扒开大模型外衣：手搓一个Qwen3

阿里千问团队发布最新Qwen3大语言模型，旗舰模型在多项基准测试中表现优异。本文详细解析Qwen3模型架构，包括输入处理、Transformer块、GQA注意力机制、前馈网络和RMSNorm归一化，并提供完整PyTorch代码实现，帮助开发者从零理解并构建大模型，适合初学者和进阶开发者收藏学习。

---

引言

2025年4月29号，阿里千问团队发表了Qwen3模型，这是 Qwen 系列大型语言模型的最新成员。他们的旗舰模型 Qwen3-235B-A22B 在代码、数学、通用能力等基准测试中，与 DeepSeek-R1、o1、o3-mini、Grok-3 和 Gemini-2.5-Pro 等顶级模型相比，表现出极具竞争力的结果。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。

Qwen3模型结构

1、输入处理：输入的文本首先被转换为token ID序列，通过嵌入层将token转换为向量表示。

2、核心Transformer块：Qwen3由多个相同的Transformer块堆叠而成，每个块包含以下组件：

3、自注意力机制：使用多头自注意力机制，能够捕捉输入序列中各个token之间的关系。

4、归一化层：采用RMSNorm替代LayerNorm，在每个自注意力层和前馈网络之后进行归一化处理。

5、前馈网络：使用GEGLU或SwiGLU激活函数，增强模型的表达能力。

输出层：通过RMSNorm后，使用QWenLMHead生成下一个token的预测概率分布。

模型结构如下图所示：

整体实现

根据上面的五个组成部分，我们分别来进行一个实现。

1、数据输入处理,通过加载tokenizer，将输入的input text转为token_ids

device = torch.device("gpu")   # 这里根据实际情况选择，可以是cpu,也可以是gpu

接下来我们进行第二步，Qwen3网络结构整体编码。

2、Qwen3网络结构编码

classQwen3Model(nn.Module):

这部分代码就是整个Qwen3 核心所在：

第一步：完成了了input text 到token ids的过程；

第二步(看结构图)： Token embedding layer ,通过nn.embedding将token ids 转为embedding

第三步(看图，红色块)： Transfomer Block，通过trf_blocks封装包含RMSNorm、GQA、FFN

第四步：Final RMSNorm , 对应代码中的 self.final_norm(x)

最后：Linear output layer, 对应 self.out_head

3、Transformer Block 编码

classTransformerBlock(nn.Module):

这部分代码是Transformer Block核心(看途中红色或蓝色框)：

第一步： self.norm1(x) 参数归一化，后面紧跟着GQA

第二步：GQA,GQA是什么结构，可以参考下图

第三步：shortcut connnection

第四步： self.norm2(x)

第五步：self.ff(x)

第六步：shortcut connnection

4、GQA的编码

很多模型都会在这个基础去创新，比如最开始的MHA–>GQA–>MQA–>MLA，通过上图可以看到GQA核心是将KV进行分组，多个Q给到分组的KV(核心参数：num_kv_groups)，从而减少计算和内存开销。

classGroupedQueryAttention(nn.Module):

这里整个代码就是GQA的实现逻辑，核心还是QKV分组、维度对齐、计算的过程。接下来我们看看FFN

5、FFN实现

classFeedForward(nn.Module):

FFN实现相对简单，一个多层感知机，通过三个线性层以及激活函数完成，

6、RMSNorm归一化

归一化是为了让参数在某一个范围内，以致模型训练过程比较稳定

classRMSNorm(nn.Module):

具体公式可参考：

整体的一个Qwen3的网络结构代码完成了，至于更深层次的一些隐藏原理和训练过程，后续可以一起探讨。

零基础如何高效学习大模型？

为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！