編輯 | 伊風
出品 | 51CTO技術棧（微信號：blog51cto）
源神 Qwen3 趕在五一假期前重磅上線！
這次 Qwen3 直接放出了一整個“全家桶” ——總共 8 個模型，包括 2 個 MoE（稀疏專家）模型和 6 個稠密模型，規模從 0.6B 到 235B 不等，陣容堪稱豪華。
圖片
其中，旗艦模型 Qwen3-235B-A22B 強勢登頂，成為新一代開源之王！在編碼、數學、通用能力等多個基準評測中，表現可與 DeepSeek-R1、o1、o3-mini、Grok-3 和 Gemini-2.5-Pro 等頂尖模型媲美。
圖片
不僅大模型強，小型號也一樣能打。小型 MoE 模型 Qwen3-30B-A3B，雖然激活參數量僅有 QwQ-32B 的十分之一，卻實現了全面反超；而輕量級 Qwen3-4B，也幾乎達到了 Qwen2.5-72B-Instruct 的水平。
圖片
Qwen3當然也是慣例的上線即開源，并且其網頁端已經可以體驗該系列中最強大的幾個模型！
- Hugging Face:
https://huggingface.co/collections/Qwen/qwen3-67dd247413f0e2e4f653967f
- Qwen Chat Web：
圖片
點進 Hugging Face 的 Qwen3 頁面你會發現，模型列表比想象中還要長得多！這次源神不僅開源了完整模型，還貼心放出了部分對應的預訓練版本！
比如 Qwen3-30B-A3B，它的預訓練版 Qwen3-30B-A3B-Base 也一并上線了，現在已經可以在 Hugging Face、ModelScope、Kaggle 等平臺上使用。
圖片
Qwen3 blog中還貼心給到了部署建議，對于部署，建議使用SGLang和vLLM這樣的框架。對于本地使用，強烈建議使用Ollama、LMStudio、MLX、llama.cpp和KTransformers等工具。
昨晚，國內外一大批關注開源的開發者們，熬夜苦等到凌晨，只為了這句話——終于等到了！
圖片
Qwen3特性亮點：混合推理模型、雙模式按需切換、MCP支持全面升級！
以下是官方總結的Qwen3的最強亮點。
1.混合思維模式
Qwen3 系列模型引入了混合式問題解決方法，支持兩種推理模式：
- 思考模式：模型會一步步推理后再給出最終答案，適合需要深入思考的復雜問題。
- 非思考模式：模型快速、幾乎即時地響應，適合對速度要求更高、無需復雜推理的簡單問題。
這種靈活的設計，讓用戶可以根據任務需求，自由控制模型的“思考量”。比如，遇到難題時啟用更充分的推理流程，而在處理簡單問題時則可以直接快速作答。
當然，這樣就實現了更好更便宜——雙模式集成顯著提升了模型在推理預算管理上的穩定性與效率。用戶可以根據實際需求，輕松調整推理預算，在成本和推理質量之間拿捏得更精準。
圖片
2.多語言支持
Qwen3 一口氣支持了119種語言和方言，這一規模，足以讓全球用戶在剛上線的 Qwen APP 中暢通無阻地體驗新一代大模型。真正實現了“讓世界各地的人都能用上”的愿景！
原blog中列出了全語言的清單，其中不乏聞所未聞的冷門印歐系語言，如邁蒂利語、博杰普爾語、信德語等；在漢藏語系中則支持中文（簡體中文、繁體中文、粵語）和緬甸語。
3.智能體能力提升
Qwen3 模型的編碼能力和智能體（Agentic）能力進行了優化，并進一步增強了對 MCP（多智能體協作協議）的支持。
在給出的視頻demo里，提問者給模型一個Qwen的開源主頁，要求提取頁面的 Markdown 內容，并繪制一張柱狀圖展示每個項目的 star 數量。模型出色地完成了思考，并最終通過MCP協議主動把柱狀圖保存到了本地文件中。
圖片
Qwen3是如何練成的：三階段預訓練和四階段后訓揭秘
在預訓練方面，Qwen3 的數據集相比 Qwen2.5 有了大幅擴展。Qwen2.5 的預訓練量為 18 萬億 tokens，而 Qwen3 直接翻倍，使用了約 36 萬億 tokens，覆蓋了 119 種語言和方言。
為了構建這一超大規模數據集，團隊人員不僅收集了網頁數據，還納入了大量類似 PDF 的文檔數據。
在處理文檔數據時，他們使用 Qwen2.5-VL 進行文本抽取，再用 Qwen2.5 提升抽取內容的質量。為了增加數學與代碼數據的比例，還利用 Qwen2.5-Math 和 Qwen2.5-Coder 生成了大量合成數據，涵蓋教科書內容、問答對和代碼片段。
Qwen3 的預訓練過程分為三個階段：
- 第一階段（S1）：在超過 30 萬億 tokens 上進行預訓練，采用 4K tokens 的上下文長度，為模型打下了基本的語言能力和通識知識基礎。
- 第二階段（S2）：提升數據集的知識密集度，增加了更多 STEM、編碼與推理相關的數據，新增預訓練了 5 萬億 tokens。
- 第三階段：引入高質量的長上下文數據，將模型的上下文長度擴展到 32K tokens，確保能夠有效處理更長的輸入。
圖片
得益于模型架構的優化、訓練數據量的提升以及訓練方法的改進，Qwen3 的稠密基礎模型在整體性能上達到了參數量更大的 Qwen2.5 基礎模型的水平。例如，Qwen3-1.7B/4B/8B/14B/32B-Base 分別對標 Qwen2.5-3B/7B/14B/32B/72B-Base。
特別是在 STEM、編碼和推理領域，Qwen3 的稠密模型甚至可以超越更大規模的 Qwen2.5 模型。
至于 Qwen3 的 MoE 基礎模型，它們在只使用約 10% 激活參數量的情況下，實現了與 Qwen2.5 稠密基礎模型相當的性能，大幅降低了訓練和推理成本。
在后訓練方面，為了打造兼具逐步推理能力和快速響應能力的混合模型，Qwen3 采用了四階段訓練流程，包括：
- 長鏈式思考（CoT）冷啟動
- 基于推理的強化學習（RL）
- 思考模式與非思考模式融合
- 通用領域強化學習
圖片
在第一階段，使用覆蓋數學、編碼、邏輯推理和 STEM 問題等多領域、多任務的長鏈式推理數據，對模型進行微調，奠定了基礎推理能力。
第二階段，放大了推理階段的計算資源投入，結合基于規則的獎勵信號，提升了模型的探索與利用能力。
第三階段，將非思考模式融入到已有思考模式中，使用長鏈推理數據與常規指令微調數據的混合數據進行微調，這部分數據是由第二階段強化后的思考模型生成的，確保了推理與快答能力的自然融合。
最后，在第四階段，針對 20 多個通用領域任務進一步進行強化學習，包括指令遵循、格式遵循、智能體能力等，全面提升模型的通用能力并修正不良行為。
寫在最后：從“訓練模型”的時代，加速過渡到“訓練智能體”的新時代
在整個blog的最后，Qwen表示還將持續進化，向著“擴大數據規模、增加模型參數量、延長上下文長度、拓展多模態能力”的方向進發，同時通過環境反饋推動強化學習，支持更長鏈條的推理能力。
從模型到智能體的跨越，正在加速到來。未來，基礎模型的每一次進化，都不僅是參數的躍遷，更是智能邊界的擴張。新的征程已經啟航，讓我們一起見證！
