Qwen3值不值得普通用户本地部署？3个落地场景，30道题，300条回答，10模型大混测，豆包AI打分！

前几天阿里发布了Qwen3，这所有消息里，最吸引我的一条是：

Qwen3-4B可追平上代开源超大杯Qwen2.5-72B

没错，作为一个单纯的使用者，我对这次Qwen3的小模更感兴趣。

Qwen3-235B-A22B虽然说性能也强，登顶全球开源榜首，瑞思拜，但我本地部署不了呀。要说直接线上用，对最近集齐了GPT、Claude、Gemini御三家+Cursor会员的我来说，吸引力也不大。

而小模性能的提升，意味着个人本地部署可行性的提升。能本地部署就意味着数据离线私有化和无限量的tokens，成功勾起了本4090用户的兴趣。

但这得有个前提：Qwen3小模的性能真的够看。

因为首先DeepSeek蒸馏的那几个模型它确实不是DeepSeek，其次能部署到消费级显卡上的几个模型表现是真的挺一般，相比之下还不如用API呢。

所以，进入今天的主题，咱们看看Qwen3的小模到底咋样。

---

首先声明：我这次的测试场景比较主观，并不是严肃测评。相关的评分是由AI（Doubao-1.5-thinking-pro）给出，娱乐一下。

场景方面，我基于自己的使用场景选了三个，我觉得应该不小比例的普通工作党跟我的场景近似：

1. 对于带有一定目的性的文案的审查和修改。

   测试题目是用了10条存在问题的淘宝好评文案。

2. 对内容的总结和理解。

   测试题目是在网上随机选取的10篇文章。

3. 基本问答下的逻辑和计算能力。

   测试题目是在弱智吧训练集中随机选取的10个问题（带答案）。

参与测试的大模型一共10个：

• 6个是我通过Ollama在本机部署的，分别是：

  qwen3:8b、qwen3:14b、qwen3:32b、qwen3:30b-a3b、deepseek-r1:8b、deepseek-r1:32b

• 4个是线上API接入，分别是：

  QwQ-32B、GLM-4-Flash、DeepSeek-V3、Grok-3

裁判是Doubao-1.5-thinking-pro：

• 前两个场景，它会站在上帝视角，浏览所有选手回答后进行打分

• 弱智吧测试题，会根据标准答案进行打分

测试环境，本来准备使用CherryStudio，但后来发现回答同一个问题时模型之间会相互抄作业，所以最后还是使用了多维表格。

正好最后的完整测试题目和选手回答也方便放出来。

---

下面是正式的测试结果。

各10题，平均分就是求和分值除以10。

第一卷 文案分析和修改：

得分：

Qwen3确实表现不俗，第一卷就被32B拿了榜首。

之前DeepSeek蒸馏的两个模型——我说的也没骗人吧——排名比较靠后。

免费调用的GLM-4-Flash遗憾垫底。但为它说句公道话，你很难找到跟它一样免费不限量且高并发的API了。

第二卷 文章总结和感悟：

得分：

QWQ-32B拔得头筹。

DeepSeek-V3稳居第二。

上一场第一名Qwen3:32B本次名列第三。

DeepSeek蒸馏的32B（其实蒸馏的也是千问），上升到第四，8B仍然落后。

GLM-4-Flash依旧陪跑。

第三卷 弱智吧答题考试：

得分：

DeepSeek-V3依旧强悍（本次使用的是0324版本）。

Qwen3:14B这次怒拿第二名，32B第三，也是优等生。

DeepSeek蒸馏8B遗憾垫底，32B倒数第三。

GLM-4-Flash在弱智吧上扳回一城，保住了颜面。

最终测试结果：

DeepSeek-V3第一名。

Qwen3:32B第二名。

QWQ-32B出乎我的意料拿到第三名。

Qwen3:30B-A3B本来我寄予厚望，不过在这几项测试上意外爆冷。

如果根据这个结果，90及以上显卡的朋友本地部署建议选择Qwen3:32B，稍差一些的14B也是不错的选择，8B也会强过之前的DeepSeek蒸馏版本。

---

以上完整测试问题和结果可查看链接：

https://ilovezhiwai.feishu.cn/wiki/HThDwnX0FiyTIakyDe9c2z99nef?from=from_copylink

再次重申：本测试既不科学也不严谨，仅供逗乐。请不要在严肃领域使用本次测试结论。

祝大家五一假期愉快！

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓