Qwen3：是什么以及如何使用

2025 年 4 月，Alibaba Cloud 推出了 Qwen3，这是 Qwen 系列大语言模型（LLMs）的最新版本。作为人工智能领域的重要进展，Qwen3 在语言理解、推理、多模态处理与计算效率方面展现出卓越能力。该模型支持 119 种语言，基于包含 36 万亿个 token 的数据集进行训练，并提供从 0.6 billion 到 235 billion 参数的多种模型规模。本文将深入探讨 Qwen3 的定义、特性、使用方法、接入方式、与其他模型的对比，以及其对 AI 领域的潜在影响，旨在为开发者、研究人员与企业提供全面参考。

什么是 Qwen3？

Qwen3 是一系列旨在理解与生成类人文本的大语言模型，适用于从日常对话到复杂推理任务的多种场景。它是 Alibaba Cloud 开发的 Qwen 系列的第三代产品，继 2023 年发布 Qwen 与 2024 年的 Qwen2 之后，后者在性能与功能方面进行了改进。

Qwen 系列简史

Qwen 系列始于 2023 年 4 月发布的 Qwen 模型，最初名为“通义千问”，基于 Meta AI 的 Llama 架构。2023 年 9 月获得中国政府批准后，Qwen 面向公众正式发布。2023 年 12 月，Qwen 72B 与 1.8B 模型开源；随后在 2024 年 6 月推出 Qwen2，采用专家混合（MoE）架构。Qwen3 于 2025 年 4 月推出，引入混合推理能力与多模态功能，成为该系列迄今为止最先进的版本。

Qwen3 的特性

Qwen3 提供一系列创新特性，使其在全球 AI 模型领域中脱颖而出：

多语言支持

Qwen3 支持 119 种语言，覆盖主要的全球语言体系。这使其成为跨文化与多语言应用（如国际客户支持与多语内容生成）的理想选择。

大规模训练数据

Qwen3 的训练数据集由近 36 万亿个 token 构成，约合 270 billion 个词。其内容覆盖广泛，包括教材、问答对、代码片段与 AI 生成内容，主要为中文与英文。如此规模确保了其在语言理解与生成方面的出色表现。

多样化模型规模

Qwen3 提供从 0.6 billion 到 235 billion 参数的多种模型规模：

小型模型（0.6B、1.7B）：适用于轻量级应用，可在智能手机等设备上运行。
中型模型（4B、8B、14B、32B）：在性能与资源需求间取得平衡，适用于大多数开发场景。
大型模型（235B）：为企业级任务提供顶级性能。

Model Name	Parameter Size	Context Window (tokens)	Applicable Scenarios
Qwen3-0.6B	0.6 billion	32,768	移动设备，轻量级应用
Qwen3-1.7B	1.7 billion	32,768	嵌入式系统，快速推理
Qwen3-4B	4 billion	131,072	中小型项目，研究
Qwen3-8B	8 billion	131,072	通用应用，开发
Qwen3-32B	32 billion	131,072	高性能任务，企业应用
Qwen3-235B-A22B	235 billion	131,072	顶级性能，复杂推理（未公开提供）

混合推理能力

Qwen3 引入“混合推理”特性，使模型能够在回答复杂问题前进行逐步推理。该能力在逻辑推理、数学问题与编程任务中尤为突出。用户可通过设置启用或禁用该模式（例如 enable_thinking=True）。

专家混合（MoE）模型

Qwen3 包含专家混合模型，如 Qwen3-30B-A3B（30 billion 参数，3 billion 活跃）与 Qwen3-235B-A22B（235 billion 参数，22 billion 活跃）。这些模型通过仅激活部分参数来加速推理，同时保持高性能，非常适合大规模部署。

扩展的 Token 限制

部分 Qwen3 模型支持最高 131,072 个 token 的上下文窗口（4B 及以上模型），相较 Qwen2 的 32,768 个 token 有显著提升。这一改进使模型能够处理更长的对话与更复杂的文本生成任务。

Qwen3

Qwen 3 基准测试

该模型在代码生成、调试与数学问题求解方面表现出色，是软件开发与数据分析的有力工具。

Qwen3：是什么以及如何使用

如何使用 Qwen3

应用场景

Qwen3 的多样性使其适用于多种场景：

聊天机器人与虚拟助手：为客户支持与个人助手应用提供自然、具备上下文感知的响应。
内容生成：生成文章、故事、代码以及其他创意或技术内容。
数据分析：协助解释与总结大型数据集，用于研究与商业智能。
教育工具：帮助学生完成作业、提供讲解并支持个性化学习体验。
科学研究：支持文献综述、假设生成与科学问题求解。

项目集成

开发者可使用以下框架与工具集成 Qwen3：

Transformers：需要 transformers>=4.51.0。示例代码片段：

  from transformers import AutoModelForCausalLM, AutoTokenizer
  model = AutoModelForCausalLM.from_pretrained("Qwen/Qwen3-8B")
  tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-8B")
  inputs = tokenizer("Hello, how can I assist you?", return_tensors="pt")
  outputs = model.generate(**inputs, enable_thinking=True)
  print(tokenizer.decode(outputs))

用户可以使用 enable_thinking=True 或通过 /think 和 /nothink 控制。

llama.cpp：需要 llama.cpp>=b5092。命令行示例：

  ./llama-cli -hf Qwen/Qwen3-8B-GGUF:Q8_0 --jinja --color -ngl 99 -fa -sm row --temp 0.6 --top-k 20 --top-p 0.95 --min-p 0 -c 40960 -n 32768 --no-context-shift

Ollama：需要 Ollama v0.6.6 或更高版本。运行命令：

  ollama run qwen3:8b

支持参数如 num_ctx 40960 与 num_predict 32768。

部署选项：
SGLang：需要 sglang>=0.4.6.post1。启动命令：python -m sglang.launch_server --model-path Qwen/Qwen3-8B --port 30000 --reasoning-parser qwen3
vLLM：需要 vllm>=0.8.5。服务命令：vllm serve Qwen/Qwen3-8B --port 8000 --enable-reasoning --reasoning-parser deepseek_r1
MindIE：支持 Ascend NPU；访问 Modelers 获取详情。

工具使用

Qwen-Agent 支持 Qwen3 与外部工具与 API 的交互，适用于需要动态数据访问的任务。该特性也受到 SGLang、vLLM、Transformers、llama.cpp 与 Ollama 的支持。

微调

Qwen3 可通过 Axolotl、UnSloth、Swift 与 Llama-Factory 等框架进行微调，支持监督微调（SFT）、直接偏好优化（DPO）与分组稳健偏好优化（GRPO）等技术。

结论

Qwen3 代表了大语言模型领域的一次突破，提供更强的功能性、多样性与可及性。凭借多语言支持、混合推理以及面向视觉、数学与音频任务的专项版本，Qwen3 成为 AI 领域的重要参与者。其在 Codeforces、AIME 与 BFCL 等基准中的竞争力表现，以及其开源特性，使其成为开发者、研究人员与企业的理想选择。随着 AI 技术的不断进步，Qwen3 标志着迈向更能理解、推理并以愈加复杂方式与世界交互的智能系统的重要一步。

入门

开发者可通过 Qwen 3 API 经由 CometAPI 进行访问。开始之前，可在 Playground 中探索模型能力，并查阅 API guide 获取详细说明。请注意，部分开发者在使用该模型前可能需要完成组织验证。