Qwen紧追OpenAI开源4B端侧大模型，AIME25得分超越Claude 4 Opus

衡宇
2025-08-07
09:01:24

来源：量子位

衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

三天不开源，Qwen团队手就痒。

昨天深夜再次放出两个端侧模型：

• Qwen3-4B-Instruct-2507：非推理模型，大幅提升通用能力
• Qwen3-4B-Thinking-2507：高级推理模型，专为专家级任务设计

4B这个尺寸对端侧非常友好，甚至意味着可以在树莓派上运行它。

Qwen官方推文中对这俩模型的介绍是：

更智能、更精准，并且支持256k上下文，更具上下文感知能力。

在AIME25上，Qwen3-4B-Thinking-2507四两拨千斤，最后得分是81.3。

这个成绩已经超过了Gemini 2.5 Pro（49.8～88.0）和Claude 4 Opus（75.5）在AIME25的得分——仅仅靠一个4B的模型！

而且，4B参数量意味着对端侧极其友好。

也难怪网友在Ycombinator上惊呼：

感谢中国公司！

4B模型大升级，四两拨千斤

官方推文上，是这么介绍两位Qwen3家族新成员的：

• Qwen3-4B-Instruct-2507：提升通用能力、多语言覆盖和长上下文指令理解。
• Qwen3-4B-Thinking-2507：逻辑、数学、科学及代码中的高级推理能力——专为专家级任务设计。

Qwen团队直言不讳，称这两个模型“更加强大”。

浅浅回顾一下，今年4月底，Qwen3系列首登场时，Qwen-4B-Base作为第一批八个成员之一亮相。

当时，Qwen3-4B就能在数学、代码能力上“以小博大”，和比自身大10倍模型水平相当。

现在同样在多个测试集上可以看到，Qwen3-4B-Instruct-2507和Qwen3-4B-Thinking-2507对于前作都有非常明显的能力提升。

Qwen3-4B-Instruct-2507

Qwen3-4B-Instruct-2507是一个非推理模型，具有以下关键改进：

• 在通用能力方面有显著提升，包括指令遵循、逻辑推理、文本理解、数学、科学、编程和工具使用。
• 在多语言长尾知识覆盖方面有大幅增长。
• 在主观和开放性任务中与用户偏好显著匹配，能够提供更有帮助的响应和更高质量的文本生成。
• 256K长上下文理解能力增强，可扩展至1M。

在诸多测试集上，该模型通用能力超越了闭源的小尺寸模型GPT-4.1-nano。

（注：GPT-4.1-nano是GPT-4.1系列中最小规模的模型，未公开参数量）

和Qwen3-30B-A3B（Non-Thinking）对比，Qwen3-4B-Instruct-2507与其性能接近，还小胜一筹。

换句话说，这个4B的密集模型在性能上与30B的MoE模型能力非常接近，但“占地面积”却小了7.5倍。

Qwen3-4B-Thinking-2507

在抱抱脸上，Qwen团队写道：

在过去三个月中，我们持续提升Qwen3-4B的思考能力，增强了推理的质量和深度。

于是，Qwen3-4B-Thinking-2507诞生了，这是一个仅支持推理模式的模型。

在前作基础上，这一模型主要有以下改进：

• 在推理任务上性能显著提升，包括逻辑推理、数学、科学、编程以及通常需要人类专业知识的学术基准测试。
• 通用能力显著提升，包括指令理解、工具使用、文本生成以及与人类偏好的对齐。
• 增强的256K长上下文理解能力。

官方在抱抱脸表示，由于Qwen3-4B-Thinking-2507增加了思考长度，“强烈建议在高度复杂的推理任务中使用它”。

在重点考察数学能力的AIME25测评中，Qwen3-4B-Thinking-2507以4B参数量斩获81.3的好成绩。

此外，在GPQA上，其得分与Qwen-30B-A3B（Thinking）得分相当；Agent方面的每一项测试，Qwen3-4B-Thinking-2507碾压了前代版本以及Qwen-30B-A3B（Thinking）。

端侧开发者福音

现在，Qwen3-4B-Instruct-2507以及Qwen3-4B-Thinking-2507的代码可在抱抱脸和魔搭社区找到，文末放上了直通车，方便大家寻找。

官方还贴心地给出了部署建议：

第一，对于本地使用，Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等应用程序也已支持模型部署。

对于极小型设备（如树莓派4B），可使用量化版本Qwen3-4B-GGUF，搭配llama.cpp运行。

第二，如果遇到内存不足（OOM）问题，可以考虑将上下文长度减少到一个更短的值。

由于Qwen3-4B-Thinking-2507是一个推理模型，在推理时可能需要更长的词元序列，强烈建议在可能的情况下使用大于131,072的上下文长度。

第三，虽然俩模型一个是推理模型一个是非推理模型，但官方对prompt给出了同样的建议。

面对数学问题时，推荐在prompt中包含“请逐步推理，并将最终答案放在boxed{}内。”

面对选择题时，推荐在prompt中添加以下JSON 结构以标准化回答：”请在 answer 字段中仅显示选项字母，例如 “answer”: “C” 。”

最后，已经有网友在呼吁开源永动机Qwen团队赶紧交出Qwen3-8B系列了：

One More Thing

Qwen3系列到底有多少款模型？

答案是：不知道。

吃瓜群众们只知道这次小·大模型的更新非常使用，以及时间钱选得刚刚好——

昨天，久不Open的OpenAI终于开源了一次。

不仅和谷歌、Anthropic大撞期，而且gpt-oss-120b和gpt-oss-20b两个模型似乎并没有用性能征服开发者们。

而今天半夜，也就是8月8日凌晨1点（太平洋时间8月7日上午10点），打了800集预告的GPT-5，或许就要来了……

8月刚开始就战况这么激烈，咱能怎么办？

搬小板凳，乖巧坐等呗～

抱抱脸直通车：
[1]https://huggingface.co/Qwen/Qwen3-4B-Instruct-2507
[2]https://huggingface.co/Qwen/Qwen3-4B-Thinking-2507

魔搭社区直通车：
[1]https://modelscope.cn/models/Qwen/Qwen3-4B-Instruct-2507
[2]https://modelscope.cn/models/Qwen/Qwen3-4B-Thinking-2507

参考链接：
[1]https://x.com/Alibaba_Qwen/status/1953128028047102241
[2]https://www.reddit.com/r/LocalLLaMA/comments/1mj8ndr/qwen_3_4b_thinking_model_released/
[3]https://news.ycombinator.com/item?id=44813627

Read More