最近，阿里巴巴推出了Qwen3的新型模型。从数值上看，该模型不仅超越了DeepSeek，还领先于众多其他大型模型，但它的实际表现如何呢？接下来，我们将分析作者的见解。

一、基础介绍

在经历了claude 3.7、Gemini 2.5和GPT 4.1的发布后，通义千问于4月29日正式推出了Qwen3系列模型。这一系列的模型不仅在硬件成本上仅为DeepSeek R1的三分之一，而且在性能上实现了全面的超越，甚至与全球领先的Gemini 2.5 Pro相媲美，同时还具备了mcp能力。此外，Qwen3-30B-A3B这一小型MoE（混合专家模型）具有的激活参数数量仅为QwQ-32B的10%。即便是像Qwen3-4B这样的小型模型，其性能也能与Qwen2.5-72B-Instruct相抗衡。

Qwen3系列模型包括六种不同规格，参数量从最小的0.6B到最大的235B-A22B，能够满足从移动端到企业级应用的多样化需求。旗舰型号Qwen3-235B-A22B的“235B-A22B”标识代表该模型的总参数量达到2350亿，每次推理仅激活220亿参数，展现出在数学推理、编程及对话方面远超DeepSeek R1的能力，接近Gemini 2.5 Pro的水平。

Qwen3系列的八款模型已全面开源，包括六款稠密（Dense）模型和两款MoE模型。

二、核心亮点

多种思考模式

值得关注的是，Qwen3具备两种不同的思考模式：

1. 在推理模式下，模型展示了思考的过程，虽然响应时间较长，但在处理复杂任务时表现得尤为出色；
2. 而普通模式则省略了思考步骤，能够迅速响应，更适合日常对话及长文本的创作。

灵活思考与多语言能力的结合

这种灵活性使得用户可以根据特定任务的需求，掌控模型的“思考”程度。例如，对于复杂的问题，用户能够通过增加推理步骤来进行深入分析，而简单问题则可迅速得到答案，无需过多等待。

更为重要的是，这两种思考模式的结合极大地提升了模型在“思考预算”方面的稳定性与效率。

广泛的多语言支持

与此同时，Qwen3 模型能够支持119种语言和方言，这种广泛的多语种能力为国际应用开辟了新的机会，使得全球用户都能享受到模型的强大功能。

Agent能力的显著提升

此外，该系列模型在MCP能力方面进行了显著升级，能够精准识别外部函数，并支持多种工具的灵活调用与串联，为Agent的开发提供了强有力的支持。

部署优势分析

在部署成本方面，Qwen3-235B-A22B展现出显著的优势。作为一种稀疏的Mixture-of-Experts（MoE）架构，其硬件资源消耗显著低于同等规模的密集模型。得益于高效的设计和FP8精度权重的支持，Qwen3-235B-A22B可在仅需4张H20或H800显卡上高效推理，显著降低了推理成本与能耗。

对比之下，DeepSeek R1采用的密集架构在部署时需消耗高达1300GB的显存资源，通常需要双节点与8张A100显卡协同工作，整体硬件开销约为Qwen3的三倍。

此外，Qwen3-235B-A22B还支持通过Quick Transformers框架实现CPU与GPU的混合推理，进一步压缩了硬件开支，提升了灵活性与适配性。这些优势使其成为当前企业级大模型应用的理想选择，兼具卓越的性能与性价比。

技术训练深度解析

在技术训练方面，Qwen3借鉴了DeepSeek R1的强化学习后训练流程，对235B-A22B和32B两款大模型进行了四个阶段的复杂训练。具体包括：

1. 长思维链的冷启动
2. 长思维链的强化学习
3. 思维模式的融合
4. 通用强化学习

这一系列训练不仅显著提升了推理能力，也实现了普通问答和推理模式的智能切换，进一步增强了文本生成的能力。

随后，团队采用模型蒸馏的方法，使用大模型生成的数据集来优化小型预训练模型。与DeepSeek R1使用Llama等外部模型不同，Qwen3的小型模型均基于原生训练的Qwen3大模型，训练流程经过进一步优化，为开源模型的发展提供了极具参考价值的经验。

案例分析

1、代码生成与理解

我选择了LeetCode中一道难度为【hard】的代码题进行测试。

结论：测试结果显示其代码能力出众，表现非常优秀。

2、动态网页生成能力

请基于以下要求设计一个HTML动态广告网页：

1. 采用扁平化设计风格，背景颜色应为浅色，与#0FB990和#101010相近的颜色作高亮展示。

2. 背景中使用淡网格线，以增强科技感。

3. 突出核心要点，使用超大字体或显眼的视觉元素，形成小元素的鲜明对比。

4. 中英文结合，大字体中文作为主要展示，英文小字作为辅助信息。

5. 通过简洁的线条图形化呈现数据或作为配图元素。

6. 利用高亮及透明度渐变，营造科技氛围，注意不同高亮色之间不应互相渐变。

7. 模仿Apple官网的动效，实现鼠标向下滑动时的流畅效果。

结论：虽然整体设计显得简洁，但效果依然令人满意，经过后续调整后可用于实际应用。

3、遵循指令的能力

请按照以下步骤进行操作：首先，构思一句正好10个字的中文句子。接着，将句中的每个汉字转换为对应的拼音（不带声调）。最后，将转换后的拼音结果进行倒序排列。请确保严格按照要求完成。

评分标准：

• 句子要求：提供的句子必须恰好为10个汉字，且语法通顺，符合逻辑。
• 拼音转换：准确转换每个汉字为拼音，拼写无误且不含声调。
• 倒序输出：将拼音完全反转，顺序无遗漏或多余字符。
• 格式要求：各拼音之间分隔清晰，使用空格分隔，无附加说明。
• 指令遵循：严格按照三个步骤执行，无省略或额外步骤，最终答案符合所有要求。

结论：此回答的质量较低，远未达到我们的预期。

4、逻辑推理能力

揭开真相：谁是钻石失窃案的罪魁祸首？

在一起钻石失窃事件中，警方对三名嫌疑人甲、乙、丙展开调查，认为其中一人可能是窃贼。每个人的陈述如下：甲声称：“小偷是乙。” 乙则表示：“小偷是丙。” 而丙的说法是：“小偷是乙。” 根据已知条件，这三人中仅有一人说了真话。我们需要通过推理找出真正的小偷。

首先，假设甲说的是真话，即乙是小偷。那么根据这一假设，乙和丙的陈述必然为假。乙说小偷是丙，这与甲的说法相悖，丙说小偷是乙也与之矛盾，因此这种情况不成立。

接下来，我们考虑乙说的是真话，即小偷是丙。如果这一陈述为真，那么甲的说法“小偷是乙”就为假，而丙的说法“小偷是乙”也同样为假，这样就符合只有一人说真话的条件。因此，乙为真，丙为小偷的假设是合理的。

最后，我们分析丙的陈述。如果丙说的是真话，那么小偷是乙。这将导致甲的说法为假（小偷是乙），而乙的说法“小偷是丙”也变为假，这样就会出现矛盾，因为这意味着两个人的陈述都是假的，与条件不符。

因此，通过以上推理，我们可以明确得出结论：丙是钻石的真正小偷。这个推理过程不仅逻辑严谨，还清晰地展示了每一步的推导。

结论：经过分析，丙就是罪犯，推理过程合理且逻辑清晰。

通过这几个案例，我们不难发现，Qwen3的整体表现令人满意，建议大家也可以尝试使用。

总结

回首2024年，大模型领域虽然呈现出多样化的局面，但开源技术却面临瓶颈。Llama 4被指控作弊，Meta的发展遇到了阻碍；而谷歌的Gemini 3与智谱的GLM 4等开源模型大多规模较小，难以满足工业级应用的需求。

在这样的背景下，千问3系列模型的推出显得尤为重要。尽管其编号为“3”，但根据千问模型每次版本迭代0.5的规律，这实际上是该系列的第五代产品。

经过两年的打磨、五个版本的迭代以及数百款模型的优化，千问模型已经从开源领域的“新秀”成长为行业的标杆，肩负起推动全球开源大模型发展的重任，成为技术进步的中坚力量。

本文由 @贝琳_belin 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来源于Unsplash，基于CC0协议。

本文所表达的观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。