阿里巴巴周一（4/29）开源了Qwen3模型家族，涵盖两个专家混合模型（MoE）Qwen3-235B-A22B与Qwen3-30B-A3B，以及6个不同尺寸的密集模型（Dense），包括Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B与Qwen3-0.6B，而且每个模型都有思考及非思考两种模式可供无缝切换。
密集模型代表这些模型上的所有参数在每次推论时都会被用到，适合处理简单任务，且有更快的推理速度；MoE架构则含有多个专家子模型，在处理每个输入时，只有部分专家会被启动以参与运算，可在保持大量模型参数量，减少实际运算所需的资源，例如Qwen3-30B-A3B指的是具备300亿的总参数，但每次只会激活30亿个参数。
相较于上一代的Qwen2.5是以18兆个Token进行预训练，Qwen3则是以36兆个Token进行预训练，后者不仅搜集网络上的数据，也搜集PDF文件的内容，并分成3阶段进行预训练，在第一阶段完成基本的语言技能与通用知识，第二阶段则加入了STEM、程序设计及推理任务等知识密集型数据，第三阶段则是将所支持的脉络长度拓展至3.2万个Token。新一代的Qwen3支持119种语言。
每个Qwen3模型也都支持思考及非思考两种运算模式，在思考模式下，模型会逐步推理，经过深思熟虑之后才给出答案，适合需要深入思考的复杂问题，像是复杂的逻辑推理、数学或是撰写程序代码等；而非思考模式则提供快速且接近即时的回应，适合那些对速度要求高于深度的简单问题，例如聊天，而且它们可以无缝切换，以确保在不同场景中呈现最佳性能。
Qwen团队表示，结合这两种模式强化了模型的稳定与思考预算控制能力，让用户可轻松地替不同任务配置特定的预算，在成本与品质取得平衡。
此外，模型架构的改进、训练数据的增加，以及更有效的训练方法，让Qwen3 Dense基础模型的整体性能，与参数更多的Qwen2.5基础模型相当，而Qwen3 MoE基础模型在只激活10%参数的状况下，就能达到与Qwen2.5 Dense基础模型相似的性能。
除了与自家的上一代模型比较之外，Qwen3在许多基准测试中的表现，也超越了OpenAI-o1、Deepseek-R1、Grok 3 Beta、Gemini 2.5-Pro及OpenAI-o3-mini Medium等先进模型。
