Qwen3 Technisch Rapport

Qwen3 Technical Report

May 14, 2025

Auteurs: An Yang, Anfeng Li, Baosong Yang, Beichen Zhang, Binyuan Hui, Bo Zheng, Bowen Yu, Chang Gao, Chengen Huang, Chenxu Lv, Chujie Zheng, Dayiheng Liu, Fan Zhou, Fei Huang, Feng Hu, Hao Ge, Haoran Wei, Huan Lin, Jialong Tang, Jian Yang, Jianhong Tu, Jianwei Zhang, Jianxin Yang, Jiaxi Yang, Jing Zhou, Jingren Zhou, Junyang Lin, Kai Dang, Keqin Bao, Kexin Yang, Le Yu, Lianghao Deng, Mei Li, Mingfeng Xue, Mingze Li, Pei Zhang, Peng Wang, Qin Zhu, Rui Men, Ruize Gao, Shixuan Liu, Shuang Luo, Tianhao Li, Tianyi Tang, Wenbiao Yin, Xingzhang Ren, Xinyu Wang, Xinyu Zhang, Xuancheng Ren, Yang Fan, Yang Su, Yichang Zhang, Yinger Zhang, Yu Wan, Yuqiong Liu, Zekun Wang, Zeyu Cui, Zhenru Zhang, Zhipeng Zhou, Zihan Qiu

cs.AI

Samenvatting

In dit werk presenteren we Qwen3, de nieuwste versie van de Qwen-modelreeks. Qwen3 bestaat uit een reeks grote taalmodelen (LLM's) die zijn ontworpen om prestaties, efficiëntie en meertalige mogelijkheden te verbeteren. De Qwen3-reeks omvat modellen met zowel dense als Mixture-of-Expert (MoE) architecturen, met parameterschalen variërend van 0,6 tot 235 miljard. Een belangrijke innovatie in Qwen3 is de integratie van de denkmodus (voor complexe, meerstaps redenering) en de niet-denkmodus (voor snelle, contextgestuurde reacties) in een uniform raamwerk. Hierdoor is het niet langer nodig om te schakelen tussen verschillende modellen—zoals chat-geoptimaliseerde modellen (bijv. GPT-4o) en gespecialiseerde redeneermodellen (bijv. QwQ-32B)—en maakt het dynamische modusschakeling mogelijk op basis van gebruikersvragen of chatsjablonen. Tegelijkertijd introduceert Qwen3 een denkbudgetmechanisme, waarmee gebruikers rekenbronnen adaptief kunnen toewijzen tijdens inferentie, waardoor latentie en prestaties in balans worden gebracht op basis van de taakcomplexiteit. Bovendien verminderen we, door gebruik te maken van de kennis van de vlaggenschipmodellen, de benodigde rekenbronnen voor het bouwen van kleinschaligere modellen aanzienlijk, terwijl we hun zeer competitieve prestaties waarborgen. Empirische evaluaties tonen aan dat Qwen3 state-of-the-art resultaten behaalt op diverse benchmarks, inclusief taken in codegeneratie, wiskundige redenering, agenttaken, enz., en concurreert met grotere MoE-modellen en propriëtaire modellen. Vergeleken met zijn voorganger Qwen2.5 breidt Qwen3 de meertalige ondersteuning uit van 29 naar 119 talen en dialecten, waardoor de wereldwijde toegankelijkheid wordt vergroot door verbeterde cross-linguale begrips- en generatiecapaciteiten. Om reproduceerbaarheid en gemeenschapsgedreven onderzoek en ontwikkeling te faciliteren, zijn alle Qwen3-modellen publiekelijk toegankelijk onder Apache 2.0.

English

In this work, we present Qwen3, the latest version of the Qwen model family. Qwen3 comprises a series of large language models (LLMs) designed to advance performance, efficiency, and multilingual capabilities. The Qwen3 series includes models of both dense and Mixture-of-Expert (MoE) architectures, with parameter scales ranging from 0.6 to 235 billion. A key innovation in Qwen3 is the integration of thinking mode (for complex, multi-step reasoning) and non-thinking mode (for rapid, context-driven responses) into a unified framework. This eliminates the need to switch between different models--such as chat-optimized models (e.g., GPT-4o) and dedicated reasoning models (e.g., QwQ-32B)--and enables dynamic mode switching based on user queries or chat templates. Meanwhile, Qwen3 introduces a thinking budget mechanism, allowing users to allocate computational resources adaptively during inference, thereby balancing latency and performance based on task complexity. Moreover, by leveraging the knowledge from the flagship models, we significantly reduce the computational resources required to build smaller-scale models, while ensuring their highly competitive performance. Empirical evaluations demonstrate that Qwen3 achieves state-of-the-art results across diverse benchmarks, including tasks in code generation, mathematical reasoning, agent tasks, etc., competitive against larger MoE models and proprietary models. Compared to its predecessor Qwen2.5, Qwen3 expands multilingual support from 29 to 119 languages and dialects, enhancing global accessibility through improved cross-lingual understanding and generation capabilities. To facilitate reproducibility and community-driven research and development, all Qwen3 models are publicly accessible under Apache 2.0.