Qwen3于2025年4月29日发布并开源，作为 Qwen 系列中的最新一代大型语言模型，提供了一系列密集型和混合专家（MoE）模型。
本次Qwen发布多个尺寸模型，覆盖235B/32B/30B/14B/8B/4B/1.7B/0.6B。此前昇腾MindSpeed和MindIE一直同步支持Qwen系列模型，此次Qwen3系列一经发布开源，即在MindSpeed和MindIE中开箱即用，实现Qwen3的0Day适配。
目前，Qwen3各版本模型已全部上线魔乐社区，可以在魔乐Qwen3专区一站式获取，欢迎广大开发者下载体验！
🔗模型链接：
https://modelers.cn/topics/qwen3
Qwen3模型介绍
Qwen3是 Qwen 系列大型语言模型的最新成员。其中的旗舰模型 Qwen3-235B-A22B 在代码、数学、通用能力等基准测试中，与 DeepSeek-R1、o1、o3-mini、Grok-3 和 Gemini-2.5-Pro 等顶级模型相比，表现出极具竞争力的结果。此外，小型 MoE 模型 Qwen3-30B-A3B 的激活参数数量是 QwQ-32B 的 10%，表现更胜一筹，甚至像 Qwen3-4B 这样的小模型也能匹敌 Qwen2.5-72B-Instruct 的性能。
Qwen3 模型支持两种思考模式：
➢思考模式：在这种模式下，模型会逐步推理，经过深思熟虑后给出最终答案。这种方法适合需要深入思考的复杂问题。
➢非思考模式：在此模式中，模型提供快速、近乎即时的响应，适用于那些对速度要求高于深度的简单问题。
多语言：
Qwen3 模型支持 119 种语言和方言。这一广泛的多语言能力为国际应用开辟了新的可能性。
预训练：
在预训练方面，Qwen3 的数据集相比 Qwen2.5 有了显著扩展。Qwen2.5是在 18 万亿个 token 上进行预训练的，而 Qwen3 使用的数据量几乎是其两倍，达到了约 36 万亿个 token，涵盖了 119 种语言和方言。
后训练：
Qwen3实施了一个四阶段的训练流程。该流程包括：（1）长思维链冷启动，（2）长思维链强化学习，（3）思维模式融合，以及（4）通用强化学习。
基于昇腾快速上手Qwen3模型训练和推理
昇腾MindSpeed训练、MindIE推理支持Qwen2.5、兼容主流生态的分布式并行接口等，Qwen3系列模型一发布即实现低代码无缝迁移，欢迎广大开发者下载体验，以下为手把手教程：
MindSpeed训练上手指导
环境配置
1. 硬件要求
qwen3的参考硬件配置如下,本文将以Atlas 800 A2系列单机8卡训练和推理为例进行介绍：
2. MindSpeed-LLM仓库部署
MindSpeed-LLM的主要依赖配套如下表，安装步骤参考安装指导：https://gitee.com/ascend/MindSpeed-LLM/blob/master/docs/features/install_guide.md
（1）仓库拉取
git clone https://gitee.com/ascend/MindSpeed-LLM.gitgit clone https://github.com/NVIDIA/Megatron-LM.gitcd Megatron-LMgit checkout core_r0.8.0cp -r megatron ../MindSpeed-LLM/cd ..cd MindSpeed-LLMmkdir logsmkdir datasetmkdir ckpt
（2）环境搭建
torch npu 与 CANN包参考链接：https://support.huawei.com/enterprise/zh/ascend-computing/cann-pid-251168373/software
# python3.10conda create -n testpython=3.10conda activate test# 安装 torch 和 torch_npu，注意要选择对应python版本、x86或arm的torch、torch_npu及apex包pip install torch-2.1.0-cp310-cp310m-manylinux2014_aarch64.whlpip install torch_npu-2.1.0*-cp310-cp310m-linux_aarch64.whl# apex for Ascend 参考 https://gitee.com/ascend/apex# 建议从原仓编译安装# 安装加速库git clonehttps://gitee.com/ascend/MindSpeed.gitcdMindSpeed# checkout commit from MindSpeed core_r0.8.0git checkout 2c085cc9pip install -r requirements.txtpip3 install -e .cd../MindSpeed-LLM# 安装其余依赖库pip install -r requirements.txt
权重转换
1. 权重下载
从huggingface或者魔乐社区下载权重和配置文件
2. 权重转换
MindSpeed-LLM提供脚本将huggingface开源权重转换为mcore权重，用于训练、推理、评估等任务。
使用方法如下，请根据实际需要的TP/PP等切分策略和权重路径修改权重转换脚本
cd MindSpeed-LLMbash tests/0day/qwen3/ckpt_convert_qwen3_hf2mcore.sh
数据预处理
MindSpeed-LLM提供脚本进行数据集处理，使用方法如下，请根据实际需要修改以下参数
cd MindSpeed-LLMbash tests/0day/qwen3/data_convert_qwen3_pretrain.sh
训练
MindSpeed-LLM提供脚本进行数据集处理，使用方法如下，请根据实际需要修改以下参数
cd MindSpeed-LLMbash tests/0day/qwen3/pretrain_qwen3_8k_ptd.sh
推理
cd MindSpeed-LLMbash tests/0day/qwen3/generate_qwen3_ptd.sh
评估
cd MindSpeed-LLMbash tests/0day/qwen3/evaluate_qwen3_ptd.sh
更多详细信息请见各模型适配指导链接
https://gitee.com/ascend/MindSpeed-LLM/blob/master/tests/0day/qwen3/README.md
https://modelers.cn/MindSpeed
MindIE推理上手指导
硬件要求
部署Qwen3-30B-A3B-250425模型进行推理使用1台Atlas 800I A2（8*64G）服务器
权重
权重下载：BF16原始权重下载，见文末链接
推理前置准备
修改模型文件夹属组为1001 -HwHiAiUser属组（容器为Root权限可忽视）
执行权限为750：
chown -R 1001:1001 {/path-to-weights/Qwen3-30B-A3B-250425}chmod -R 750 {/path-to-weights/Qwen3-30B-A3B-250425}
加载镜像
前往昇腾社区/开发资源下载适配，下载镜像前需要申请权限，耐心等待权限申请通过后，根据指南下载对应镜像文件。
完成之后，请使用docker images命令确认查找具体镜像名称与标签。
docker images容器启动
启动容器：执行以下命令启动容器（参考）
docker run -itd --privileged --name= {容器名称} --net=host \--shm-size 500g \--device=/dev/davinci0 \--device=/dev/davinci1 \--device=/dev/davinci2 \--device=/dev/davinci3 \--device=/dev/davinci4 \--device=/dev/davinci5 \--device=/dev/davinci6 \--device=/dev/davinci7 \--device=/dev/davinci_manager \--device=/dev/hisi_hdc \--device /dev/devmm_svm \-v /usr/local/Ascend/driver:/usr/local/Ascend/driver \-v /usr/local/Ascend/firmware:/usr/local/Ascend/firmware \-v /usr/local/sbin/npu-smi:/usr/local/sbin/npu-smi \-v /usr/local/sbin:/usr/local/sbin \-v /etc/hccn.conf:/etc/hccn.conf \-v {/权重路径:/权重路径} \{swr.cn-south-1.myhuaweicloud.com/ascendhub/mindie:1.0.0-XXX-800I-A2-arm64-py3.11（根据加载的镜像名称修改）} \bash
进入容器：执行以下命令进入容器（参考）
docker exec -it {容器名称} bash设置基础环境变量
source /usr/local/Ascend/ascend-toolkit/set_env.shsource /usr/local/Ascend/nnal/atb/set_env.shsource /usr/local/Ascend/atb-models/set_env.shsource /usr/local/Ascend/mindie/set_env.sh
纯模型推理
【使用场景】使用相同输入长度和相同输出长度，构造多Batch去测试纯模型性能
1.精度测试
进入modeltest路径
cd /usr/local/Ascend/atb-models/tests/modeltest/运行测试脚本
Step1.清理残余进程：
pkill -9 -f 'mindie|python'Step2.执行以下命令：
bash run.sh pa_[data_type] [dataset] ([shots]) [batch_size] [model_name]([is_chat_model]) [weight_dir] [world_size] ([parallel_params])
测试脚本运行如下，以双机为例：
样例 -CEval 带shot
bash run.sh pa_bf16 full_CEval 5 1 qwen {/path/to/weights/Qwen3-30B-A3B-250425} 16样例 -GSM8K 不带shot
bash run.sh pa_bf16 full_GSM8K 8 qwen {/path/to/weights/Qwen3-30B-A3B-250425} 162.性能测试
进入modeltest路径：
cd /usr/local/Ascend/atb-models/tests/modeltest/Step1.清理残余进程：
pkill -9 -f 'mindie|python'Step2.执行以下命令：
测试脚本运行如下，以双机为例：
bash run.sh pa_bf16 performance [[256,256]] 1 qwen {/path/to/weights/Qwen3-30B-A3B-250425} 16测试脚本运行如下，以双机为例：
bash run.sh pa_bf16 performance [[256,256]] 1 qwen {/path/to/weights/Qwen3-30B-A3B-250425} 16服务化推理
【使用场景】对标真实客户上线场景，使用不同并发、不同发送频率、不同输入长度和输出长度分布，去测试服务化性能
1. 配置服务化环境变量
变量含义：expandable_segments-使能内存池扩展段功能，即虚拟内存特性。更多详情请查看昇腾环境变量参考。
export PYTORCH_NPU_ALLOC_CONF=expandable_segments:True2. 修改服务化参数
cd /usr/local/Ascend/mindie/latest/mindie-service/vim conf/config.json
修改以下参数
..."httpsEnabled" : false, # 如果网络环境不安全，不开启HTTPS通信，即“httpsEnabled”=“false”时，会存在较高的网络安全风险..."npudeviceIds" : [[0,1,2,3,4,5,6,7]],..."modelName" : "Qwen-MoE" # 不影响服务化拉起"modelWeightPath" : "权重路径","worldSize":8,
Example：仅供参考，请根据实际情况修改，详见文末链接
3. 拉起服务化
#解决权重加载过慢问题export OMP_NUM_THREADS=1# 拉起服务化cd /usr/local/Ascend/mindie/latest/mindie-service/./bin/mindieservice_daemon
执行命令后，首先会打印本次启动所用的所有参数，然后直到出现以下输出：
Daemon start success!则认为服务成功启动。
4. 另起客户端
进入相同容器，向服务端发送请求。
更多信息可参考官网信息：https://www.hiascend.com/document/detail/zh/mindie/100/mindieservice/servicedev/mindie_service0285.html
更多详细信息请见各模型适配指导链接
https://modelers.cn/MindIE
结语
更多Qwen3相关信息请见Qwen3专区：
https://modelers.cn/topics/qwen3
