今夜，Qwen3发布，这就是目前最强的开源模型

前言

今夜无眠。

一直写稿到现在，因为，那个源神杀回来了。

今天凌晨5点，阿里发布了全新一代模型Qwen3（简称千问3）。

这是它的测评基准。

有多牛呢？与DeepSeek-R1、o1、o3-mini、Grok-3和Gemini-2.5-Pro等顶尖模型相比，旗舰模型Qwen3-235B-A22B在编码、数学和通用能力等基准测试中，取得了非常亮眼的成绩。

更牛的是，Qwen3的小尺寸模型也很能打。比如Qwen3-4B，性能竟然完全不输72B的Qwen2.5-72B-Instruct模型。

当然，更更更牛的是，千问3全系模型开源！包括旗舰模型Qwen3-235B-A22B在内的八款千问3家族模型，全部开源。

可以自信且大胆的说，这就是目前全球最强的开源模型，来自中国的阿里。

1、源神“八”仙过海

本次开源的千问3家族模型一共有8款：

• 6款Dense模型： 0.6B、1.7B、4B、8B、14B、32B。

• 2款MoE模型： Qwen3-30B-A3B和旗舰版Qwen3-235B-A22B。

通常，简单问题用Dense模型，复杂问题用MoE模型。

关于各模型的参数和推荐配置，我简单整理了个表格。

自部署，优先推荐Qwen3-0.6B、Qwen3-14B及以上、Qwen3-30B-A3B和Qwen3-235B-A22B这几款模型。

• Qwen3-0.6B，在手机端侧可跑。

• Qwen3-30B-A3B，消费级显卡可跑，激活参数仅3B，整体性能堪比Qwen2.5-32B，实现了10倍性能的提升。

• Qwen3-235B-A22B， Qwen3的旗舰模型，总参数235B（激活参数22B），只需4张H20即可部署。

以上8款开源模型，均采用宽松的Apache2.0协议（可自由修改、商用），支持119种语言。所有公司无论规模大小，所有AI开发者、科研机构不惧显卡门槛，大家都能够用得上、也用得起千问3模型。

Hugging Face：

https://huggingface.co/spaces/Qwen/Qwen3-Demo

ModelScope：

https://www.modelscope.cn/collections/Qwen3-9743180bdc6b48

GitHub：

https://github.com/QwenLM/Qwen3

如果嫌本地部署麻烦，也可以直接在他们的Qwen Chat官网体验。

网址是这个：https://chat.qwen.ai

进去后，左上角选择“Qwen3”系列模型，即可体验。

当然，也支持API调用，大家可在阿里云百炼调用API服务（正在上线中）。

上周六，某高端局会议提到，“人工智能可以是造福人类的国际公共产品。要广泛开展人工智能国际合作，帮助全球南方国家加强技术能力建设，为弥合全球智能鸿沟作出中国贡献。”

这款千问3模型，就是最好的代表。

2、千问3的“特异”功能

新一代千问3模型，有些不一样的地方。

1）国内首款“混合推理模型”

千问3既非单模态的语言模型，也非专注CoT的推理模型，而是“混合推理模型”，原生支持推理模式与非推理模式两种工作模式。

在使用中，用户可通过enable_thinking=Ture硬开关机制方式，控制模型开启推理模式；同时也支持软开关机制，允许用户在enable_thinking=True时通过/think和/no_think指令来开启推理模式。

说人话就是，用户既可以通过功能键选择是否需要推理，也可以用大白话来命令模型是否进行推理。在简单任务场景中，关闭推理模式，可以实现更快响应和更低推理成本；在复杂任务场景中，启用逐步推理，可以带来更精准、严谨的结果。

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}")

这是继Claude 3.7 Sonnet、Gemini 2.5家族后全球唯三的混合推理模型，也是国内首款“混合推理模型”。

2）Agent的“好搭子”

千问3模型原生支持MCP协议，具备强大的工具调用（function calling）能力。

最近，大家都在说“大模型从对话走向执行”，Manus、Genspark、AutoGLM、飞猪AI问一问、扣子空间等通用智能体雏形不断涌现。但实际体验起来，你会发现，这些Agent还差点意思。

差的这个东西，其实就是底座模型。

千问3，全面适配AI Agent生态。其架构不再局限于“问答能力”，而是面向Agent架构优化的执行效率、响应结构与工具泛化能力。支持手机及电脑Agent操作等代理任务。

搭建Agent，强烈推荐用千问3来作底座模型。

附Agent示例。

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)

3）亚非拉的“好兄弟”

千问3模型的语言支持，多达119种。

不仅囊括了中、英、法、西、俄、阿拉伯等主要的联合国语言，还包含德、意、日、韩、泰、越南、尼泊尔、瑞典、波兰、匈牙利等各国官方语言，甚至连中国的粤语、非洲的斯瓦西里语、中东的意第绪语、西亚的亚美尼亚语、东南亚的爪哇语、美洲的海地语等地方性语言都支持。

上周六某高端局会议为什么要强调“帮助全球南方国家”？因为这些国家大多集中在亚洲、非洲、拉丁美洲和大洋洲，他们的总人口占了全球的70%，但经济却只有40%。

很多南方国家，根本没有能力开发自己语种的大模型。现在有了开源的千问3，这道题就很好解了——你只要有电脑、能上网，就能够部署自己的模型。

从技术平权这个角度来说，阿里是真的NB。

Qwen3一手实测

现在，所有人都可以在Qwen Chat中体验最新版千问3模型。

体验地址：https://chat.qwen.ai

我们来测几个Case，看看模型的表现。

先是网页设计能力，用的X上@AGI_FromWalmart 的Prompt。

Create a single HTML file containing CSS and JavaScript to generate an animated weather card. The card should visually represent the following weather conditions with distinct animations: Wind: (e.g., moving clouds, swaying trees, or wind lines) Rain: (e.g., falling raindrops, puddles forming) Sun: (e.g., shining rays, bright background) Snow: (e.g., falling snowflakes, snow accumulating) Show all the weather card side by side The card should have a dark background. Provide all the HTML, CSS, and JavaScript code within this single file. The JavaScript should include a way to switch between the different weather conditions (e.g., a function or a set of buttons) to demonstrate the animations for each.

这是一个测试模型代码能力的case，主要考验模型的编程、审美和推理能力。大概1分钟左右，Qwen3就给我们把代码写好了。

我们把Html代码下载下来，用浏览器打开看看效果，这质量真不错啊。比我之前用的QwQ-32B推理模型要提升不少。

再来看一个case，Prompt来自X网友@_akhaliq。

Write a p5.html script that simulates 25 particles in a vacuum space of a cylindrical container, bouncing within its boundaries. Use different colors for each ball and ensure they leave a trail showing their movement. Add a slow rotation of the container to give better view of what’s going on in the scene. Make sure to create proper collision detection and physic rules to ensure particles remain in the container. Add an external spherical container. Add a slow zoom in and zoom out effect to the whole scene.

这效果太棒了，非常惊艳。最关键的是，模型的生成速度真的很快。这2个case，基本都在1分钟内完成任务。

接着，我们来看下数学能力。用了一道来自Putnam竞赛前500名人类选手都未能攻克的难题。

Qwen3先进行了解题，准确理解题目。我传给它的是一张图片，看来Qwen3多模态能力不错，而且也能理解La Tex数学公式。

有没有数学大佬，能不能帮忙看看，这道题Qwen3到底有没有答对。

测了代码、数学，我们再来看下文学创作吧。

还行，过得去。

最后，考验一下模型的工具调用能力（Qwen3独有的功能）。

Prompt：

制作 排序算法 (Sorting Algorithms)，做成动态的效果图，每个算法单独一个子页面。

冒泡排序 (Bubble Sort): 元素像气泡一样“冒”到顶端，交换过程非常直观。

选择排序 (Selection Sort): 每次从未排序部分选出最小（或最大）元素放到已排序部分的末尾，这个“选择”和“放置”的过程清晰可见。

插入排序 (Insertion Sort): 像打扑克牌时整理手牌一样，将元素插入到已排序部分的正确位置，元素的“移动”和“插入”很形象。

归并排序 (Merge Sort): “分而治之”的思想可以通过递归地分割数组，然后清晰地展示两个已排序子数组如何“合并”成一个大数组来体现。合并步骤尤其适合可视化。

快速排序 (Quick Sort): 选取“基准”（pivot），然后将元素分区（小于基准的放一边，大于等于的放另一边）的过程非常适合可视化。递归调用也能通过颜色或区域划分展示。

堆排序 (Heap Sort): 将数组构建成堆（通常是二叉堆），然后不断取出堆顶元素的过程，可以通过树形结构和数组两种形式对照展示，非常直观。

不错啊，居然调用了这么多工具来回答我的问题。

写在最后

我们一直都说，人工智能是模拟、延伸和拓展人的智能。

但如果一个模型技术出来，总要我们人为去区分这模型、那模型，其实这样的模型并不智能，也一定不是人工智能的最终版本。

今年新出的混合推理模型，它结合了单一语言模型和推理模型的优势，能够自如切换两种模式。快速回答，模仿人类直觉反应；CoT逐步推理，模仿人类慢思考。

在混合推理模型下，无论简单问题还是复杂问题，模型都能够应对自如，实现速度与深度的平衡。理论说起来简单，但要真正实现起来非常困难，这会对模型的训练策略、数据设计和损失函数调度提出更高的要求。

在全球唯三的混合推理模型中，阿里Qwen3做到了。不仅做到，还大方开源。

只能说，源神NB，阿里NB。

2024年中美顶级AI大模型性能差距接近抹平，阿里AI贡献全球第三。当时，阿里凭借6款重要模型入选。

今天，阿里发布的Qwen3一定也会入选2025年的年度AI大模型。这一夜，你我都是见证者。

两周前，我在另一家国产开源模型的文章里写到：“真正的技术进步不是闭源垄断，而是开放共享。”

今天，我想给这句话打上补丁——开源是技术实力的试金石，只有领先者才敢开源。

千问3，敢做，敢当。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

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

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

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