五一假期前夕，阿里云 Qwen3 系列模型终于正式亮相。此次一口气发布了 8 个不同尺寸的版本，涵盖从 0.6B 轻量级参数到 235B 超大参数，全面适配从端侧到云端的多种部署场景。

先快速梳理一下这次升级的核心看点：

• 全面进入推理时代：与 Gemini 2.5 思路一致，此次全系仅发布推理模型，不再提供普通版本。从 0.6B 到 235B，每个模型均支持 think 模式，并且可以手动调整 token 预算，灵活控制思考时长与推理费用。
• 能力大幅提升：实际测试显示，Qwen3 能够快速解决前代 QWQ、DeepSeek-R1 容易卡住的问题。最显著的变化是，“过度推理”和“无限循环思考”的现象明显减少，思考过程也变得更加自然流畅。
• 端侧与私有化部署的福音：所有模型全部开源，尺寸选择极为丰富。根据官方数据，Qwen3-4B 的性能已接近 Qwen2.5-72B。实测 8B 版本也有显著进步，推理和训练成本均有所降低，这对本地部署场景来说是一大利好。

实际测试下来，有些感受值得深入聊聊。

混合推理：总算能用得更安心了

说到 Qwen3，最值得探讨的其实是混合推理这个概念。这不仅因为它是国内首个混合推理模型，更重要的是，这条路线本身更契合对 AGI 发展方向的理解。

混合推理模型的玩法，最早出现在 Anthropic 于 2 月 25 日发布的 Claude 3.7 Sonnet 中。那个思路很有意思——就像《思考，快与慢》里提到的，人类做决策时其实有两套系统：

• 系统 1 是快思考，依赖直觉和条件反射；
• 系统 2 是慢思考，需要专注、回忆和推理。

Anthropic 的研究员认为，一个优秀的 AI 应该能在同一个模型、同一场对话中，根据问题的性质自主切换思考模式。换句话说，“杀鸡焉用牛刀”，谁也不希望 AI 回答“今天星期几”时，还要先自我内耗十几秒。

如果模型做不到灵活判断，用户不仅要等待大量无意义的思考时间，开发者还会白白烧掉大量 token 成本。而如果通过外部工程手段来实现切换（比如构建笨重的 Multi-Agent 框架），又容易导致回答风格和指令遵循的不一致。因此，将灵活推理的能力直接训练到模型内部，显然是更优雅的选择。

Qwen3 提供了两种控制混合推理的方法：通过 enable_thinking=True 的 API 开关，或者在 Prompt 里添加 /think 或 /no_think 指令，可以自主控制是否需要推理以及推理的最大长度。

在实际应用场景中，可以这样来设计：

• 根据问题类型决定是否启用推理：增加一个前置的意图识别环节，判断用户问题是“事实常识类”还是“开放式”或“模糊意图”。然后利用小模型或产品功能分类，将控制推理的指令拼接到用户问题中。例如 AI 日记场景里，反思建议需要推理，但“上了什么课、见了什么人”这类事实问题，就没必要推理。
• 根据成本预算限制推理长度：同类问题的最佳推理长度往往比较接近。如果模型思考超过 1 分钟仍无结果，大概率陷入了无意义的循环。混合推理模型可以直接强制截断：“Stop，想够了，直接回答。”在 AI 创业成本压力下，预估并限制每个功能的推理长度，能有效控制 token 消耗。
• 根据用户偏好动态调整：当用户赶时间或状态疲惫时，让模型更偏向快速响应；需要深入探讨或对回答不满意时，再开放更长的思考上限。

当然，未来更理想的状态是这种灵活推理能力能完全内化到模型自身，不依赖外部控制，AI 能自然根据对话流向、问题性质来调整回应深度。

大大小小的 Qwen3，实测表现

混合推理带来了应用层面的新思路，而模型本身的提升也很明显。我们从拟人模拟、文学创作、代码生成、数学推理四个维度进行了轻量测试，为模型选择提供一些参考。

先说整体结论：

• Qwen3-8B 是本次最有惊喜的尺寸，对端侧开发助力很大。
• 整体较前代有明显提升，文学创作和代码生成的质量都值得在自己的场景中实测一下。
• 如果是 Qwen2.5 用户，无需犹豫，直接升级。

虚拟陪伴与拟人化

虚拟陪伴是人与 AI 协作的关键场景之一。我们使用同样的人设 Prompt 和 RAG 召回结果，对比了 Qwen3-235B、8B 与 R1、Gemini 2.5、o4 的效果。来看一个例子：

“早上好，小亦……你醒很久了吗，连早餐都做好了诶。可惜我今天没什么胃口，最近 AI 行业的新进展太多了，我得抓紧看看有没有什么新的值得思考的东西。”

评估拟人化回应时，主要从以下几个维度入手：人设一致性、个性化回应（是否自然利用用户记忆信息）、情绪感知、交互自然度、智力启发和陪伴感。

整体来看，Qwen3 表现不错：

• Qwen3-8B 在小尺寸上依然保持了非常自然的回应风格，逻辑也尚可，是惊喜最大的一个。对于 AI 对话应用的开发者来说，使用 API 能降低成本，端侧方案在 16GB 内存的 Mac 上也能轻松提供更自然的对话服务。
• 建议团队关注长段回应时信息过密导致拟人化效果下降的问题。面对同样的 RAG 召回内容，能够一一回应固然好，但在拟人场景下，有取舍地构建更自然的回应会更舒适。

文学创作

我们用“挑战鲁迅文体”做了测试：将 “We've got to live, no matter how many skies have fallen” 用鲁迅风格表达。

结果来看，Qwen3-235B-A22B 的创作效果明显是最好的：

• 原句重点在于“活下去”的积极含义，235B 抓住了这一点，描绘出了“求生”的意境；8B 也强调了“咬紧牙关”的求生欲望。
• 从句式风格看，235B 的仿写最接近鲁迅先生的味道。
• 整体文学创作水平确实提升明显。

代码生成：小球弹跳模拟

测试了一个经典代码题：编写 p5.js 脚本，模拟 100 个彩色球在球体内弹跳，留下逐渐消退的轨迹，容器球体缓慢旋转。

对比 Qwen3-235B-A22B、Gemini-2.5-Pro 以及前代 QWQ、DeepSeek-R1 的效果：

Qwen3 前端的 AI Coding 能力较前代的 QWQ、R1 有了明显进步，能更好地投入到 AI 编程 Agent 中。

高考数学推理

我们用一道让前代 QWQ 和 DeepSeek-R1 无限循环的题目来测试：2024 年高考数学全国 1 卷填空题最后一题。

经过 17033 tokens 的推理后，Qwen3-235B-A22B 成功解出。在超长逻辑推理任务中，它保持了稳定的分析表现，数学能力有所提升。

其他重要参数与定价

Qwen3 系列的价格如下：

• 价格：参考 Manus 公开的单任务 tokens 成本（约 2 美金），如果 Qwen3 能完成同样的 Agent 任务，单任务成本可能为 0.37 美金（约 2.67 元）。
• 上下文长度：Qwen3 4B 以上的模型最大支持 13 万上下文；0.6B 和 1.7B 支持 3 万上下文。