Happy QwensWeek果然名不虚传。
Qwen的基础模型接连开源，现在全新非思考模型Qwen3-30B-A3B-Instruct-2507也闪电上线。
仅激活3B参数，就能取得媲美Gemini 2.5-Flash（non-thinking）、GPT-4o等顶尖闭源模型的超强性能。
相较前代的非思考模型Qwen3-30B-A3B Non-Thinking，这次“小更新”使模型的通用能力方面得到了关键提升。
其中，模型的推理能力（AIME25）提升了183.8%，而对其能力（Arena-Hard v2）则提升了178.2%。此外，模型的长文本处理能力也由前代的128K提升至256K。
可以说，这款新模型就像Qwen团队说的：“更轻、更强、更好用！”
这么一波操作下来，网友都觉得“太疯狂”：哥，你慢点！
小更新、大不同
正如开头提到的，相较于前代非思考模型，Qwen3-30B-A3B-Instruct-2507在推理能力和对齐能力方面实现了大幅跃升，长文本处理能力也从128K提升至256K。
除此之外，模型在多语言长尾知识覆盖、主观与开放任务的文本质量、代码生成、数学计算、工具使用等通用能力上也表现出全面进步，展现出更强的通用性与实用性。
作为Qwen3系列Qwen3-30B-A3B的高质量指令微调版本，其不再有
相较于基础模型，Qwen3-30B-A3B-Instruct-2507更注重稳态输出与一致性，适合稳定生产环境部署。具备更强的对齐性、指令遵循能力和长文本处理能力，适合直接服务于更复杂、更真实的人机交互应用。
在网友的内部基准测试中，直观地体现了Qwen3-30B-A3B-Instruct-2507的上述优势：
面对从海量文档中提取支持某一主题的全部证据这一任务，Qwen3-30B-A3B-Instruct-2507不仅超越了网友此前使用过的所有模型，还有效解决了诸如对话轮次耗尽、工具调用失败、信息遗漏与误检等常见问题。
相比之下，其他模型往往会在处理长文本时出现大面积内容丢失，而Qwen3-30B-A3B-Instruct-2507在极端情况下也仅偶尔遗漏少量文档，展现出惊人的稳定性和精度。
这一性能的背后，正是Qwen3-30B-A3B-Instruct-2507在长文本处理能力方面的核心优势。得益于其支持256K的上下文窗口以及更稳健的长程依赖建模能力，模型能够“读懂并记住”庞大的输入信息，保持语义连贯、细节清晰。
同时，它还具备更强的推理能力与检索调用策略，从而在复杂任务中实现高效、精准的信息整合与输出，真正体现了其在大规模文档理解和多步推理场景下的实用价值。
Qwen3家族
在最近的一周多时间里，Qwen一口气放出了好几款模型：
在网友们惊叹阿里速度的同时，Qwen系列的命名乍一看也让人眼花缭乱。
不过，如果你仔细观察，就会发现Qwen的命名朴素得像一份显卡驱动版本号，毫无感情，只有信息。
以今天的主角Qwen3-30B-A3B-Instruct-2507为例，这个命名表达的是：
如果我们回顾整个Qwen3（Qwen3-2504）系列，基础模型又根据参数量和激活参数量分为两条主线：
- 旗舰模型Qwen3-235B-A22B：235B总参数，22B激活参数。较小的MoE模型Qwen3-30B-A3B：30B总参数，3B激活参数（另有预训练版本Qwen3-30B-A3B-Base）
针对不同的理场景和硬件资源，Qwen3系列还包含了不同大小的密集（Dense）模型（从0.6B到32B）。
此外，为应对不同的场景，Qwen3还推出了不同的量化策略版本，如FP8、Int4、AWQ、GGUF、GPTQ等。
可以说，只要能细化，Qwen3就不用你动手（颗粒度这一块，拿捏！）
所以，与其说Qwen3是一个模型系列，不如说它是一个“模型矩阵”：规格全、命名清、版本多。
横跨参数规模、精度格式、训练类型几乎所有维度，适配了从研究到应用、从大厂集群到边缘部署的各种需求。
一句话总结：你只管问，Qwen3已经准备好了。
参考链接：
[1]https://x.com/Alibaba_Qwen/status/1950227114793586867
[2]https://www.reddit.com/r/LocalLLaMA/comments/1mcg4qt/qwen330ba3b_small_update/
[3]https://modelscope.cn/models/Qwen/Qwen3-30B-A3B-Instruct-2507
[4]https://huggingface.co/Qwen/Qwen3-30B-A3B-Instruct-2507
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
🌟 点亮星标 🌟
内容中包含的图片若涉及版权问题，请及时与我们联系删除
