1. 模型架构

重点：

• 思维模式和非思维模式这两种不同的操作模式集成到一个模型中。这样可以让用户在这些模式间切换，而不是在不同模型间切换。
• 多阶段的后培训方法：增强推理和非推理模式。将基础模型和人的偏好结合。
  
  预训练阶段：

1. 通用知识学习：通过大规模数据训练模型理解语言结构、常识和通用知识，为后续阶段奠定基础。
2. 推理能力强化：引入知识密集型数据（如专业领域文本、高质量合成数据），强化模型对复杂推理任务的适应性。
3. 长上下文扩展：通过特定优化技术（动态位置编码 （YARN）、高效注意力机制 （DCA、稀疏注意力））提升模型对长序列的处理效率，并结合人工清洗与合成数据进一步强化能力。

位置编码调整：动态扩展与长度外推
技术原理 ：传统位置编码（如绝对位置编码）在预训练时固定上下文长度，难以直接扩展到更长序列。Qwen3 采用 动态位置编码调整技术 （如 YARN），允许模型在推理时动态扩展上下文长度。
实现方式 ：
在训练阶段，通过 长度外推 （Length Extrapolation）技术，使模型能够适应远超训练数据长度的上下文（例如从 32,768 token 推理时扩展至 128K token）。
使用 相对位置编码 或 旋转位置编码 （RoPE）等策略，增强模型对长序列位置信息的敏感性 。

注意力机制改进：降低计算复杂度
长序列处理的核心挑战是注意力机制的计算复杂度呈平方级增长（O(n²)），Qwen3 通过以下技术优化：
双块注意力（Dual Chunk Attention, DCA） ：
将长序列划分为多个固定长度的“块”（Chunk），在块内计算局部注意力，块间则通过稀疏或跨块注意力减少计算量。 例如，对 32,768 token 的长上下文，模型可能先分块处理局部信息，再通过全局注意力聚合关键信息 。
稀疏注意力（Sparse Attention） ：
通过稀疏化注意力矩阵（如仅关注关键位置或固定跨度的位置），大幅降低内存占用和计算成本 。
结合自适应带宽注意力 （Adaptive Bandwidth Attention, ABF），动态调整注意力覆盖的上下文范围，避免冗余计算 。

后训练阶段：

目标：

后训练流程：

1. 长思维链冷启动：构建高质量推理骨架。
   使用 QwQ-32B （Qwen3的子模型）生成高质量的长思维链示例（Chain-of-Thought, CoT），覆盖数学、代码、逻辑推理等场景 。
   结合人工清洗数据 （Qwen-72B标注的高质量推理样本），过滤错误推理路径。
2. 推理强化学习：优化多步骤任务的连贯性。
   基于 强化学习 （Reinforcement Learning, RL）框架，利用奖励模型（Reward Model）对生成的推理路径进行评估和反馈 。采用 GRPO 更新模型参数。
   参考解读文章：Qwen3模型架构、训练方法梳理
   重点强化数学、代码等领域的推理能力，确保多步骤任务的连贯性
3. 思维模式融合：统一深度与快速模式。
   混合训练 ：在训练数据中混合长思维链（深度模式）和直接响应（快速模式）样本 。
   用户控制机制 ：通过指令（如 /think 或 /no think）动态切换模式 。
4. 通用强化学习：对齐人类偏好并提升效率。
   监督微调 （SFT）：使用人工标注的指令-响应数据，训练模型遵循用户指令 。
   人类反馈强化学习 （RLHF）：通过大规模偏好数据优化生成结果，减少冗余输出 。

2. 训练数据量

数据总量比Qwen2.5翻了一倍，支持的语言种类更是增加了两倍多。

3. 性能表现

Qwen3 通过参数精简、架构创新和高效训练 ，实现了“小参数，高性能”的目标。其 MoE 模型 Qwen3-30B-A3B 的激活参数量仅为竞品的 10%，但性能更优；而 Dense 模型 Qwen3-1.7B 的参数量仅为 DeepSeek-R1 的 1/3，性能却与之相当 。
这种高效性使其在端侧部署、多语言任务及长文本处理中具有显著优势。