今天凌晨5点左右，阿里巴巴宣布推出 Qwen3，这是 Qwen 系列大型语言模型的最新成员。

Qwen3家族包含共开源8款「混合推理模型」。均在 Apache 2.0 许可下开源。

此次开源包括：

两款MoE模型：

Qwen3-235B-A22B（2350多亿总参数、 220多亿激活参），以及Qwen3-30B-A3B（300亿总参数、30亿激活参数）；

六款Dense模型：

Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B。

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。

这是继 Qwen2.5 之后的重大升级，标志着国产开源模型在性能、效率和多模态能力上的全面突破。

以下从技术创新、性能表现、生态价值三个维度展开分析：

一、技术创新：混合推理架构与 MoE 技术的革命性突破

1. 混合推理架构：首次实现 “快思考” 与 “慢思考” 的无缝融合

Qwen3 是国内首个混合推理模型，将 “非思考模式”（快速响应）与 “思考模式”（复杂推理）集成于同一架构。

这种设计通过四阶段后训练流程实现：

• 长思维链冷启动：使用数学、编程等长链数据训练基础推理能力；
• 强化学习优化：通过规则奖励机制提升推理路径探索效率；
• 指令微调融合：将快速响应能力注入推理模型；
• 工具调用集成：支持 MCP 协议与外部工具动态交互。

2. MoE 架构：参数效率的里程

碑旗舰模型Qwen3-235B-A22B采用混合专家（MoE）架构，总参数 235B，但激活参数仅 22B，显存占用仅为同类模型的 1/3。

这一设计通过动态路由机制，在保持高性能的同时大幅降低计算成本。

例如：

• Qwen3-30B-A3B：300 亿总参数中仅激活 3B，性能却超越 Qwen2.5-32B（320 亿参数）；
• Qwen3-4B：4 亿参数模型性能匹敌 Qwen2.5-72B-Instruct（720 亿参数）。

3. 训练体系：36 万亿 token 与四阶段优化

Qwen3 预训练数据量达 36 万亿 token，覆盖 119 种语言，较 Qwen2.5 提升 100%。训练流程分为：

• 基础能力构建：30 万亿 token 训练语言与通用知识；
• 专业能力强化：5 万亿 token 聚焦 STEM、编程等领域；
• 上下文扩展：32k 长上下文优化；
• 混合推理后训练：整合推理与非推理模式。

二、性能表现：全面超越顶尖闭源模型

1. 数学与代码能力：刷新开源纪录

• AIME25 测评：Qwen3-235B-A22B 斩获 81.5 分，超越 DeepSeek-R1（78 分）、o3-mini（76 分），刷新开源模型数学推理纪录；
• LiveCodeBench：代码生成能力突破 70 分，超越 Grok-3（68 分），接近 Claude 3.7 Sonnet（70.3 分）；
• HumanEval：在编程基准测试中，Qwen3-235B-A22B 的通过率达 78.5%，与 Gemini-2.5-Pro（79%）持平。

2. 通用能力：人类偏好与长文本处理

• ArenaHard 测评：Qwen3-235B-A22B 以 95.6 分超越 o1（92 分）、DeepSeek-R1（90 分），在人类偏好对齐上达到新高度；
• 上下文长度：支持 256k token，可处理约 50 万字的超长文本，远超 Gemini-2.5-Pro（100k）和 Claude 3.7（128k）。

3. 智能体能力：工具调用与多模态支持

• BFCL 评测：Qwen3 以 70.8 分超越 Gemini-2.5-Pro（68 分）、o1（65 分），在智能体任务中实现开源领先；
• 多模态扩展：原生支持文本、图像、音频、视频处理，可解析完整代码仓库，媲美 Gemini-2.5-Pro 的多模态能力。

三、生态价值：开源模型的全球领导力

1. 全系开源：从 0.6B 到 235B 的完整矩阵

Qwen3 开源 8 款模型：

• 稠密模型：0.6B、1.7B、4B、8B、14B、32B；
• MoE模型：Qwen3-30B-A3B（300 亿总参数）、Qwen3-235B-A22B（2350 亿总参数）。

所有模型均采用 Apache 2.0 协议，支持免费商用，且提供 Hugging Face、ModelScope 等多平台支持。

2. 成本优势：4 张 H20 即可部署旗舰模型

Qwen3-235B-A22B 仅需 4 张 H20 显卡即可部署，显存占用仅为同类模型的 1/3。相比之下，DeepSeek-R1 需要 8 张 B200 显卡，而 Gemini-2.5-Pro 的部署成本更高。

3. 开发者生态：工具链与社区支持

• Qwen-Agent 框架：封装工具调用模板与解析器，降低智能体开发门槛；
• 多语言支持：119 种语言覆盖，尤其在中文、阿拉伯语等低资源语言中表现优异。

四、与竞品对比：性能与效率的双重碾压

五、未来展望：技术路线图

Qwen3 团队计划从以下方向持续优化：

• 模型扩展：增加参数规模至万亿级，探索更复杂的推理任务；
• 多模态融合：强化视频理解与 3D 数据处理能力；
• 强化学习：利用环境反馈实现长周期推理；
• 边缘部署：优化 0.6B-4B 模型的移动端性能。

Qwen3 的发布标志着国产大模型在性能、效率、开源生态三个维度实现全面突破。

其混合推理架构与 MoE 技术不仅解决了 “大模型高成本” 的行业痛点，更通过全系开源推动了 AI 技术的普惠化。

未来，Qwen3 有望成为全球开发者构建智能应用的首选基础模型，加速 AI 在医疗、教育、金融等领域的规模化落地。

转载自AI云原生智能算力架构