芯耀
6344
Qwen3 是阿里巴巴通义千问团队在 2025 年 4 月发布的最新大模型，相比 Qwen 历史版本（如 Qwen2.5、Qwen1.5）以及 DeepSeek 的 R1 和即将发布的 R2 模型，在架构、性能、成本效率等方面均有显著提升。
本文所有资料都已上传至“智能计算芯知识”星球。如“《92+份GPU芯片技术及白皮书合集》”，“《60+份AI Agent技术报告合集》”，“北京大学：10+份DeepSeek技术实践报告合集”，“《清华大学：DeepSeek报告19部曲合集》”，“浙江大学：DeepSeek技术20篇（合集）”，“《310+份DeepSeek技术报告合集》”，“《100+份AI芯片技术修炼合集》”，“800+份重磅ChatGPT专业报告”，加入星球获取严选精华技术报告，内容持续更新...
1. Qwen3 相比 Qwen 历史版本的主要升级
(1) 架构创新：混合推理 + MoE 设计
混合推理架构（快思考 + 慢思考）
Qwen3 首次引入“快思考”和“慢思考”双模式，可根据任务复杂度动态调整计算资源：
快思考（非推理模式）：适用于简单问答、指令执行，响应延迟低至毫秒级。
慢思考（推理模式）：针对数学、代码生成等复杂任务，启用多步推理链（Chain of Thought），提升准确性。
用户可设置“思考预算”（最大推理 tokens 数），平衡成本与质量。
MoE（混合专家）架构大幅提升效率
Qwen3-235B-A22B 总参数 2350 亿，但仅激活 220 亿（约 10%），相比传统稠密模型（如 Qwen2.5-72B）计算成本降低 90%。
(2) 训练数据与多语言能力
训练数据翻倍（36 万亿 token，Qwen2.5 仅 18 万亿），涵盖 STEM、编程、多语言文档及合成数据。
支持 119 种语言，覆盖全球 90% 以上人口，尤其优化了小语种能力。
(3) 性能提升
数学能力：AIME25 奥数测评 81.5 分，刷新开源纪录。
代码能力：LiveCodeBench 评测突破 70 分，超越 Grok 3。
Agent 能力：BFCL 评测 70.8 分，优于 OpenAI o1 和 Gemini 2.5 Pro。
(4) 部署成本大幅降低
仅需 4 张 H20 显卡?即可部署 Qwen3-235B-A22B（成本约 50 万），而 DeepSeek-R1 671B 需 12 张 A100（成本 200 万）。
（5）关键性能提升
| 能力维度 | Qwen3表现 | 对比Qwen2.5提升 |
|---|---|---|
| 数学推理 | AIME25奥数测评81.5分 | +22% |
| 代码生成 | LiveCodeBench 70分 | +35% |
| Agent能力 | BFCL评测70.8分（超越Gemini 2.5 Pro） | +40% |
| 长文本 | 128K上下文，关键信息召回率98% | 上下文利用率提升50% |
（6）部署成本革命
硬件需求大幅降低：
Qwen3-235B-A22B仅需4张H20显卡（成本约50万）。
对比：同规模稠密模型需12张A100（成本200万+）。
开源策略：
全系列Apache 2.0开源（含MoE架构细节），衍生模型已超10万。
提供量化版本（INT4/INT8），可在消费级GPU（如RTX 4090）运行。
2. Qwen3 与 DeepSeek 的技术对比
(1) 架构对比
| 维度 | Qwen3 | DeepSeek-R1 | DeepSeek-R2（预计） |
|---|---|---|---|
| 架构 | MoE + 混合推理（动态激活 10%） | 传统稠密架构（全参数激活） | Hybrid MoE 3.0（激活 6.5%） |
| 参数规模 | 235B（激活 22B） | 671B（全激活） | 1.2T（激活 78B） |
| 推理成本 | 4 张 H20（成本 50 万） | 12 张 A100（成本 200 万） | 预计比 Qwen3 更低 |
| 多模态 | 文本+Agent 强化 | 纯文本 | 支持文本+图像输入 |
(2) 性能对比
数学推理：Qwen3（AIME25 81.5 分） > DeepSeek-R1（未公布）。
代码生成：Qwen3（LiveCodeBench 70 分） > DeepSeek-R1。
Agent 能力：Qwen3（BFCL 70.8 分） > DeepSeek-R1（56.9 分）。
(3) 开源生态
Qwen3：全系列 Apache 2.0 开源，衍生模型超 10 万，超越 Llama。
DeepSeek：部分闭源，生态开放性较低。
3. DeepSeek 的技术优势
尽管 Qwen3 在多个方面领先，DeepSeek 仍有独特优势：
万亿参数规模（R2 预计 1.2T），可能带来更强的长文本理解能力。
更极致的稀疏激活（6.5% vs Qwen3 的 10%），进一步降低推理成本。
多模态支持（R2 新增图像输入），弥补 R1 的短板。
专业领域优化（医疗、工业质检等），在特定任务上超越专家组。
4. 总结
Qwen3 优势：
混合推理架构（灵活平衡效率与深度）
MoE 超高效率（激活参数仅 10%，成本极低）
开源生态最强（全系列 Apache 2.0，衍生模型超 10 万）
多语言 & Agent 能力突出（119 种语言，BFCL 70.8 分）
DeepSeek 优势（R2 预期）：
万亿参数 + 超稀疏激活（可能带来更强推理能力）
多模态支持（文本+图像输入）
专业领域优化（医疗、工业等垂直场景）
未来竞争焦点：Qwen3?已抢占“高效 MoE + 混合推理”高地，DeepSeek R2 需在万亿参数效率和多模态能力上突破才能反超。
本号资料全部上传至知识星球，更多内容请登录智能计算芯知识（知识星球）星球下载全部资料。
