前言今夜無眠。一直寫稿到現在因為那個源神殺回來了。今天凌晨5點阿里發布了全新一代模型Qwen3簡稱千問3。這是它的測評基準。有多牛呢與DeepSeek-R1、o1、o3-mini、Grok-3和Gemini-2.5-Pro等頂尖模型相比旗艦模型Qwen3-235B-A22B在編碼、數學和通用能力等基準測試中取得了非常亮眼的成績。更牛的是Qwen3的小尺寸模型也很能打。比如Qwen3-4B性能竟然完全不輸72B的Qwen2.5-72B-Instruct模型。當然更更更牛的是千問3全系模型開源包括旗艦模型Qwen3-235B-A22B在內的八款千問3家族模型全部開源。可以自信且大膽的說這就是目前全球最強的開源模型來自中國的阿里。1、源神“八”仙過海本次開源的千問3家族模型一共有8款6款Dense模型0.6B、1.7B、4B、8B、14B、32B。2款MoE模型Qwen3-30B-A3B和旗艦版Qwen3-235B-A22B。通常簡單問題用Dense模型復雜問題用MoE模型。關于各模型的參數和推薦配置我簡單整理了個表格。自部署優先推薦Qwen3-0.6B、Qwen3-14B及以上、Qwen3-30B-A3B和Qwen3-235B-A22B這幾款模型。Qwen3-0.6B在手機端側可跑。Qwen3-30B-A3B消費級顯卡可跑激活參數僅3B整體性能堪比Qwen2.5-32B實現了10倍性能的提升。Qwen3-235B-A22BQwen3的旗艦模型總參數235B激活參數22B只需4張H20即可部署。以上8款開源模型均采用寬松的Apache2.0協議可自由修改、商用支持119種語言。所有公司無論規模大小所有AI開發者、科研機構不懼顯卡門檻大家都能夠用得上、也用得起千問3模型。Hugging Facehttps://huggingface.co/spaces/Qwen/Qwen3-DemoModelScopehttps://www.modelscope.cn/collections/Qwen3-9743180bdc6b48GitHubhttps://github.com/QwenLM/Qwen3如果嫌本地部署麻煩也可以直接在他們的Qwen Chat官網體驗。網址是這個https://chat.qwen.ai進去后左上角選擇“Qwen3”系列模型即可體驗。當然也支持API調用大家可在阿里云百煉調用API服務正在上線中。上周六某高端局會議提到“人工智能可以是造福人類的國際公共產品。要廣泛開展人工智能國際合作幫助全球南方國家加強技術能力建設為彌合全球智能鴻溝作出中國貢獻。”這款千問3模型就是最好的代表。2、千問3的“特異”功能新一代千問3模型有些不一樣的地方。1國內首款“混合推理模型”千問3既非單模態的語言模型也非專注CoT的推理模型而是“混合推理模型”原生支持推理模式與非推理模式兩種工作模式。在使用中用戶可通過enable_thinkingTure硬開關機制方式控制模型開啟推理模式同時也支持軟開關機制允許用戶在enable_thinkingTrue時通過/think和/no_think指令來開啟推理模式。說人話就是用戶既可以通過功能鍵選擇是否需要推理也可以用大白話來命令模型是否進行推理。在簡單任務場景中關閉推理模式可以實現更快響應和更低推理成本在復雜任務場景中啟用逐步推理可以帶來更精準、嚴謹的結果。fromtransformersimportAutoModelForCausalLM,AutoTokenizerclass QwenChatbot:def__init__(self,model_nameQwen/Qwen3-30B-A3B):self.tokenizerAutoTokenizer.from_pretrained(model_name)self.modelAutoModelForCausalLM.from_pretrained(model_name)self.history[]defgenerate_response(self,user_input):messagesself.history[{role:user,content:user_input}]textself.tokenizer.apply_chat_template(messages,tokenizeFalse,add_generation_promptTrue)inputsself.tokenizer(text,return_tensorspt)response_idsself.model.generate(**inputs,max_new_tokens32768)[0][len(inputs.input_ids[0]):].tolist()responseself.tokenizer.decode(response_ids,skip_special_tokensTrue)# Update history self.history.append({role: user, content: user_input}) self.history.append({role: assistant, content: response}) return response# Example Usageif __name__ __main__: chatbot QwenChatbot() # First input (without /think or /no_think tags, thinking mode is enabled by default) user_input_1 How many rs in strawberries? print(fUser: {user_input_1}) response_1 chatbot.generate_response(user_input_1) print(fBot: {response_1}) print(----------------------) # Second input with /no_think user_input_2 Then, how many rs in blueberries? /no_think print(fUser: {user_input_2}) response_2 chatbot.generate_response(user_input_2) print(fBot: {response_2}) print(----------------------) # Third input with /think user_input_3 Really? /think print(fUser: {user_input_3}) response_3 chatbot.generate_response(user_input_3) print(fBot: {response_3})這是繼Claude 3.7 Sonnet、Gemini 2.5家族后全球唯三的混合推理模型也是國內首款“混合推理模型”。2Agent的“好搭子”千問3模型原生支持MCP協議具備強大的工具調用function calling能力。最近大家都在說“大模型從對話走向執行”Manus、Genspark、AutoGLM、飛豬AI問一問、扣子空間等通用智能體雛形不斷涌現。但實際體驗起來你會發現這些Agent還差點意思。差的這個東西其實就是底座模型。千問3全面適配AI Agent生態。其架構不再局限于“問答能力”而是面向Agent架構優化的執行效率、響應結構與工具泛化能力。支持手機及電腦Agent操作等代理任務。搭建Agent強烈推薦用千問3來作底座模型。附Agent示例。fromqwen_agent.agentsimportAssistant# Define LLMllm_cfg { model: Qwen3-30B-A3B, # Use the endpoint provided by Alibaba Model Studio: # model_type: qwen_dashscope, # api_key: os.getenv(DASHSCOPE_API_KEY), # Use a custom endpoint compatible with OpenAI API: model_server: http://localhost:8000/v1, # api_base api_key: EMPTY, # Other parameters: # generate_cfg: { # # Add: When the response content is thinkthis is the thought/thinkthis is the answer; # # Do not add: When the response has been separated by reasoning_content and content. # thought_in_content: True, # },}# Define Toolstools [ {mcpServers: { # You can specify the MCP configuration file time: { command: uvx, args: [mcp-server-time, --local-timezoneAsia/Shanghai] }, fetch: { command: uvx, args: [mcp-server-fetch] } } }, code_interpreter, # Built-in tools]# Define Agentbot Assistant(llmllm_cfg, function_listtools)# Streaming generationmessages [{role: user, content: https://qwenlm.github.io/blog/ Introduce the latest developments of Qwen}]for responses in bot.run(messagesmessages): passprint(responses)3亞非拉的“好兄弟”千問3模型的語言支持多達119種。不僅囊括了中、英、法、西、俄、阿拉伯等主要的聯合國語言還包含德、意、日、韓、泰、越南、尼泊爾、瑞典、波蘭、匈牙利等各國官方語言甚至連中國的粵語、非洲的斯瓦西里語、中東的意第緒語、西亞的亞美尼亞語、東南亞的爪哇語、美洲的海地語等地方性語言都支持。上周六某高端局會議為什么要強調“幫助全球南方國家”因為這些國家大多集中在亞洲、非洲、拉丁美洲和大洋洲他們的總人口占了全球的70%但經濟卻只有40%。很多南方國家根本沒有能力開發自己語種的大模型。現在有了開源的千問3這道題就很好解了——你只要有電腦、能上網就能夠部署自己的模型。從技術平權這個角度來說阿里是真的NB。Qwen3一手實測現在所有人都可以在Qwen Chat中體驗最新版千問3模型。體驗地址https://chat.qwen.ai我們來測幾個Case看看模型的表現。先是網頁設計能力用的X上AGI_FromWalmart 的Prompt。Create a single HTML file containing CSS and JavaScript to generate an animated weather card. The card should visually represent the following weather conditions with distinct animations: Wind: (e.g., moving clouds, swaying trees, or wind lines) Rain: (e.g., falling raindrops, puddles forming) Sun: (e.g., shining rays, bright background) Snow: (e.g., falling snowflakes, snow accumulating) Show all the weather card side by side The card should have a dark background. Provide all the HTML, CSS, and JavaScript code within this single file. The JavaScript should include a way to switch between the different weather conditions (e.g., a function or a set of buttons) to demonstrate the animations for each.這是一個測試模型代碼能力的case主要考驗模型的編程、審美和推理能力。大概1分鐘左右Qwen3就給我們把代碼寫好了。我們把Html代碼下載下來用瀏覽器打開看看效果這質量真不錯啊。比我之前用的QwQ-32B推理模型要提升不少。再來看一個casePrompt來自X網友_akhaliq。Write a p5.html script that simulates 25 particles in a vacuum space of a cylindrical container, bouncing within its boundaries. Use different colors for each ball and ensure they leave a trail showing their movement. Add a slow rotation of the container to give better view of what’s going on in the scene. Make sure to create proper collision detection and physic rules to ensure particles remain in the container. Add an external spherical container. Add a slow zoom in and zoom out effect to the whole scene.這效果太棒了非常驚艷。最關鍵的是模型的生成速度真的很快。這2個case基本都在1分鐘內完成任務。接著我們來看下數學能力。用了一道來自Putnam競賽前500名人類選手都未能攻克的難題。Qwen3先進行了解題準確理解題目。我傳給它的是一張圖片看來Qwen3多模態能力不錯而且也能理解La Tex數學公式。有沒有數學大佬能不能幫忙看看這道題Qwen3到底有沒有答對。測了代碼、數學我們再來看下文學創作吧。還行過得去。最后考驗一下模型的工具調用能力Qwen3獨有的功能。Prompt制作 排序算法 (Sorting Algorithms)做成動態的效果圖每個算法單獨一個子頁面。冒泡排序 (Bubble Sort): 元素像氣泡一樣“冒”到頂端交換過程非常直觀。選擇排序 (Selection Sort): 每次從未排序部分選出最小或最大元素放到已排序部分的末尾這個“選擇”和“放置”的過程清晰可見。插入排序 (Insertion Sort): 像打撲克牌時整理手牌一樣將元素插入到已排序部分的正確位置元素的“移動”和“插入”很形象。歸并排序 (Merge Sort): “分而治之”的思想可以通過遞歸地分割數組然后清晰地展示兩個已排序子數組如何“合并”成一個大數組來體現。合并步驟尤其適合可視化。快速排序 (Quick Sort): 選取“基準”pivot然后將元素分區小于基準的放一邊大于等于的放另一邊的過程非常適合可視化。遞歸調用也能通過顏色或區域劃分展示。堆排序 (Heap Sort): 將數組構建成堆通常是二叉堆然后不斷取出堆頂元素的過程可以通過樹形結構和數組兩種形式對照展示非常直觀。不錯啊居然調用了這么多工具來回答我的問題。寫在最后我們一直都說人工智能是模擬、延伸和拓展人的智能。但如果一個模型技術出來總要我們人為去區分這模型、那模型其實這樣的模型并不智能也一定不是人工智能的最終版本。今年新出的混合推理模型它結合了單一語言模型和推理模型的優勢能夠自如切換兩種模式。快速回答模仿人類直覺反應CoT逐步推理模仿人類慢思考。在混合推理模型下無論簡單問題還是復雜問題模型都能夠應對自如實現速度與深度的平衡。理論說起來簡單但要真正實現起來非常困難這會對模型的訓練策略、數據設計和損失函數調度提出更高的要求。在全球唯三的混合推理模型中阿里Qwen3做到了。不僅做到還大方開源。只能說源神NB阿里NB。2024年中美頂級AI大模型性能差距接近抹平阿里AI貢獻全球第三。當時阿里憑借6款重要模型入選。今天阿里發布的Qwen3一定也會入選2025年的年度AI大模型。這一夜你我都是見證者。兩周前我在另一家國產開源模型的文章里寫到“真正的技術進步不是閉源壟斷而是開放共享。”今天我想給這句話打上補丁——開源是技術實力的試金石只有領先者才敢開源。千問3敢做敢當。最后的最后感謝你們的閱讀和喜歡作為一位在一線互聯網行業奮斗多年的老兵我深知在這個瞬息萬變的技術領域中持續學習和進步的重要性。為了幫助更多熱愛技術、渴望成長的朋友我特別整理了一份涵蓋大模型領域的寶貴資料集。這些資料不僅是我多年積累的心血結晶也是我在行業一線實戰經驗的總結。這些學習資料不僅深入淺出而且非常實用讓大家系統而高效地掌握AI大模型的各個知識點。如果你愿意花時間沉下心來學習相信它們一定能為你提供實質性的幫助。這份完整版的大模型 AI 學習資料已經上傳CSDN朋友們如果需要可以微信掃描下方CSDN官方認證二維碼免費領取【保證100%免費】大模型知識腦圖為了成為更好的 AI大模型 開發者這里為大家提供了總的路線圖。它的用處就在于你可以按照上面的知識點去找對應的學習資源保證自己學得較為全面。經典書籍閱讀閱讀AI大模型經典書籍可以幫助讀者提高技術水平開拓視野掌握核心技術提高解決問題的能力同時也可以借鑒他人的經驗。對于想要深入學習AI大模型開發的讀者來說閱讀經典書籍是非常有必要的。實戰案例光學理論是沒用的要學會跟著一起敲要動手實操才能將自己的所學運用到實際當中去這時候可以搞點實戰案例來學習。面試資料我們學習AI大模型必然是想找到高薪的工作下面這些面試題都是總結當前最新、最熱、最高頻的面試題并且每道題都有詳細的答案面試前刷完這套面試題資料小小offer不在話下640套AI大模型報告合集這套包含640份報告的合集涵蓋了AI大模型的理論研究、技術實現、行業應用等多個方面。無論您是科研人員、工程師還是對AI大模型感興趣的愛好者這套報告合集都將為您提供寶貴的信息和啟示。這份完整版的大模型 AI 學習資料已經上傳CSDN朋友們如果需要可以微信掃描下方CSDN官方認證二維碼免費領取【保證100%免費】