前言今天通義千問Qwen團(tuán)隊(duì)正式開源推出 Qwen3這是 Qwen 系列大型語言模型的最新成員。最新的Qwen3系列模型具備雙模推理能力深入思考/快速響應(yīng)、支持119種語言及方言并強(qiáng)化了Agent功能與代碼執(zhí)行能力全面滿足復(fù)雜問題處理與全球化應(yīng)用需求。其中旗艦?zāi)Ｐ?Qwen3-235B-A22B 在代碼、數(shù)學(xué)、通用能力等基準(zhǔn)測試中與 DeepSeek-R1、o1、o3-mini、Grok-3 和 Gemini-2.5-Pro 等頂級模型相比表現(xiàn)出極具競爭力的結(jié)果。此外小型 MoE 模型 Qwen3-30B-A3B 的激活參數(shù)數(shù)量是 QwQ-32B 的 10%表現(xiàn)更勝一籌甚至像 Qwen3-4B 這樣的小模型也能匹敵 Qwen2.5-72B-Instruct 的性能。本次Qwen3開源了兩個(gè) MoE 模型的權(quán)重Qwen3-235B-A22B一個(gè)擁有 2350 多億總參數(shù)和 220 多億激活參數(shù)的大模型以及Qwen3-30B-A3B一個(gè)擁有約 300 億總參數(shù)和 30 億激活參數(shù)的小型 MoE 模型。此外六個(gè) Dense 模型也已開源包括 Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B 和 Qwen3-0.6B均在 Apache 2.0 許可下開源。Githubhttps://github.com/QwenLM/Qwen3Bloghttps://qwenlm.github.io/zh/blog/qwen3/模型合集https://www.modelscope.cn/collections/Qwen3-9743180bdc6b48創(chuàng)空間體驗(yàn)https://www.modelscope.cn/studios/Qwen/qwen3-chat-demo模型亮點(diǎn)小編敲黑板Qwen3 模型支持兩種思考模式思考模式在這種模式下模型會逐步推理經(jīng)過深思熟慮后給出最終答案適合需要深入思考的復(fù)雜問題。非思考模式在此模式中模型提供快速、近乎即時(shí)響應(yīng)適用于對速度要求高于深度的簡單問題。多語言Qwen3 模型支持 119 種語言和方言其中包括印歐語系、漢藏語系、亞非語系、南島語系、德拉威語、突厥語系 、壯侗語系、烏拉爾語系、南亞語系等等。這一廣泛的多語言能力為國際應(yīng)用開辟了新的可能性讓全球用戶都能受益于這些模型的強(qiáng)大功能。增強(qiáng)的 Agent 能力優(yōu)化了 Qwen3 模型的 Agent 和 代碼能力同時(shí)也加強(qiáng)了對 MCP 的支持后文附使用Qwen3系列模型與MCP結(jié)合的實(shí)戰(zhàn)教程1、推理部署Transformers在 transformers 中使用 Qwen3-30B-A3B frommodelscopeimportAutoModelForCausalLM,AutoTokenizermodel_nameQwen/Qwen3-30B-A3B# load the tokenizer and the modeltokenizer AutoTokenizer.from_pretrained(model_name)model AutoModelForCausalLM.from_pretrained( model_name, torch_dtypeauto, device_mapauto)# prepare the model inputprompt Give me a short introduction to large language model.messages [ {role: user, content: prompt}]text tokenizer.apply_chat_template( messages, tokenizeFalse, add_generation_promptTrue, enable_thinkingTrue # Switch between thinking and non-thinking modes. Default is True.)model_inputs tokenizer([text], return_tensorspt).to(model.device)# conduct text completiongenerated_ids model.generate( **model_inputs, max_new_tokens32768)output_ids generated_ids[0][len(model_inputs.input_ids[0]):].tolist() # parsing thinking contenttry: # rindex finding 151668 (/think) index len(output_ids) - output_ids[::-1].index(151668)except ValueError: index 0thinking_content tokenizer.decode(output_ids[:index], skip_special_tokensTrue).strip(\n)content tokenizer.decode(output_ids[index:], skip_special_tokensTrue).strip(\n)print(thinking content:, thinking_content)print(content:, content)禁用思考模式只需對參數(shù) enable_thinking 進(jìn)行如下修改texttokenizer.apply_chat_template(messages,tokenizeFalse,add_generation_promptTrue,enable_thinkingFalse# True is the default value for enable_thinking.)多工具部署開發(fā)者朋友們可以使用 sglang0.4.6.post1 或 vllm0.8.4 來創(chuàng)建一個(gè)與 OpenAI API 兼容的 API endpointSGLang:SGLANG_USE_MODELSCOPE1python-m sglang.launch_server--model-path Qwen/Qwen3-32B--reasoning-parser qwen3vLLM:VLLM_USE_MODELSCOPE1vllm serve Qwen/Qwen3-32B--enable-reasoning--reasoning-parser deepseek_r1要禁用思考模式可以移除參數(shù) --reasoning-parser以及 --enable-reasoning如果用于本地開發(fā)可以通過運(yùn)行簡單的命令 ollama run qwen3:30b-a3b 來使用 ollama 與模型進(jìn)行交互。您也可以使用 LMStudio 或者 llama.cpp 以及 ktransformers 等代碼庫進(jìn)行本地開發(fā)Ollama:ollama run modelscope.cn/unsloth/Qwen3-8B-GGUFOllama默認(rèn)是thinking模式如果需要切換到非thinking模式在prompt后拼接上/no_think 即可。此外Ollama請確保升級到新版本v0.6.6或以上。使用魔搭A(yù)PI-Inference直接調(diào)用魔搭平臺的API-Inference也第一時(shí)間為Qwen3系列模型提供了支持。魔搭的用戶可通過API調(diào)用的方式直接使用。具體API-Inference的使用方式可參見各個(gè)模型頁面例如 https://www.modelscope.cn/models/Qwen/Qwen3-32B說明或者參見API-Inference文檔https://www.modelscope.cn/docs/model-service/API-Inference/intro。值得特別說明的是Qwen3系列模型可自由切換思考與普通模式在API接口上通過extra_body的參數(shù)來控制。默認(rèn)enable_thinking配置打開可按需關(guān)閉。在開啟思考模式的時(shí)候還可以通過thinking_budget參數(shù)來限制思考的長度一般推薦thinking_budget不要配置過小以4096以上為宜。調(diào)用示例fromopenaiimportOpenAIclientOpenAI(base_urlhttps://api-inference.modelscope.cn/v1/,api_keyMODELSCOPE_SDK_TOKEN,# ModelScope Token)# set extra_body for thinking controlextra_body { # enable thinking, set to False to disable enable_thinking: True, # use thinking_budget to contorl num of tokens used for thinking # thinking_budget: 4096}response client.chat.completions.create( modelQwen/Qwen3-32B, # ModelScope Model-Id messages[ { role: user, content: 9.9和9.11誰大 } ], streamTrue, extra_bodyextra_body)done_thinking Falsefor chunk in response: thinking_chunk chunk.choices[0].delta.reasoning_content answer_chunk chunk.choices[0].delta.content if thinking_chunk ! : print(thinking_chunk, end, flushTrue) elif answer_chunk ! : if not done_thinking: print(\n\n Final Answer \n) done_thinking True print(answer_chunk, end, flushTrue)輸出結(jié)果嗯我現(xiàn)在要比較9.9和9.11哪個(gè)更大。首先我應(yīng)該先理解這兩個(gè)數(shù)字的結(jié)構(gòu)。9.9是一個(gè)小數(shù)而9.11看起來也是一個(gè)小數(shù)不過可能有些人可能會誤解為日期或者其他形式不過題目里明確說是比較數(shù)值大小所以應(yīng)該按照數(shù)學(xué)上的小數(shù)來處理。首先我需要確認(rèn)這兩個(gè)數(shù)的小數(shù)點(diǎn)位置。9.9是九又十分之九也就是90.99.9。而9.11則是九又百分之一十一也就是90.119.11。這時(shí)候我需要比較這兩個(gè)小數(shù)的大小。通常比較小數(shù)的方法是從左到右逐位比較直到找到不同的數(shù)字為止。首先比較整數(shù)部分兩個(gè)數(shù)都是9所以這部分相等。接下來比較小數(shù)部分。第一個(gè)數(shù)是0.9第二個(gè)數(shù)是0.11。這時(shí)候需要注意小數(shù)位數(shù)的問題。0.9可以看作0.90因?yàn)樾?shù)末尾的零不改變數(shù)值的大小。這樣兩個(gè)小數(shù)就變成了0.90和0.11。現(xiàn)在比較0.90和0.11的話第一位小數(shù)是9和1顯然9比1大所以0.90大于0.11因此整個(gè)數(shù)9.9即9.90比9.11大。Final Answer9.9和9.11的比較可以通過以下步驟進(jìn)行1.**整數(shù)部分**兩者均為9相等。2.**小數(shù)部分**-9.9可寫為**9.90**補(bǔ)零不改變數(shù)值。-比較十分位9.90的十分位是**9**9.11的十分位是**1**。-由于 $91$因此**9.909.11**。**結(jié)論** $$\boxed{9.99.11}$$感謝阿里云百煉平臺提供背后算力支持使用ModelScope MCP實(shí)驗(yàn)場集成Qwen3系列模型提供了對于智能體和工具調(diào)用更好的能力支持能夠在在思考和非思考模式下精確集成外部工具。我們也第一時(shí)間將多個(gè)Qwen3模型集成到了ModelScope MCP實(shí)驗(yàn)場提供Qwen3在MCP場景上的工具調(diào)用能力的體驗(yàn)。愉快的讓Qwen3幫我們訂個(gè)出行前的準(zhǔn)備2、模型微調(diào)我們介紹使用ms-swift對Qwen/Qwen3-8B進(jìn)行SFT/GRPO以及使用Megatron-SWIFT對Qwen/Qwen3-30B-A3B進(jìn)行SFT。ms-swift是魔搭社區(qū)官方提供的大模型與多模態(tài)大模型訓(xùn)練部署框架。ms-swift開源地址https://github.com/modelscope/ms-swift我們將展示可運(yùn)行的微調(diào)demo并給出自定義數(shù)據(jù)集的格式。在開始微調(diào)之前請確保您的環(huán)境已準(zhǔn)備妥當(dāng)。git clone https://github.com/modelscope/ms-swift.gitcd ms-swiftpip install-e.pip install liger-kernel transformers-USFT對Qwen3-8B進(jìn)行訓(xùn)練的腳本如下在ModelScope提供的免費(fèi)GPU Notebook中即可運(yùn)行# 訓(xùn)練顯存22GB# 你可以指定--dataset AI-ModelScope/alpaca-gpt4-data-zh來跑通實(shí)驗(yàn)CUDA_VISIBLE_DEVICES0 \swift sft \ --model Qwen/Qwen3-8B \ --train_type lora \ --dataset dataset-path \ --torch_dtype bfloat16 \ --num_train_epochs 1 \ --per_device_train_batch_size 1 \ --per_device_eval_batch_size 1 \ --learning_rate 1e-4 \ --lora_rank 8 \ --lora_alpha 32 \ --target_modules all-linear \ --gradient_accumulation_steps 4 \ --eval_steps 50 \ --save_steps 50 \ --save_total_limit 2 \ --logging_steps 5 \ --max_length 2048 \ --output_dir output \ --warmup_ratio 0.05 \ --dataloader_num_workers 4 \ --packing true \ --user_liger_kernel true自定義數(shù)據(jù)集格式如下system字段可選指定--dataset dataset_path即可{messages:[{role:user,content:浙江的省會在哪},{role:assistant,content:think\nxxx\n/think\n\n浙江的省會在杭州。}]}GRPO以Qwen3-8B為例下面使用ms-swift框架對進(jìn)行GRPO訓(xùn)練使用AI-MO/NuminaMath-TIR作為數(shù)據(jù)集并使用accuracy函數(shù)計(jì)算模型回答的準(zhǔn)確率獎(jiǎng)勵(lì), 計(jì)算獎(jiǎng)勵(lì)需要安裝以下環(huán)境pip install math_verify0.5.2自定義數(shù)據(jù)集格式與SFT類似其中assistant部分不必需。如果使用accuracy獎(jiǎng)勵(lì)則需要solution列來計(jì)算準(zhǔn)確率。# llm{messages: [{role: system, content: You are a useful and harmless assistant}, {role: user, content: Tell me tomorrows weather}]}{messages: [{role: system, content: You are a useful and harmless math calculator}, {role: user, content: What is 1 1?}, {role: assistant, content: It equals 2}, {role: user, content: What about adding 1?}]}{messages: [{role: user, content: What is your name?}]}# mllm{messages: [{role: user, content: imageWhat is the difference between the two images?}], images: [/xxx/x.jpg]}{messages: [{role: user, content: imageimageWhat is the difference between the two images?}], images: [/xxx/y.jpg, /xxx/z.png]}也可以使用自定義的獎(jiǎng)勵(lì)函數(shù)/獎(jiǎng)勵(lì)模型進(jìn)行訓(xùn)練數(shù)據(jù)集中的列會傳到獎(jiǎng)勵(lì)函數(shù)的**kwargs中自定義獎(jiǎng)勵(lì)函數(shù)的例子參考swift/examples/train/grpo/plugin/plugin.py--external_plugins examples/train/grpo/plugin/plugin.py \--reward_funcs external_math_acc external_math_format \--reward_model AI-ModelScope/Skywork-Reward-Llama-3.1-8B-v0.2在訓(xùn)練過程中我們使用vLLM來加速采樣過程。設(shè)置num_infer_workers8我們?yōu)槊總€(gè)device都部署一個(gè)vLLM engine來加速采樣過程。訓(xùn)練腳本# 70G*8CUDA_VISIBLE_DEVICES0,1,2,3,4,5,6,7 \NPROC_PER_NODE8 \swift rlhf \ --rlhf_type grpo \ --model Qwen/Qwen3-8B \ --train_type full \ --dataset AI-MO/NuminaMath-TIR \ --torch_dtype bfloat16 \ --num_train_epochs 1 \ --per_device_train_batch_size 2 \ --per_device_eval_batch_size 2 \ --learning_rate 1e-6 \ --save_total_limit 2 \ --logging_steps 5 \ --output_dir output \ --gradient_accumulation_steps 1 \ --warmup_ratio 0.05 \ --dataloader_num_workers 4 \ --max_completion_length 4096 \ --vllm_max_model_len 8192 \ --reward_funcs accuracy \ --num_generations 16 \ --use_vllm true \ --vllm_gpu_memory_utilization 0.4 \ --sleep_level 1 \ --offload_model true \ --offload_optimizer true \ --gc_collect_after_offload true \ --deepspeed zero3 \ --num_infer_workers 8 \ --tensor_parallel_size 1 \ --temperature 1.0 \ --top_p 0.85 \ --report_to wandb \ --log_completions true \ --overlong_filter trueMoE訓(xùn)練Megatron-SWIFTms-swift引入了Megatron的并行技術(shù)來加速大模型的訓(xùn)練包括數(shù)據(jù)并行、張量并行、流水線并行、序列并行上下文并行專家并行。支持Qwen3、Qwen3-MoE、Qwen2.5、Llama3、Deepseek-R1蒸餾系等模型的預(yù)訓(xùn)練和微調(diào)。對于環(huán)境準(zhǔn)備鏡像和HF與MCore模型權(quán)重的轉(zhuǎn)換可以參考Megatron-SWIFT訓(xùn)練文檔這里不詳細(xì)展開https://swift.readthedocs.io/zh-cn/latest/Instruction/Megatron-SWIFT%E8%AE%AD%E7%BB%83.html我們使用DLC啟動訓(xùn)練命令訓(xùn)練環(huán)境是2機(jī)8 * 80GiB A800# https://help.aliyun.com/zh/pai/user-guide/general-environment-variables# 請確保兩個(gè)節(jié)點(diǎn)的保存權(quán)重路徑相同NNODES$WORLD_SIZE \NODE_RANK$RANK \megatron sft \ --load Qwen3-30B-A3B-Base-mcore \ --dataset liucong/Chinese-DeepSeek-R1-Distill-data-110k-SFT \ --tensor_model_parallel_size 2 \ --expert_model_parallel_size 8 \ --moe_grouped_gemm true \ --moe_shared_expert_overlap true \ --moe_aux_loss_coeff 0.01 \ --micro_batch_size 1 \ --global_batch_size 16 \ --packing true \ --recompute_granularity full \ --recompute_method uniform \ --recompute_num_layers 1 \ --train_iters 2000 \ --eval_iters 50 \ --finetune true \ --cross_entropy_loss_fusion true \ --lr 1e-5 \ --lr_warmup_iters 100 \ --min_lr 1e-6 \ --save megatron_output/Qwen3-30B-A3B-Base \ --eval_interval 200 \ --save_interval 200 \ --max_length 8192 \ --num_workers 8 \ --dataset_num_proc 8 \ --no_save_optim true \ --no_save_rng true \ --sequence_parallel true \ --use_flash_attn true訓(xùn)練loss圖部分自定義數(shù)據(jù)集格式與swift sft相同可以在本文上方找到指定--dataset dataset_path即可。使用megatron sft和swift sft進(jìn)行Qwen3-30B-A3B模型全參數(shù)訓(xùn)練速度/顯存占用對比如下Megatron-LMDeepSpeed-ZeRO2DeepSpeed-ZeRO3訓(xùn)練速度9.6s/it-91.2s/it顯存占用16*60GiBOOM16*80GiB最后的最后感謝你們的閱讀和喜歡作為一位在一線互聯(lián)網(wǎng)行業(yè)奮斗多年的老兵我深知在這個(gè)瞬息萬變的技術(shù)領(lǐng)域中持續(xù)學(xué)習(xí)和進(jìn)步的重要性。為了幫助更多熱愛技術(shù)、渴望成長的朋友我特別整理了一份涵蓋大模型領(lǐng)域的寶貴資料集。這些資料不僅是我多年積累的心血結(jié)晶也是我在行業(yè)一線實(shí)戰(zhàn)經(jīng)驗(yàn)的總結(jié)。這些學(xué)習(xí)資料不僅深入淺出而且非常實(shí)用讓大家系統(tǒng)而高效地掌握AI大模型的各個(gè)知識點(diǎn)。如果你愿意花時(shí)間沉下心來學(xué)習(xí)相信它們一定能為你提供實(shí)質(zhì)性的幫助。這份完整版的大模型 AI 學(xué)習(xí)資料已經(jīng)上傳CSDN朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認(rèn)證二維碼免費(fèi)領(lǐng)取【保證100%免費(fèi)】大模型知識腦圖為了成為更好的 AI大模型 開發(fā)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(diǎn)去找對應(yīng)的學(xué)習(xí)資源保證自己學(xué)得較為全面。經(jīng)典書籍閱讀閱讀AI大模型經(jīng)典書籍可以幫助讀者提高技術(shù)水平開拓視野掌握核心技術(shù)提高解決問題的能力同時(shí)也可以借鑒他人的經(jīng)驗(yàn)。對于想要深入學(xué)習(xí)AI大模型開發(fā)的讀者來說閱讀經(jīng)典書籍是非常有必要的。實(shí)戰(zhàn)案例光學(xué)理論是沒用的要學(xué)會跟著一起敲要?jiǎng)邮謱?shí)操才能將自己的所學(xué)運(yùn)用到實(shí)際當(dāng)中去這時(shí)候可以搞點(diǎn)實(shí)戰(zhàn)案例來學(xué)習(xí)。面試資料我們學(xué)習(xí)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(jié)當(dāng)前最新、最熱、最高頻的面試題并且每道題都有詳細(xì)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(bào)告合集這套包含640份報(bào)告的合集涵蓋了AI大模型的理論研究、技術(shù)實(shí)現(xiàn)、行業(yè)應(yīng)用等多個(gè)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(bào)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(xué)習(xí)資料已經(jīng)上傳CSDN朋友們?nèi)绻枰梢晕⑿艗呙柘路紺SDN官方認(rèn)證二維碼免費(fèi)領(lǐng)取【保證100%免費(fèi)】