阿里Qwen团队推出 Qwen3-30B-A3B-Instruct-2507：更强、更准、更懂你

阿里Qwen团队发布 Qwen3-30B-A3B-Instruct-2507 ——Qwen3 系列中针对非思考模式优化的新一代指令微调模型。

• Qwen Chat：https://chat.qwen.ai/?model=Qwen3-30B-A3B-2507
• Hugging Face：Qwen3-30B-A3B-Instruct-2507 | Qwen3-30B-A3B-Instruct-2507-FP8
• 魔塔：Qwen3-30B-A3B-Instruct-2507 | Qwen3-30B-A3B-Instruct-2507-FP8

该版本在通用能力、多语言覆盖、长上下文理解及用户偏好对齐方面实现显著提升，专为需要高效、稳定响应的生产级应用设计。

⚠️ 注意：此模型仅支持 非思考模式（Non-Thinking Mode），输出中不会生成 <think> 块，也无需再显式设置 enable_thinking=False。

为什么需要这个更新？

在实际应用场景中，许多任务并不需要“边想边答”的推理过程，反而更关注响应速度、稳定性与指令遵循能力。

Qwen3-30B-A3B-Instruct-2507 正是为此而生：它在保持 MoE 架构优势的同时，专注于提升 指令执行质量 和 交互响应效率，适用于客服、内容生成、代码辅助、企业知识问答等高频、低延迟场景。

核心改进一览

✅ 通用能力全面提升

在逻辑推理、数学、科学、编码、文本理解等核心维度表现更强：

• MMLU-Pro：从 69.1 → 78.4
• GPQA（科学难题）：从 54.8 → 70.4
• AIME25（数学竞赛）：从 21.6 → 61.3
• ZebraLogic（逻辑推理）：从 33.2 → 90.0

尤其在数学与逻辑类任务上，性能接近顶级闭源模型，显著拉近与大参数模型的差距。

✅ 多语言长尾知识增强

相比前代，新增覆盖多种语言中的低频知识点，尤其在小语种专业术语、文化背景相关内容上表现更稳健。

• MMLU-ProX（多语言知识）：65.1 → 72.0
• PolyMATH（多语言数学）：23.3 → 43.1

适用于跨国业务、本地化内容生成等场景。

✅ 更符合用户主观偏好

在开放式任务中，生成内容更具帮助性、结构更清晰、语言更自然：

• 创意写作 v3：68.1 → 86.0
• WritingBench：72.2 → 85.5
• Arena-Hard v2（人类偏好评估胜率）：24.8 → 69.0

这意味着模型不仅能“答得对”，还能“答得更好”。

✅ 长上下文能力强化

原生支持 262,144 令牌上下文长度（约256K），并在实际测试中展现出更强的长文档理解与信息提取能力。

无论是处理整本技术手册、法律合同，还是跨章节分析研究论文，模型都能保持上下文连贯性。

模型架构概览

采用 MoE（Mixture of Experts）架构，在控制推理成本的同时扩展模型容量。

性能对比：与主流模型同场竞技

以下为关键基准测试得分（越高越好），展示 Qwen3-30B-A3B-Instruct-2507 的综合竞争力：

注：Arena-Hard 使用 GPT-4 评估胜率；部分 GPT-4o 结果基于 20241120 版本生成。

在多项指标上，该模型已接近甚至超越部分更大规模模型，展现出优异的性价比与实用性。

推荐使用配置（Best Practices）

为充分发挥模型潜力，建议采用以下设置：

1. 采样参数

temperature: 0.7
top_p: 0.8
top_k: 20
min_p: 0.0
presence_penalty: 0.5~1.5（推荐0.8，减少重复）

presence_penalty 可有效缓解输出重复问题，但过高可能导致语言混合或性能轻微下降。

2. 输出长度

建议设置最大输出长度为 16,384 tokens，足以应对大多数复杂任务，如长篇报告生成、多步骤代码实现等。

3. 标准化提示工程

为提升评估一致性与自动化处理效率，建议在提示中加入格式约束：

• 数学题：
  

  “请逐步推理，并将最终答案放在 \boxed{} 内。”

• 选择题：
  

  “请仅在 answer 字段中返回选项字母，例如：{ "answer": "C" }”

此类结构化输出便于后续解析与集成。