你沒(méi)看錯(cuò)，千問(wèn)3（Qwen3）的這次更新不是一個(gè)模型，而是一堆模型，Dense模型一共6款，大小從0.6B到32B不等；MoE混合專(zhuān)家模型有兩個(gè)，30B和235B。

我上手就先用235B這個(gè)旗艦版測(cè)試了一下代碼性能，用的是這個(gè)Prompt：

Write a p5.js script that simulates 25 particles in a vacuum space of a cylindrical container, bouncing within its boundaries. Use different colors for each ball and ensure they leave a trail showing their movement. Add a slow rotation of the container to give better view of what's going on in the scene. Make sure to create proper collision detection and physic rules to ensure particles remain in the container. Add an external spherical container. Add a slow zoom in and zoom out effect to the whole scene.

目的是生成25個(gè)粒子在圓柱形的真空環(huán)境里彈跳，小球每個(gè)使用不同顏色，顯示軌跡，同時(shí)還要附加一個(gè)外部的球形容器，以及緩慢的運(yùn)動(dòng)和視角變化，是一個(gè)很復(fù)雜的Prompt，因?yàn)樗婕暗搅撕芏喾矫娴闹R(shí)需求。

這是我用Qwen3-235B-A22B的實(shí)現(xiàn)效果，可以說(shuō)非常好，跟在編程領(lǐng)域的隱形王者Claude3.5不相上下。

同時(shí)我也用30B的MoE模型又測(cè)試了一下，效果也出乎意料的不錯(cuò)，雖然不如235B，但是仔細(xì)看的話，基本上也滿足了Prompt的要求。

從Github上公布的模型性能也可見(jiàn)一斑，尤其是 235B-MoE，已經(jīng)在數(shù)學(xué)推理和算法競(jìng)賽級(jí)別的編程任務(wù)中領(lǐng)先優(yōu)勢(shì)很明顯。

現(xiàn)在Qwen Chat已經(jīng)可以免費(fèi)使用了，我建議你也可以試試看，可以用30B和235B的MoE模型和32B的Dense模型。

更多的資源也可以從這里面，比如Github，Huggingface等。

Qwen Chat: https://chat.qwen.ai/

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

HuggingFace:https://huggingface.co/collections/Qwen/qwen3-67dd247413f0e2e4f653967f

魔搭：https://modelscope.cn/collections/Qwen3-9743180bdc6b48

Kaggle: https://www.kaggle.com/models/qwen-lm/qwen-3

我這次分別嘗試了本地部署和云端 Qwen Chat兩種方式來(lái)用千問(wèn)3，本地部署主要是針對(duì)與小于等于30B的模型，對(duì)于旗艦版235B就只能用云端了。

這次的一大亮點(diǎn)就是混合推理模型，也就是說(shuō)推理模式是可以手動(dòng)開(kāi)啟和關(guān)閉的，千問(wèn)3的所有模型都原生支持這個(gè)特性，最小的0.6B模型也不例外，部署起來(lái)非常的簡(jiǎn)單，這是用huggingface提供的transformers庫(kù)部署的千問(wèn)3。

這是我用的0.6B小模型做的測(cè)試，問(wèn)題是：請(qǐng)簡(jiǎn)要的描述下大語(yǔ)言模型。

第一個(gè)是開(kāi)啟了推理的回答，可以看到enable_thinking=Ture（第一個(gè)紅框），第二個(gè)紅框內(nèi)的內(nèi)容包含了兩部分內(nèi)容，分別是thinking content和content，代表了推理思考內(nèi)容和最終的輸出內(nèi)容。

你仔細(xì)看的話，即使是這個(gè)最小的模型，推理邏輯也很完整，輸出的答案也非常不錯(cuò)。

下面這個(gè)就是手動(dòng)關(guān)閉推理模式后的回答，可以看到thinking content那里是空的，答案也不差。

這種模式的好處非常大，因?yàn)閷?duì)于一些非推理型的問(wèn)題，比如簡(jiǎn)單的數(shù)學(xué)題1+1=？，開(kāi)啟推理模式后反而有可能會(huì)失敗。

這個(gè)時(shí)候，只需要對(duì)于題目加一層篩選模式，然后自動(dòng)的開(kāi)啟或者關(guān)閉推理模型，不僅可以加速輸出，同時(shí)還能省不少的token，真降本增效！這個(gè)特性暫時(shí)我只在閉源的Claude-3.7上看到過(guò)，在開(kāi)源模型中還是頭一號(hào)！

這次大版本更新把它大模型源神的稱(chēng)號(hào)坐實(shí)了，畢竟一次性放8個(gè)模型可謂是空前絕后，特別是這次的更新幾乎把所有的大模型要素都集齊了。

1全尺寸開(kāi)源且同級(jí)別領(lǐng)先：從0.6B 到235B，涵蓋了端側(cè)超小模型到B端友好的模型尺寸。

0.6B的推理模型，還是可以任意切換是否開(kāi)啟推理的模型，包括手機(jī)在內(nèi)的很多端側(cè)模型估計(jì)迎來(lái)一大波更新。

對(duì)第一個(gè)測(cè)試，我用DeepSeek R1也試了下，671B的模型效果比起235B的千問(wèn)3差點(diǎn)意思，不過(guò)現(xiàn)在才R1，提升空間也很大，畢竟是中國(guó)的開(kāi)源大模型雙子星。

小型MoE模型，總大小30B激活參數(shù)3B。32B的Dense模型非常的符合直覺(jué)，畢竟Qwen家族的32B模型在業(yè)內(nèi)的威望有目共睹，不管是QwQ的32B模型在Marketing和Finance領(lǐng)域力壓Google，OpenAI和Anthropic的一眾大模型。

還是DeepSeek嚴(yán)選的蒸餾模型，千問(wèn)系列的32B跟Llama的70B性能不相上下，但是模型足足小了一倍還多，可以看得出Dense模型在“智能密度”這個(gè)維度上的得分高的嚇人。

而這次的30B的MoE模型更是有講究的，可以說(shuō)是目前最強(qiáng)的可以在消費(fèi)級(jí)顯卡上部署的MoE大模型，因?yàn)榫湍胵wq這個(gè)模型來(lái)舉例，32b的模型在經(jīng)過(guò)4bit量化后，顯存占用20GB，而英偉達(dá)的90系顯卡正好有24GB顯存，一塊顯卡就能正好讓模型跑起來(lái)，再加上性能足夠，基本上可以讓很多想要本地部署的個(gè)人和小型企業(yè)都滿足需求。

千問(wèn)3的性能可以說(shuō)是全尺寸都很強(qiáng)，我看到@劉聰NLP測(cè)試了這么一個(gè)問(wèn)題：生蠔煮熟了叫什么？

30B以上的大模型都能答得對(duì)，對(duì)他們沒(méi)什么難度，我試了下本地部署的0.6B模型，照樣也可以做對(duì)。

而最小尺寸的deepseek r1 1.5b蒸餾版，答案不太對(duì)。

而同樣是開(kāi)源的Gemma 4B，給出的回答更是讓人哭笑不得。

可以說(shuō)，不管是百B以上的大模型，還是可以部署在端側(cè)的超小模型，千問(wèn)3表現(xiàn)出來(lái)的效果都非常的好。

并且從官方介紹可以看到，千問(wèn)3還同時(shí)對(duì)于Agent和MCP能力做了優(yōu)化，再加上其可以本地部署的最大優(yōu)勢(shì)，可以說(shuō)是現(xiàn)在大模型市場(chǎng)最稀缺的能力。

性能好，型號(hào)多，所以我宣布，千問(wèn)3才是真正的源神！