Qwen3 系列大模型亮点解析

Qwen3 官方博客：https://qwenlm.github.io/blog/qwen3/

Github 仓库：https://github.com/QwenLM/Qwen3

#大模型 #LLM #Qwen

总结一下我最关心的几个点：

一、混合思维模式

Qwen3 能在两种模式下工作，实现「按需切换」：

• 思考模式 (Thinking Mode)：处理复杂问题，比如数学推理、代码生成、深度分析的时候，模型会模拟人类的「慢思考」或「系统 2 思维」，进行详细的、逐步的推理（CoT），然后给出最终答案。

• 非思考模式 (Non-Thinking Mode)：面对相对简单、直接的问题，模型则采用「快思考」或「系统 1 思维」，迅速给出答案，优先保证响应速度和效率。

用户可以通过「思维预算」（token 数）来控制，也可以显式地通过 API 参数 (enable_thinking) 或特定指令（如对话中的 /think, /no_think 标签）来指导模型采用何种模式。

这个灵活度可能会带来应用上的一些新玩法。

二、架构与性能

这部分没有特别出人意料的东西。主打的架构是最近比较常见的 MoE：

• 旗舰模型 Qwen3-235B-A22B

• 相对小巧的 Qwen3-30B-A3B

还有一系列不同参数规模的 Dense 模型（从 0.6B 到 32B）。

这次的命名方式终于让我舒服了一点，从名字就能看出来这个模型是啥……

性能方面，从官方数据上看，感觉突破性没有特别强（当然终究还是要看实测）。我比较期待 Qwen3-30B-A3B 这个尺寸模型的实测表现。

这是官方的模型性能数据：

三、训练方式

预训练：


后训练：

graph TD
    %% Define Styles for final models
    classDef frontierFinal fill:#f8d7da,stroke:#e53e3e,stroke-width:2px,color:#721c24
    classDef lightweightFinal fill:#cce5ff,stroke:#3182ce,stroke-width:2px,color:#004085

    %% === Frontier Models Post-training ===
    subgraph "顶尖模型 (Frontier Models) 后训练流程"
        direction TB
        Base_Model_Large["大型<b>基础模型</b><br>(e.g., Base for 235B, 32B)"] --> PT1;
        PT1("阶段 1: 长思维链 (CoT) 冷启动<br>目标：学习基础推理") --> PT2;
        PT2("阶段 2: 基于推理的 RL<br>目标：强化推理能力") --> PT3;
        PT3("阶段 3: 思维模式融合<br>目标：融合思考/非思考") --> PT4;
        PT4("阶段 4: 通用 RL<br>目标：提升通用能力/对齐") --> Final_Model_Large;
        Final_Model_Large["产出: <b>顶尖指令模型</b><br>(e.g., Qwen3-235B-A22B, Qwen3-32B)<br>具备完整混合思维能力"];
        class Final_Model_Large frontierFinal;
    end

    %% === Lightweight Models Post-training ===
    subgraph "轻量级模型 (Lightweight Models) 后训练流程"
        direction TB
        Base_Model_Small["小型<b>基础模型</b><br>(e.g., Base for 30B, 14B, ...)"] --> Distill;
        Distill("<b>强模型到弱模型蒸馏</b><br>(Strong-to-Weak Distillation)<br>将大模型能力迁移到小模型") --> Final_Model_Small;
        Final_Model_Small["产出: <b>轻量级指令模型</b><br>(e.g., Qwen3-30B-A3B, Qwen3-14B, ...)<br>继承强大能力，更高效"];
        class Final_Model_Small lightweightFinal;
    end

    %% === Link between Frontier and Lightweight ===
    Final_Model_Large -- "作为 '强' 教师模型 (Teacher)" --> Distill;

也可看官方给的后训练流程图：

四、支持 MCP

看到很多媒体的说法是「原生」支持了 MCP，我对这个「原生」具体指代的内容抱有一点点疑问。看官方给的使用例子：

from qwen_agent.agents import Assistant

# Define LLM
llm_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 `<think>this is the thought</think>this is the answer;
    #         # Do not add: When the response has been separated by reasoning_content and content.
    #         'thought_in_content': True,
    #     },
}

# Define Tools
tools = [
    {'mcpServers': {  # You can specify the MCP configuration file
            'time': {
                'command': 'uvx',
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
            },
            "fetch": {
                "command": "uvx",
                "args": ["mcp-server-fetch"]
            }
        }
    },
'code_interpreter',  # Built-in tools
]

# Define Agent
bot = Assistant(llm=llm_cfg, function_list=tools)

# Streaming generation
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ Introduce the latest developments of Qwen'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

我的目前的理解是，qwen_agent 这个 SDK 封装了 MCP 的用法，而不是 Qwen3 系列模型针对 MCP 协议数据进行了预训练或者后训练。不过这个理解有待证实，需要后面看一下 qwen_agent 的代码。

不过，无论如何，对于用户（开发者）都是一件好事。