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(cè)試中與 DeepSeek-R1、o1、o3-mini、Grok-3 和 Gemini-2.5-Pro 等頂級(jí)模型相比表現(xiàn)出極具競(jìng)爭(zhēng)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(huì)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(duì)速度要求高于深度的簡(jiǎn)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(duì) 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(duì)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(jiǎn)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(qǐng)確保升級(jí)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(tái)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(zhǎng)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(huì)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(tái)提供背后算力支持使用ModelScope MCP實(shí)驗(yàn)場(chǎng)集成Qwen3系列模型提供了對(duì)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(chǎng)提供Qwen3在MCP場(chǎng)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(duì)Qwen/Qwen3-8B進(jìn)行SFT/GRPO以及使用Megatron-SWIFT對(duì)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(qǐng)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(duì)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(huì)在哪},{role:assistant,content:think\nxxx\n/think\n\n浙江的省會(huì)在杭州。}]}GRPO以Qwen3-8B為例下面使用ms-swift框架對(duì)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(huì)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(duì)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(dòng)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(qǐng)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(duì)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(zhǎng)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(shí)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(shí)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(shí)點(diǎn)去找對(duì)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(duì)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(huì)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(duì)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)】