重磅消息，新一代通义千问模型 Qwen3正式开源了！

前言

2025 年 4 月 29 日凌晨，阿里正式开源了新一代通义千问模型 Qwen3，这一举动无疑在人工智能领域投下了一颗重磅炸弹，Qwen3 凭借其卓越的性能和诸多创新优势，迅速登顶全球开源大模型王座，让众多开发者和研究人员为之振奋。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

一、Qwen3 概述

Qwen3 是阿里巴巴通义千问团队推出的最新一代大型语言模型。它包含 8 个不同尺寸的模型，既有稠密模型（Dense Model），也有混合专家（Mixture-of-Experts，MoE）模型。具体来说，Qwen3 的模型阵容包括 Qwen3-0.6B、Qwen3-1.7B、Qwen3-4B、Qwen3-8B、Qwen3-14B、Qwen3-32B、Qwen3-30B-A3B 和 Qwen3-235B-A22B。这些模型覆盖了从小型设备到大规模企业应用的各种场景。

Qwen3 的开源协议为 Apache 2.0，这意味着开发者可以免费商用这些模型，极大地降低了使用门槛，推动了技术的普及和应用。

二、技术亮点

（一）混合推理能力

Qwen3 的最大亮点之一是其混合推理能力。它支持“思考模式”和“非思考模式”之间的无缝切换。在思考模式下，模型可以进行复杂的逻辑推理、数学计算和代码生成；而在非思考模式下，模型则能够提供高效的通用聊天功能。这种双模式设计使得 Qwen3 能够在不同任务中灵活调整性能和资源消耗，满足多样化的应用场景。

（二）多语言支持

Qwen3 支持多达 119 种语言，这使其在全球范围内具有广泛的应用潜力。无论是中文、英文还是其他小语种，Qwen3 都能够提供高质量的语言理解和生成能力。这对于需要跨语言交互的应用场景，如国际商务、多语言客服等，具有重要的意义。

（三）强大的 Agent 能力

Qwen3 在 Agent 能力方面表现出色。它能够精准地与外部工具集成，在复杂任务中实现高效的自动化操作。例如，在需要调用外部数据库或 API 的场景中，Qwen3 可以通过其强大的 Agent 能力，无缝完成任务。

（四）高效的部署与成本控制

Qwen3 的部署成本较低。其旗舰模型 Qwen3-235B-A22B 的激活参数仅为 22B，这意味着在实际应用中，企业可以以较低的硬件成本实现高性能的模型部署。此外，Qwen3 还支持多种推理框架，如 SGLang、vLLM 等，进一步提高了部署的灵活性。

（五）性能优化

Qwen3 在多个基准测试中表现优异。其推理能力、代码生成能力和数学解题能力均达到了行业领先水平。例如，Qwen3 的数学推理能力支持分步解题，复杂应用题处理速度可达 3 秒 / 题，超越了 GPT-4o 等同类模型。

三、应用场景

（一）企业级应用

对于企业来说，Qwen3 可以用于智能客服、自动化办公、数据分析等多个领域。其强大的推理能力和多语言支持能够帮助企业提高工作效率，降低成本。例如，企业可以利用 Qwen3 的 Agent 能力，实现自动化的数据处理和报告生成。

（二）开发者工具

开发者可以利用 Qwen3 的代码生成能力，快速开发和优化应用程序。Qwen3 可以根据需求生成高质量的代码片段，甚至可以完成复杂的编程任务。这不仅提高了开发效率，还降低了开发门槛。

（三）教育领域

在教育领域，Qwen3 可以作为智能辅导工具。它能够根据学生的问题，提供详细的解答和解释。无论是数学问题、编程问题还是语言学习问题，Qwen3 都能够提供有效的支持。

四、部署示例

（一）使用 Hugging Face 部署

Qwen3 支持通过 Hugging Face 的 transformers 库进行部署。开发者可以使用以下代码片段来加载和使用 Qwen3 模型：

from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen3-8B"

# 加载 tokenizer 和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备模型输入
prompt = "Give me a short introduction to large language models."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # 控制思考模式
)
input_ids = tokenizer(text, return_tensors="pt").input_ids.to("cuda")

# 生成输出
output = model.generate(input_ids, max_new_tokens=256)
print(tokenizer.decode(output[0], skip_special_tokens=True))

通过上述代码，开发者可以在本地环境中快速加载和使用 Qwen3 模型。Hugging Face 的 transformers 库提供了强大的工具支持，使得模型的加载、推理和输出处理变得简单高效。

（二）使用 SGLang 部署

除了 Hugging Face，Qwen3 还支持通过 SGLang 进行部署。SGLang 是一种专为大语言模型优化的推理框架，能够进一步提升模型的推理效率和性能。开发者可以通过以下代码片段使用 SGLang 部署 Qwen3：

from sglang import SGLang

# 初始化 SGLang
sg = SGLang()

# 加载模型
sg.load_model("Qwen/Qwen3-8B")

# 生成输出
output = sg.generate("Give me a short introduction to large language models.")
print(output)

SGLang 提供了简洁的 API 接口，使得开发者可以轻松地将 Qwen3 集成到自己的应用程序中。同时，SGLang 还支持多线程推理，能够有效提升推理速度。

（三）使用 vLLM 部署

vLLM 是另一种流行的推理框架，它专注于大规模语言模型的高效部署。Qwen3 也支持通过 vLLM 进行部署，以下是使用 vLLM 的代码示例：

from vllm import LLM, SamplingParams

# 初始化 LLM
llm = LLM(model="Qwen/Qwen3-8B")

# 设置采样参数
sampling_params = SamplingParams(temperature=0.7, top_p=0.9)

# 生成输出
outputs = llm.generate(["Give me a short introduction to large language models."], sampling_params=sampling_params)
for output in outputs:
    print(output.outputs[0].text)

vLLM 提供了灵活的采样参数配置，使得开发者可以根据具体需求调整生成结果的多样性和质量。

五、Qwen3 的优势与挑战

（一）优势

1. 开源与免费商用：Qwen3 采用 Apache 2.0 开源协议，开发者可以免费商用，极大地降低了使用成本。
2. 强大的多语言支持：支持 119 种语言，覆盖了全球大部分语言需求，适用于多种跨语言应用场景。
3. 混合推理能力：支持“思考模式”和“非思考模式”的无缝切换，能够灵活应对复杂任务和通用聊天需求。
4. 高效的部署与推理：支持多种推理框架（如 Hugging Face、SGLang、vLLM），并优化了推理效率，降低了硬件成本。
5. 强大的 Agent 能力：能够与外部工具集成，实现自动化操作，提升任务处理效率。

（二）挑战

1. 模型规模与资源需求：尽管 Qwen3 在部署成本上进行了优化，但其较大的模型规模（如 Qwen3-235B-A22B）仍然对硬件资源有一定要求。
2. 性能优化的持续性：虽然 Qwen3 在多个基准测试中表现优异，但在实际应用中，仍需不断优化以应对各种复杂场景。
3. 社区支持与生态建设：作为相对较新的开

源项目，Qwen3 的社区支持和生态建设仍在起步阶段，开发者可能需要更多时间来熟悉和使用。

六、未来展望

Qwen3 的开源为大语言模型领域带来了新的活力。其强大的技术特点和灵活的部署方式使其在企业级应用、开发者工具和教育领域具有广阔的应用前景。未来，随着社区的不断壮大和技术的持续优化，Qwen3 有望在更多领域发挥重要作用。

同时，Qwen3 的开源也为开发者提供了宝贵的学习和研究机会。开发者可以通过研究 Qwen3 的架构和实现细节，深入了解大语言模型的设计理念和技术原理。此外，开发者还可以基于 Qwen3 进行二次开发，探索更多创新的应用场景。

结语

Qwen3 的开源是大语言模型领域的一个重要里程碑。它不仅为开发者提供了一个强大的工具，也为人工智能技术的普及和应用注入了新的动力。通过本文的介绍，大家应该对 Qwen3 的技术特点、应用场景和部署方式有了全面的了解。希望本文能够帮助大家更好地理解和使用 Qwen3，共同推动人工智能技术的发展。如果你对 Qwen3 感兴趣，不妨尝试将其应用到你的项目中，探索更多可能性。

---

CSDN独家福利

最后，感谢每一个认真阅读我文章的人，礼尚往来总是要有的，下面资料虽然不是什么很值钱的东西，如果你用得到的话可以直接拿走：