تنوع نماذج Qwen3 مقصود: يتيح للمطورين اختيار المقايضة المناسبة بين الدقة والتكلفة والذاكرة والعتاد، مع الحفاظ على قدرة أساسية موحدة—الاستدلال الهجين. يساعدك هذا الدليل على فهم الفروق وإيجاد نموذج Qwen3 الأنسب لاحتياجاتك الخاصة—سواء كنت تبني شات بوت، أو مساعد برمجة، أو وكيل أبحاث ذكي.
لماذا تحتوي سلسلة Qwen 3 على العديد من النماذج؟
المصدر: Qwen
Qwen3 235B A22B/Qwen3 32B
- النماذج الأساسية
هذه هي نقطة البداية للتدريب، وتمثل النماذج الأساسية الأصلية. - المرحلة 1: البداية الباردة لسلسلة التفكير الطويلة (Long-CoT)
يُستخدم الاستدلال طويل السلسلة (Long-CoT) كمرحلة بداية باردة لمساعدة النموذج على اكتساب القدرات الأولية لمهام الاستدلال المعقدة. - المرحلة 2: تعزيز الاستدلال (Reasoning RL)
من خلال تعزيز الاستدلال بالتعلم المعزز (Reasoning RL)، يتم تحسين قدرة النموذج على الاستدلال للمهام. - المرحلة 3: دمج أنماط التفكير
يتم دمج أنماط التفكير المختلفة (مثل الاستدلال المنطقي، الحكم البديهي) لتحسين عمومية النموذج ومرونته. - المرحلة 4: التعلم المعزز العام (General RL)
يُطبق التعلم المعزز العام (General RL) لتمكين النموذج من التكيف مع مهام أوسع.
Qwen3 30B A3B؛Qwen3 14B/8B/4B/1.7B/0.6B
- النماذج الأساسية
بالمثل، تبدأ هذه أيضًا بالنماذج الأساسية. - التقطير من القوي إلى الضعيف
يقوم التقطير من القوي إلى الضعيف بنقل المعرفة من النماذج المتطورة إلى النماذج خفيفة الوزن، مما يضمن احتفاظ هذه النماذج بالكفاءة مع الاحتفاظ بقدرات استدلالية قوية.
مقدمة أساسية لنماذج Qwen 3
نماذج Qwen 3 MOE
| الميزة | Qwen3 235B A22B | Qwen3 30B A3B |
|---|---|---|
| حجم النموذج | 235B/22B (مُفعَّل) | 30.5B/3.3B (مُفعَّل) |
| الهندسة المعمارية | 94 طبقة، 64 رأس انتباه للاستعلامات، و4 للمفاتيح-القيم | 48 طبقة، 32 رأس انتباه للاستعلامات، و4 للمفاتيح-القيم |
| القدرة | يدعم استدعاء الدوال (function calling) | يدعم استدعاء الدوال (function calling) |
| السياق | 32,768 رمزًا | 32,768 رمزًا |
| دعم اللغات | 119 لغة ولهجة | 119 لغة ولهجة |
| القدرة متعددة الوسائط | نص إلى نص | نص إلى نص |
نماذج Qwen 3 الكثيفة (Dense)
| النموذج | حجم النموذج | الطبقات | رؤوس الانتباه (Q / KV) | طول السياق | دعم متعدد اللغات |
|---|---|---|---|---|---|
| Qwen3 32B | 32.8B | 64 | 64 / 8 | 32K / حتى 128K | 119 لغة ولهجة |
| Qwen3 14B | 14.8B | 40 | 40 / 8 | 32K / حتى 128K | 119 لغة ولهجة |
| Qwen3 8B | 8.2B | 36 | 32 / 8 | 32K / حتى 128K | 119 لغة ولهجة |
| Qwen3 4B | 4.0B | 36 | 32 / 8 | 32K | 119 لغة ولهجة |
| Qwen3 1.7B | 1.7B | 28 | 16 / 8 | 32K | 119 لغة ولهجة |
| Qwen3 0.6B | 0.6B | 28 | 16 / 8 | 32K | 119 لغة ولهجة |
النقطة المهمة هي أن جميع النماذج في سلسلة Qwen3 - بما في ذلك Qwen3 0.6B و1.7B و4B و8B و14B و32B، بالإضافة إلى متغيرات MoE Qwen3 30B A3B وQwen3 235B A22B - تدعم “وضع الاستدلال الهجين”.
- وضع التفكير (Thinking Mode): مصمم للمشكلات المعقدة التي تتطلب تحليلاً متعمقًا. يستنتج النموذج خطوة بخطوة ويقدم إجابات مدروسة بعناية.
- وضع عدم التفكير (Non-Thinking Mode): مناسب للمهام البسيطة. يقدم النموذج استجابات سريعة وفورية تقريبًا.
بالإضافة إلى ذلك، تقدم نماذج Qwen3 آلية “ميزانية التفكير”، مما يسمح للمستخدمين بتعيين أقصى استخدام للرموز أثناء الاستدلال. يساعد هذا في التحكم في عمق الاستدلال وإدارة استهلاك الموارد الحسابية.
المصدر: Qwen
مقاييس أداء Qwen 3
مقاييس أداء الاستدلال لـ Qwen 3
| الاختبار | Qwen3 235B | Qwen3 32B | Qwen3 30B | Qwen3 14B | Qwen3 8B | Qwen3 7B | Qwen3 4B | Qwen3 0.6B |
|---|---|---|---|---|---|---|---|---|
| MMLU-Pro | 83% | 80% | 78% | 77% | 74% | 57% | 35% | - |
| GPQA Diamond | 70% | 67% | 62% | 60% | 59% | 36% | 24% | - |
| Humanity’s Last Exam | 11.7% | 8.3% | 6.6% | 5.7% | 5.1% | 4.3% | 4.2% | - |
| LiveCodeBench | 62% | 55% | 52% | 51% | 47% | 41% | 31% | 12% |
| SciCode | 40% | 35% | 32% | 28% | 23% | 4% | 4% | 3% |
| MATH-500 | 96% | 96% | 96% | 93% | 93% | 90% | 89% | 75% |
| AIME 2024 | 84% | 81% | 76% | 75% | 75% | 66% | 51% | 10% |
مقاييس أداء Qwen 3 بدون استدلال
| الاختبار | Qwen3 235B | Qwen3 32B | Qwen3 30B | Qwen3 14B | Qwen3 8B | Qwen3 7B | Qwen3 4B | Qwen3 0.6B |
|---|---|---|---|---|---|---|---|---|
| MMLU-Pro | 76% | 73% | 71% | 68% | 64% | 41% | 23% | - |
| GPQA Diamond | 61% | 54% | 52% | 47% | 45% | 40% | 28% | 23% |
| Humanity’s Last Exam | 5.2% | 5.2% | 4.7% | 4.6% | 4.3% | 3.7% | 2.8% | - |
| LiveCodeBench | 34% | 32% | 29% | 28% | 23% | 20% | 13% | 7% |
| SciCode | 30% | 28% | 27% | 26% | 17% | 17% | 7% | 4% |
| MATH-500 | 90% | 87% | 87% | 86% | 84% | 83% | 72% | 52% |
| AIME 2024 | 33% | 30% | 28% | 26% | 24% | 21% | 10% | 2% |
Humanity’s Last Exam يختبر الاستدلال والمعرفة المتطرفة. جميع النماذج تؤدي بشكل ضعيف.
- للمهام عالية المخاطر التي تتطلب أداءً من الدرجة الأولى (مثل البحث العلمي، البرمجة المتقدمة)، فإن Qwen3 235B هو الخيار الأفضل.
- للحلول الفعالة من حيث التكلفة حيث تكون الموارد الحسابية محدودة، فإن Qwen3 30B أو Qwen3 32B يوفران توازنًا جيدًا بين الأداء والكفاءة.
- النماذج الأصغر مثل Qwen3 0.6B أكثر مناسبة للتطبيقات خفيفة الوزن ولكنها قد تواجه صعوبة في المهام المعقدة.
متطلبات العتاد لنماذج Qwen 3
| اسم النموذج | الذاكرة المطلوبة (GB) |
| Qwen3 0.6B | 3.01GB |
| Qwen3 1.7B | 5.75GB |
| Qwen3 4B | 10.99GB |
| Qwen3 8B | 19.82GB |
| Qwen3 14B | 33.48GB |
| Qwen3 30B A3B | 74.21GB |
| Qwen3 32B | 73.5GB |
| Qwen3 235B A22B | 553.96GB |
0.6B–4B: تطبيقات محلية، شات بوت، استخدام حواف خفيف الوزن.
8B–14B: نماذج عامة قوية لخوادم الاستدلال متوسطة الحجم.
32B: حالات استخدام عالية الأداء تحتاج إلى إخراج إبداعي واستدلال أعمق.
235B: نشر على مستوى بحثي أو مؤسسي، غير فعال من حيث التكلفة لمعظم المستخدمين.
أي Qwen 3 يلبي احتياجاتك؟
| هدفك | النموذج (النماذج) الموصى بها | السبب |
|---|---|---|
| مهام محلية خفيفة الوزن / شات بوت | Qwen3-0.6B / Qwen3-1.7B | بداية سريعة، ذاكرة منخفضة (<6GB)، يعمل على أجهزة الكمبيوتر المحمولة، مثالي للاستخدام الحوافي |
| استدلال متوازن + عتاد بتكلفة معقولة | Qwen3-8B / Qwen3-14B | يدير المهام العامة جيدًا، يناسب وحدات GPU بحجم 16GB–24GB، ذكاء اصطناعي متعدد اللغات قوي |
| استدلال وتوليد متقدم | Qwen3-32B | أفضل نموذج كثيف للبرمجة والرياضيات والمهام الطويلة دون تعقيدات MoE |
| أداء من الدرجة الأولى للبحث | Qwen3-235B (A22B) | أفضل النتائج عبر مقاييس الاستدلال، لكن تشغيله مكلف جدًا |
| خيار MoE فعال وقادر | Qwen3-30B (A3B) | إخراج قوي باستخدام ~3B معاملات نشطة؛ قابلية أفضل للتوسع لكل ذاكرة GPU |
كيفية الوصول إلى نماذج Qwen 3 بطريقة فعالة من حيث التكلفة؟
Novita AI هي منصة سحابية للذكاء الاصطناعي تقدم للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام واجهة برمجة التطبيقات (API) البسيطة الخاصة بنا، مع توفير GPU سحابي ميسور التكلفة وموثوق للبناء والتوسع.
بالإضافة إلى Qwen 3 Reranker 8B و Embedding 8B، توفر Novita AI أيضًا Qwen 3 (0.6B, 1.7B, 4B) مجانًا لدعم تطوير مجتمع المصادر المفتوحة!
الخطوة 1: تسجيل الدخول والوصول إلى مكتبة النماذج
قم بتسجيل الدخول إلى حسابك وانقر على زر مكتبة النماذج.
الخطوة 2: اختر نموذجك وابدأ نسخة تجريبية مجانية
تصفح الخيارات المتاحة واختر النموذج الذي يناسب احتياجاتك.
الخطوة 3: احصل على مفتاح API الخاص بك
للمصادقة مع API، سنزودك بمفتاح API جديد. بالدخول إلى صفحة “الإعدادات”، يمكنك نسخ مفتاح API كما هو موضح في الصورة.
الخطوة 4: تثبيت API
قم بتثبيت API باستخدام مدير الحزم الخاص بلغة البرمجة التي تستخدمها.
بعد التثبيت، قم باستيراد المكتبات اللازمة إلى بيئة التطوير الخاصة بك. قم بتهيئة API باستخدام مفتاح API الخاص بك لبدء التفاعل مع Novita AI LLM. هذا مثال على استخدام chat completions API لمستخدمي Python.
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="session_nkvtuVXXxS-LlR7txjZ3Rox8GhLMuv1R8IrIySNwTPN7xHJ0SVErFx3kNwJgkUEpcSM4F8c6zmcvyfuc1h59gw==",
)
model = "qwen/qwen3-32b-fp8"
stream = True # or False
max_tokens = 2048
system_content = ""Be a helpful assistant""
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
سواء كنت تبني شات بوت على حاسوب محمول أو تنشر وكيلًا علميًا واسع النطاق، فإن Qwen3 لديه نموذج مصمم خصيصًا لمواردك وأهدافك. النماذج الأصغر (0.6B–4B) خفيفة وسريعة؛ النماذج متوسطة الحجم (8B–14B) توازن بين القوة والكفاءة؛ والنماذج الأكبر (32B، 235B) تتصدر في مقاييس الاستدلال. للمطورين الذين يبحثون عن وصول فعال من حيث التكلفة، تقدم Novita AI نشرًا سلسًا لنماذج Qwen3 عبر API—مع بعضها متاح مجانًا تمامًا.
الأسئلة المتكررة
أي نموذج Qwen3 هو الأفضل للتطبيقات المحلية؟
Qwen3-0.6B أو Qwen3-1.7B. تعمل هذه النماذج على أجهزة الكمبيوتر الشخصية الأساسية أو Apple Silicon وهي مثالية للمهام الخفيفة وشات بوت.
ماذا يجب أن أختار للاستدلال القوي دون تكلفة GPU عالية؟
Qwen3-8B أو Qwen3-14B. توفر قدرة استدلالية ممتازة وتناسب وحدات GPU بسعة 16–24GB VRAM.
متى يجب استخدام Qwen3-32B؟
استخدم Qwen3-32B عندما تحتاج إلى منطق متقدم، برمجة، وتوليد نصوص طويلة—دون الاعتماد على هيكل MoE.
Novita AI هي منصة سحابية للذكاء الاصطناعي تقدم للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام واجهة برمجة التطبيقات (API) البسيطة الخاصة بنا، مع توفير GPU سحابي ميسور التكلفة وموثوق للبناء والتوسع.*
