阿里升级版Qwen3开源模型深夜来袭，超越Kimi-K2、DeepSeek-V3

已于 2025-07-22 14:46:06 修改
阅读量696 收藏 6
点赞数 24
CC 4.0 BY-SA版权
分类专栏： 资讯 文章标签： 人工智能 开源 大模型 阿里云
于 2025-07-22 13:52:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jsjkyq/article/details/149534255

2025年7月22日阿里通义千问团队于推出升级版开源大模型 ​​Qwen3-235B-A22B-Instruct-2507-FP8​​，该版本在技术架构与性能表现上实现显著突破。

​

新模型的核心创新在于深度融合 ​​非思考模式（Non-thinking）​​，通过精准指令响应机制优化任务执行效率。在复杂场景中，该模式可大幅降低模型自主决策比例，转而严格遵循用户指令生成简洁输出，尤其适用于高频数据转换、结构化文本生成等对响应速度与稳定性要求较高的工业场景。

​

性能方面，该模型在多项权威测评中刷新开源模型纪录。具体表现为：知识评测（GQPA）中超越Kimi-K2，数学推理（AIME25）得分领先DeepSeek-V3，编程能力（LiveCodeBench）与人类偏好对齐（Arena-Hard）均优于Claude-Opus4闭源模型。这些突破源于三方面技术升级：​​多语言长尾知识库扩展​​覆盖低资源语言任务，​​开放式任务生成优化​​增强用户意图契合度，以及​​256K长上下文处理能力​​实现对超长文档的连贯解析。

​技术架构上，模型采用FP8量化压缩技术，在保持2350亿参数规模的同时，显著提升推理效率并降低显存占用。实际部署中，4张H20 GPU即可支持满负荷运行，为企业级应用提供高性价比方案。训练过程中创新性融合四阶段强化学习策略，包括思维链冷启动与动态模式融合，确保思考模式与非思考模式在单一模型中的无缝切换。

开发者现可通过 ​​Hugging Face​​ 与 ​​魔搭社区​​ 获取完整开源模型，支持本地化部署与定制化微调。阿里团队同步公开技术报告详述训练细节，涵盖MoE架构优化策略、119种语言数据处理流程及128专家路由机制，为社区二次开发提供透明技术参照。

此次升级标志着国产大模型在工程化落地领域取得实质性进展，其平衡性能与成本的特性有望推动AI技术在医疗文档分析、法律文本处理等长文本场景的规模化应用。

开源模型应用落地-DeepSeek-R1-Distill-Qwen-7B与vllm实现推理加速的正确姿势（一）
以微薄之力，予他人些许温暖.
02-02 1万+
DeepSeek-R1-Distill-Qwen-7B模型通过蒸馏技术成功提炼Qwen-7B核心知识，旨在满足小型模型需求，并在全面测试中优化性能和拓展应用边界。
开源模型应用落地-qwen模型小试-Qwen3-8B-快速体验（一）
以微薄之力，予他人些许温暖.
04-29 2万+
阿里云推出国内首个集成“快思考”与“慢思考”能力的 Qwen3-8B 大语言模型，以80亿参数和 128K 上下文支持，重塑AI应用边界并助力开发者高效部署
新版Qwen3深夜突袭：性能超越Kimi-K2、DeepSeek-V3
SJJS_1的博客
07-22 243
Qwen3的一次“小更新”，就让新模型在多项测试中超越了 Kimi-K2、DeepSeek-V3 等一众强劲对手。
《1T 超大模型 Kimi-K2 实测 PK DeepSeek、Qwen3：2025 上半年性能之王究竟花落谁家？》
王不二的AI之路
07-16 1243
摘要： Kimi-K2是由月之暗面（Moonshot AI）开源的大型语言模型，采用混合专家架构（MoE），总参数达1T，推理激活参数32B。其创新点在于模糊了思维链过程，直接混合思考与输出，提升推理效率。模型支持128k上下文，开源了预训练基础版和指令微调版。测试表明，Kimi-K2在代码生成（如HTML坦克大战游戏）和逻辑推理任务中表现优异，虽无显式思维链，但能快速输出准确结果。与DeepSeek-R1、Qwen3对比显示，Kimi-K2在代码完整性和推理速度上更具优势。
Qwen3 深夜炸场，性能超Kimi-K2、DeepSeek-V3，Agent能力亮眼
Everly_的博客
07-23 609
7月22日凌晨，阿里巴巴通义千问团队突然发布旗舰模型 Qwen3 的重磅更新，推出 Qwen3-235B-A22B-FP8 非思考模式（Non-thinking）的更新版本，命名为 Qwen3-235B-A22B-Instruct-2507-FP8。给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！我在一线互联网企业工作十余年里，指导过不少同行后辈。
深夜惊雷！阿里Qwen3升级版超越Kimi-K2、DeepSeek-V3，直接起飞！
2401_85343303的博客
07-23 746
阿里发布开源大模型Qwen3-235B-A22B重大升级，融合非思考模式提升任务执行效率。该模型在知识评测、数学推理等多项指标超越主流竞品，支持256K长文本处理，采用FP8量化技术降低部署成本。技术亮点包括多语言扩展、动态模式切换等，配套开源训练细节和行业应用方案，推动AI在医疗、法律等领域的落地。同时提供大模型学习资料包，包含路线图、视频教程等资源。
大模型推理的全面总结: 从DeepSeek-＞Kimi-＞豆包-＞Qwen3
qkh1234567的博客
05-28 863
近期关于大语言模型（LLM）推理能力的研究进展显示：强化学习（RL）虽然能优化模型输出分布，但并未实质性提升基础推理能力。DeepSeek-Math和清华团队的研究均指出，RL主要通过筛选已有正确答案来提升表现，而非扩展模型的推理边界。主流模型如Seed-Thinking-v1.5、DeepSeek-R1、Kimi-K1.5和Qwen3通过多阶段训练（数据优化、奖励模型设计、混合专家架构等）注入推理能力，其共性在于：强基础模型、高质量训练数据（覆盖广泛领域和难度）、针对性奖励机制以及SFT与RL的协同优化。
从万亿参数到「会动手」：Kimi-K2 如何重新定义开源大模型的边界
Albert_Lsk的博客
07-12 687
Kimi-K2 开源大模型重新定义智能边界：1万亿参数MoE架构仅激活32B，单卡A100即可运行。专为"动手能力"优化，支持128K上下文、无代码工具调用和代码级任务处理，在SWE-bench测试中单次准确率达65.8%。应用场景涵盖自动行程规划、零代码数据分析和开发者辅助，性能超越主流开源模型。提供云体验、API和本地部署三种使用方式，标志着AI从聊天工具向生产力Agent的转变。
通义千问Qwen3性能超越Kimi-K2、DeepSeek-V3，全球最强开源模型来了！
m0_63171455的博客
07-23 559
阿里巴巴发布Qwen3-235B大模型，在数学推理、编程能力、多语言支持等方面表现优异，全面超越主流开源及闭源模型。该模型采用混合推理模式和MoE架构，显著提升性能并降低成本，支持256K长文本处理。已开源8款不同规模模型，覆盖端侧到云端需求，在医疗、金融等领域应用效果显著。评测显示其推理成本仅为竞品的1/3-1/20，成为最具性价比的开源大模型之一。未来将加强多模态能力，进一步拓展应用场景。
月之暗面开源升级版混合专家（无思考）模型K2速览：Kimi-K2-Instruct
直达开源前线，冲冲冲！
07-15 1101
Kimi K2是由月之暗面推出的万亿参数混合专家大模型，包含32B激活参数，采用创新Muon优化器实现训练零不稳定。该模型主打代理智能，在工具调用、推理和问题解决方面表现突出。提供基座模型K2-Base和指令微调模型K2-Instruct两个版本，后者在多项基准测试中取得SOTA成绩，尤其在代码、工具使用和数学推理方面优势明显。模型基于15.5T高质量多语言数据预训练，支持128K长上下文，并兼容主流推理引擎。目前已开放API和部署方案，强调代理交互能力。
kimi-k2-api使用示例
hbkybkzw的博客
07-16 2217
Kimi K2** 是月之暗面（Moonshot AI）于2025年7月11日发布并开源的万亿参数 MoE（混合专家模型）架构基础模型，总参数1T，激活参数32B，上下文长度128K，专为“智能体”任务优化，具备超强代码能力和通用Agent任务能力。注册赠送10元账户余额和50W tokens，这个余额可以使用GPU机器，一台4090大概能用5小时，也可以使用大模型的api，50Wtokens个人也可以使用很久。控制台–>模型API服务–>文本对话–>选择刚刚创建的api-key–>选择模型。
DeepSeek大模型的DeepSeek-R1-Distill-Qwen-1.5B-GGUF版本，2025.2.6最新版的安装包OllamaSetup.exe
02-07
DeepSeek-R1-Distill-Qwen-1.5B-GGUF版本是DeepSeek大模型的一个重要迭代，它在原有的基础上进行了模型压缩与优化，使其在保持模型效能的同时，更加轻量化，适用于更多实际应用场景。 所谓模型压缩，是指通过特定的...
开源模型应用落地-qwen模型小试-Qwen2.5-7B-Instruct-Gradio快速体验（十四）
以微薄之力，予他人些许温暖.
09-20 2万+
Qwen2.5-7B-Instruct集成Gradio和vLLM
开源模型应用落地-qwen模型小试-Qwen3-8B-推理加速-vLLM-Tools助力（五）
热门推荐
以微薄之力，予他人些许温暖.
05-08 2万+
在人工智能大模型迅速发展的今天，如何让模型更智能地与外部世界交互，成为提升其实际应用能力的关键。
时间序列预测Python机器学习应用
木头大左的博客
07-23 1168
时间依赖性：当前值受过去值的影响。趋势性：数据可能呈现长期上升或下降的趋势。季节性：数据在固定周期内重复出现的模式。噪声：随机波动，无明显规律。
跨境支付入门～国际支付结算（风控篇）
最新发布
lkf19711的博客
07-25 666
跨境支付企业的"吞金兽"：风控系统成为最大成本黑洞。这类系统需采购海量第三方数据（年费超千万），并应对国际卡组织的高额合规要求（如VISA系统年增300万美元成本）。核心防控AML（反洗钱）和CFT（反恐融资）风险，通过四阶KYC认证体系（证件核验到持续监控）和KYB企业审查（股权穿透到贸易背景验证）。采用AI检测（准确率98.7%）、知识图谱等技术，并实施分级审核策略（CDD/EDD）。风控系统需融合3000+规则引擎和机器学习模型，实现全流程监控，是跨境支付企业的生死线。
腾讯内测的 AI 编程 IDE，上手表现如何？（含实测）
非著名程序员
07-22 1493
通过截图，我们可以看到，点击小火箭图标，也就是「部署」按钮之后，开始执行命令，先是创建 sandbox ，然后上传代码，安装部署环境和各种依赖，最后启动服务。另外，最后，我不得不夸一句，腾讯的产品力不仅体现在功能和人性化上，在产品设计上也是非常好，这个 IDE 的界面语言，是我目前见过的 AI 编程工具当中最好的。让你的需求变成真正可用的应用。虽然是基于开源的 VS Code IDE 衍化而来，但是，从整体的界面的细腻程度，真的做到了简洁大方，非常好看，给你一看就是一款有质感，有追求的 IDE。
大模型开发
2302_81352523的博客
07-23 937
AI（人工智能）是使机器具备类人思考和解决问题能力的技术，其核心是Transformer神经网络模型（如GPT）。大模型应用结合传统编程实现记忆等复杂功能，应用开发技术包括Prompt问答、微调、Agent调用和RAG（外挂知识库），适用于客服、医疗、办公自动化等场景。AI通过数据训练掌握语言规律，处理模糊性问题，与传统程序互补形成强大应用。
统计与大数据分析与数学金融方向课程差异有哪些？如何提升职场竞争力？
LRQ2025的博客
07-23 936
统计与大数据分析和数学金融专业存在显著课程重叠（概率统计、编程、优化等），但主攻方向不同。统计侧重机器学习、大数据处理及广泛领域应用；数学金融则深入金融建模、衍生品定价等专业领域。建议新生结合兴趣（数据算法vs金融建模）与职业规划（数据科学家vs量化分析师），利用大一大二共同基础课程进行体验后选择。两个专业基础课高度相似，扎实掌握数学与编程核心能力是关键。
阿里千问大模型(Qwen2.5-VL-3B-Instruct)部署
06-20
### 部署阿里云 Qwen2.5-VL-3B-Instruct 的指南 部署阿里云 Qwen2.5-VL-3B-Instruct 模型可以通过多种方式实现，包括本地部署、Docker 容器化部署以及使用云服务 API。以下是关于这些方法的具体说明： #### 1. **本地部署** 在本地环境中部署 Qwen2.5-VL-3B-Instruct 模型需要准备以下内容： - 确保安装了必要的依赖库，例如 PyTorch 或 TensorFlow。 - 下载模型权重文件 `Qwen2.5-VL-3B-Instruct` 并将其存储在本地目录中[^1]。 - 使用 Python 脚本加载模型并进行推理。以下是一个简单的代码示例： ```python from transformers import AutoTokenizer, AutoModelForCausalLM # 加载 tokenizer 和模型 tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct") model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen2.5-VL-3B-Instruct") # 输入文本 input_text = "请生成一段关于人工智能的描述：" inputs = tokenizer(input_text, return_tensors="pt") # 模型推理 outputs = model.generate(**inputs, max_length=100) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` #### 2. **Docker 容器化部署** 如果希望通过 Docker 进行容器化部署，可以参考以下步骤： - 拉取官方提供的 Docker 镜像或自行构建镜像[^2]。 - 使用以下命令运行容器： ```bash docker pull registry.openanolis.cn/openanolis/pytorch-amd:1.13.1-23-zendnn4.1 docker run -d -it --net host -v $HOME:/root qwen-vl-chat-container ``` - 在容器内部加载模型权重并启动服务。 #### 3. **云服务调用** 对于不想进行本地安装的用户，可以直接通过阿里云百炼平台的 API 调用 Qwen2.5-VL-3B-Instruct 模型[^2]。具体步骤如下： - 注册阿里云账号并开通百炼平台服务。 - 获取 API 密钥并根据文档发送请求。 - 请求示例（使用 curl 命令）： ```bash curl -X POST https://api.bailian.aliyun.com/invoke \ -H "Authorization: Bearer YOUR_ACCESS_TOKEN" \ -d '{ "model": "Qwen2.5-VL-3B-Instruct", "prompt": "请生成一段关于人工智能的描述：", "max_tokens": 100 }' ``` #### 4. **离线环境部署** 在离线环境中部署 Qwen2.5-VL-3B-Instruct 模型时，可以参考以下步骤[^3]： - 将模型权重文件上传到服务器，并确保路径正确。 - 修改配置文件以适配离线环境。 - 示例代码片段： ```python import torch from transformers import AutoTokenizer, AutoModelForCausalLM # 加载本地模型 model_path = "/path/to/Qwen2.5-VL-3B-Instruct" tokenizer = AutoTokenizer.from_pretrained(model_path) model = AutoModelForCausalLM.from_pretrained(model_path) # 推理过程 input_text = "请生成一段关于人工智能的描述：" inputs = tokenizer(input_text, return_tensors="pt") outputs = model.generate(**inputs, max_length=100) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ``` ### 注意事项 - 确保硬件资源充足，尤其是 GPU 内存[^4]。 - 如果使用 Docker 部署，请注意挂载正确的数据卷。 - 对于云服务调用，需关注费用和 Token 使用情况。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值