前言今夜无眠。一直写稿到现在因为那个源神杀回来了。今天凌晨5点阿里发布了全新一代模型Qwen3简称千问3。这是它的测评基准。有多牛呢与DeepSeek-R1、o1、o3-mini、Grok-3和Gemini-2.5-Pro等顶尖模型相比旗舰模型Qwen3-235B-A22B在编码、数学和通用能力等基准测试中取得了非常亮眼的成绩。更牛的是Qwen3的小尺寸模型也很能打。比如Qwen3-4B性能竟然完全不输72B的Qwen2.5-72B-Instruct模型。当然更更更牛的是千问3全系模型开源包括旗舰模型Qwen3-235B-A22B在内的八款千问3家族模型全部开源。可以自信且大胆的说这就是目前全球最强的开源模型来自中国的阿里。1、源神“八”仙过海本次开源的千问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和旗舰版Qwen3-235B-A22B。通常简单问题用Dense模型复杂问题用MoE模型。关于各模型的参数和推荐配置我简单整理了个表格。自部署优先推荐Qwen3-0.6B、Qwen3-14B及以上、Qwen3-30B-A3B和Qwen3-235B-A22B这几款模型。Qwen3-0.6B在手机端侧可跑。Qwen3-30B-A3B消费级显卡可跑激活参数仅3B整体性能堪比Qwen2.5-32B实现了10倍性能的提升。Qwen3-235B-A22BQwen3的旗舰模型总参数235B激活参数22B只需4张H20即可部署。以上8款开源模型均采用宽松的Apache2.0协议可自由修改、商用支持119种语言。所有公司无论规模大小所有AI开发者、科研机构不惧显卡门槛大家都能够用得上、也用得起千问3模型。Hugging Facehttps://huggingface.co/spaces/Qwen/Qwen3-DemoModelScopehttps://www.modelscope.cn/collections/Qwen3-9743180bdc6b48GitHubhttps://github.com/QwenLM/Qwen3如果嫌本地部署麻烦也可以直接在他们的Qwen Chat官网体验。网址是这个https://chat.qwen.ai进去后左上角选择“Qwen3”系列模型即可体验。当然也支持API调用大家可在阿里云百炼调用API服务正在上线中。上周六某高端局会议提到“人工智能可以是造福人类的国际公共产品。要广泛开展人工智能国际合作帮助全球南方国家加强技术能力建设为弥合全球智能鸿沟作出中国贡献。”这款千问3模型就是最好的代表。2、千问3的“特异”功能新一代千问3模型有些不一样的地方。1国内首款“混合推理模型”千问3既非单模态的语言模型也非专注CoT的推理模型而是“混合推理模型”原生支持推理模式与非推理模式两种工作模式。在使用中用户可通过enable_thinkingTure硬开关机制方式控制模型开启推理模式同时也支持软开关机制允许用户在enable_thinkingTrue时通过/think和/no_think指令来开启推理模式。说人话就是用户既可以通过功能键选择是否需要推理也可以用大白话来命令模型是否进行推理。在简单任务场景中关闭推理模式可以实现更快响应和更低推理成本在复杂任务场景中启用逐步推理可以带来更精准、严谨的结果。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})这是继Claude 3.7 Sonnet、Gemini 2.5家族后全球唯三的混合推理模型也是国内首款“混合推理模型”。2Agent的“好搭子”千问3模型原生支持MCP协议具备强大的工具调用function calling能力。最近大家都在说“大模型从对话走向执行”Manus、Genspark、AutoGLM、飞猪AI问一问、扣子空间等通用智能体雏形不断涌现。但实际体验起来你会发现这些Agent还差点意思。差的这个东西其实就是底座模型。千问3全面适配AI Agent生态。其架构不再局限于“问答能力”而是面向Agent架构优化的执行效率、响应结构与工具泛化能力。支持手机及电脑Agent操作等代理任务。搭建Agent强烈推荐用千问3来作底座模型。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亚非拉的“好兄弟”千问3模型的语言支持多达119种。不仅囊括了中、英、法、西、俄、阿拉伯等主要的联合国语言还包含德、意、日、韩、泰、越南、尼泊尔、瑞典、波兰、匈牙利等各国官方语言甚至连中国的粤语、非洲的斯瓦西里语、中东的意第绪语、西亚的亚美尼亚语、东南亚的爪哇语、美洲的海地语等地方性语言都支持。上周六某高端局会议为什么要强调“帮助全球南方国家”因为这些国家大多集中在亚洲、非洲、拉丁美洲和大洋洲他们的总人口占了全球的70%但经济却只有40%。很多南方国家根本没有能力开发自己语种的大模型。现在有了开源的千问3这道题就很好解了——你只要有电脑、能上网就能够部署自己的模型。从技术平权这个角度来说阿里是真的NB。Qwen3一手实测现在所有人都可以在Qwen Chat中体验最新版千问3模型。体验地址https://chat.qwen.ai我们来测几个Case看看模型的表现。先是网页设计能力用的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.这是一个测试模型代码能力的case主要考验模型的编程、审美和推理能力。大概1分钟左右Qwen3就给我们把代码写好了。我们把Html代码下载下来用浏览器打开看看效果这质量真不错啊。比我之前用的QwQ-32B推理模型要提升不少。再来看一个casePrompt来自X网友_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.这效果太棒了非常惊艳。最关键的是模型的生成速度真的很快。这2个case基本都在1分钟内完成任务。接着我们来看下数学能力。用了一道来自Putnam竞赛前500名人类选手都未能攻克的难题。Qwen3先进行了解题准确理解题目。我传给它的是一张图片看来Qwen3多模态能力不错而且也能理解La Tex数学公式。有没有数学大佬能不能帮忙看看这道题Qwen3到底有没有答对。测了代码、数学我们再来看下文学创作吧。还行过得去。最后考验一下模型的工具调用能力Qwen3独有的功能。Prompt制作 排序算法 (Sorting Algorithms)做成动态的效果图每个算法单独一个子页面。冒泡排序 (Bubble Sort): 元素像气泡一样“冒”到顶端交换过程非常直观。选择排序 (Selection Sort): 每次从未排序部分选出最小或最大元素放到已排序部分的末尾这个“选择”和“放置”的过程清晰可见。插入排序 (Insertion Sort): 像打扑克牌时整理手牌一样将元素插入到已排序部分的正确位置元素的“移动”和“插入”很形象。归并排序 (Merge Sort): “分而治之”的思想可以通过递归地分割数组然后清晰地展示两个已排序子数组如何“合并”成一个大数组来体现。合并步骤尤其适合可视化。快速排序 (Quick Sort): 选取“基准”pivot然后将元素分区小于基准的放一边大于等于的放另一边的过程非常适合可视化。递归调用也能通过颜色或区域划分展示。堆排序 (Heap Sort): 将数组构建成堆通常是二叉堆然后不断取出堆顶元素的过程可以通过树形结构和数组两种形式对照展示非常直观。不错啊居然调用了这么多工具来回答我的问题。写在最后我们一直都说人工智能是模拟、延伸和拓展人的智能。但如果一个模型技术出来总要我们人为去区分这模型、那模型其实这样的模型并不智能也一定不是人工智能的最终版本。今年新出的混合推理模型它结合了单一语言模型和推理模型的优势能够自如切换两种模式。快速回答模仿人类直觉反应CoT逐步推理模仿人类慢思考。在混合推理模型下无论简单问题还是复杂问题模型都能够应对自如实现速度与深度的平衡。理论说起来简单但要真正实现起来非常困难这会对模型的训练策略、数据设计和损失函数调度提出更高的要求。在全球唯三的混合推理模型中阿里Qwen3做到了。不仅做到还大方开源。只能说源神NB阿里NB。2024年中美顶级AI大模型性能差距接近抹平阿里AI贡献全球第三。当时阿里凭借6款重要模型入选。今天阿里发布的Qwen3一定也会入选2025年的年度AI大模型。这一夜你我都是见证者。两周前我在另一家国产开源模型的文章里写到“真正的技术进步不是闭源垄断而是开放共享。”今天我想给这句话打上补丁——开源是技术实力的试金石只有领先者才敢开源。千问3敢做敢当。最后的最后感谢你们的阅读和喜欢作为一位在一线互联网行业奋斗多年的老兵我深知在这个瞬息万变的技术领域中持续学习和进步的重要性。为了帮助更多热爱技术、渴望成长的朋友我特别整理了一份涵盖大模型领域的宝贵资料集。这些资料不仅是我多年积累的心血结晶也是我在行业一线实战经验的总结。这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习相信它们一定能为你提供实质性的帮助。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】大模型知识脑图为了成为更好的 AI大模型 开发者这里为大家提供了总的路线图。它的用处就在于你可以按照上面的知识点去找对应的学习资源保证自己学得较为全面。经典书籍阅读阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。实战案例光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。面试资料我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下640套AI大模型报告合集这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】