǎng)上下文數(shù)據(jù)，將模型的上下文長(zhǎng)度擴(kuò)展到了 32K tokens，以確保模型能夠有效處理更長(zhǎng)的輸入。

由于模型架構(gòu)的進(jìn)步、訓(xùn)練數(shù)據(jù)量的增加以及更高效的訓(xùn)練方法，Qwen3 的稠密基礎(chǔ)模型整體性能已經(jīng)達(dá)到了參數(shù)量更大的 Qwen2.5 基礎(chǔ)模型的水平。

例如，Qwen3-1.7B/4B/8B/14B/32B-Base 的性能分別相當(dāng)于 Qwen2.5-3B/7B/14B/32B/72B-Base。值得注意的是，在 STEM、編程和推理等領(lǐng)域，Qwen3 的稠密基礎(chǔ)模型甚至超越了更大規(guī)模的 Qwen2.5 模型。對(duì)于 Qwen3-MoE 基礎(chǔ)模型，它們僅使用 10% 的激活參數(shù)，就能達(dá)到與 Qwen2.5 稠密基礎(chǔ)模型相近的性能，從而在訓(xùn)練和推理成本上實(shí)現(xiàn)了顯著節(jié)省。

后訓(xùn)練

為了開(kāi)發(fā)能夠兼顧逐步推理與快速響應(yīng)的混合模型，團(tuán)隊(duì)設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)四階段的訓(xùn)練流程，該流程包括：(1) 長(zhǎng)鏈?zhǔn)剿季S（CoT）冷啟動(dòng)，(2) 基于推理的強(qiáng)化學(xué)習(xí)（RL），(3) 思維模式融合，以及 (4) 通用強(qiáng)化學(xué)習(xí)。

第一階段，團(tuán)隊(duì)使用多樣化的長(zhǎng)鏈?zhǔn)剿季S數(shù)據(jù)對(duì)模型進(jìn)行微調(diào)，涵蓋數(shù)學(xué)、編程、邏輯推理、STEM 問(wèn)題等不同任務(wù)和領(lǐng)域。此過(guò)程旨在賦予模型基本的推理能力。第二階段則專(zhuān)注于擴(kuò)大強(qiáng)化學(xué)習(xí)的算力規(guī)模，利用基于規(guī)則的獎(jiǎng)勵(lì)機(jī)制，提升模型的探索與利用能力。第三階段，通過(guò)在長(zhǎng)鏈?zhǔn)剿季S數(shù)據(jù)與常規(guī)指令微調(diào)數(shù)據(jù)的組合上進(jìn)行微調(diào)，將非思考型能力融入思考型模型。這些數(shù)據(jù)由第二階段增強(qiáng)后的思考模型生成，從而實(shí)現(xiàn)推理與快速響應(yīng)能力的自然融合。第四階段，團(tuán)隊(duì)在 20 多個(gè)通用領(lǐng)域任務(wù)上應(yīng)用強(qiáng)化學(xué)習(xí)，進(jìn)一步增強(qiáng)模型的通用能力并糾正不良行為。這些任務(wù)包括指令跟隨、格式遵循、Agent 能力等。

對(duì)此，網(wǎng)友 Nathan Lambert 指出，Qwen3 的后訓(xùn)練堆棧與 deepseek R1 極為相似，Qwen3 提煉出了更小的模型。

網(wǎng)友反饋

Qwen3 發(fā)布后，一些開(kāi)發(fā)者已經(jīng)迫不及待使用了。

蘋(píng)果機(jī)器學(xué)習(xí)研究員 Awni Hannun 使用后表示，Qwen3 235B MoE（激活參數(shù)為 22B）在搭載 mlx-lm 的 M2 Ultra 上運(yùn)行非?？欤? 比特量化模型占用約 132GB 內(nèi)存；生成了 580 個(gè) token，速度約為 28 token/ 秒。

網(wǎng)友 xjdr 表示，Qwen3-235B-A22B 是一個(gè)非常優(yōu)秀的模型?！八母杏X(jué)很像是原始 o1 博客文章中的推理軌跡和 R1 zero 的結(jié)合（這是件好事）。但模型出現(xiàn)了大量的“sink tokens”，比如 so、then、wait、what 等?！?/p>

編程方面，xjdr 評(píng)價(jià)為：寫(xiě) JAX 的即時(shí)編譯（jitted）代碼，就像在用 Python 玩《黑暗之魂》。

不過(guò) T3 Chat 的首席執(zhí)行官 Theo – t3.gg 指出，Qwen3 延續(xù)了 Qwen 系列在任務(wù)處理中嚴(yán)重過(guò)度思考的趨勢(shì)，在回答問(wèn)題之前會(huì)生成成千上萬(wàn)的思考標(biāo)記（tokens），并因此耗盡上下文長(zhǎng)度。

據(jù)悉，阿里通義已開(kāi)源 200 余個(gè)模型，全球下載量超 3 億次，Qwen 衍生模型數(shù)超 10 萬(wàn)個(gè)，已超越美國(guó) Llama。

Qwen3 發(fā)布后，有網(wǎng)友喊話，“扎克，你最好現(xiàn)在就釋放巨獸?！边€有人開(kāi)玩笑道，“扎克伯格要讓他的工程師趕緊加班了?！?/p>

嘿，伙伴們，今天我們的AI探索之旅已經(jīng)圓滿(mǎn)結(jié)束。關(guān)于“??Qwen3發(fā)布！成本碾壓DeepSeek，網(wǎng)友催M(jìn)eta??”的內(nèi)容已經(jīng)分享給大家了。感謝你們的陪伴，希望這次旅程讓你對(duì)AI能夠更了解、更喜歡。謹(jǐn)記，精準(zhǔn)提問(wèn)是解鎖AI潛能的鑰匙哦！如果有小伙伴想要了解學(xué)習(xí)更多的AI知識(shí)，請(qǐng)關(guān)注我們的官網(wǎng)“AI智研社”，保證讓你收獲滿(mǎn)滿(mǎn)呦！