Qwen一直在默默地接连推出新模型。每个模型都配备了如此强大的功能和高度量化的规模，让人无法忽视。

继今年的QvQ、Qwen2.5-VL和Qwen2.5-Omni之后，Qwen团队现在发布了他们最新的模型系列——Qwen3。

这次他们不是发布一个而是发布了八个不同的模型——参数范围从6亿到2350亿不等——与OpenAI的o1、Gemini 2.5 Pro、DeepSeek R1等顶级模型展开竞争。

简介

Qwen3系列包含8个模型，其中两个是混合专家(Mixture-of-Expert, MoE)模型，而其他6个是密集模型。下表包含了所有这些模型的详细信息：

在像Qwen3-235B-A22B和Qwen3-30B-A3B这样的MoE模型中，网络的不同部分或"专家"根据各种输入被激活，使它们高效运行。在像Qwen3-14B这样的密集模型中，对于每个输入，网络的所有部分都会被激活。

Qwen3–0.6B

如果你正在寻找既高效又强大的语言模型，而又不会耗尽你的计算资源，Qwen3-0.6B值得关注。

仅有6亿参数，它带来了令人惊讶的推理能力、多语言灵活性和极快的速度——非常适合开发者、教育工作者和寻求轻量级本地推理的AI爱好者。

在本教程中，我将指导如何在Google Colab上使用Hugging Face的Transformers库免费运行Qwen3-0.6B。

为什么选择Qwen3-0.6B？ 在我们深入代码之前，以下是Qwen3-0.6B值得尝试的原因：

• ⚡ 超高效率：仅6亿参数——非常适合Colab或低资源系统。

• 🧠 擅长推理：在STEM/逻辑任务上的表现可与更大的模型相媲美。

• 🌍 多语言支持：在119种语言的36万亿词元上训练。

• 🧩 模式切换：可以在"思考"和"非思考"模式之间切换，智能处理任务。

• 🆓 开源：Apache 2.0许可证——完全自由使用和调整。

步骤详解：在Google Colab上运行Qwen3-0.6B

1. 设置环境

打开一个新的Google Colab笔记本，确保你使用的是GPU（通过运行时 > 更改运行时类型 > GPU）。 安装所需的库：

!pip install transformers accelerate

2. 加载模型和分词器

以下是运行Qwen3-0.6B的核心代码：

from transformers import AutoModelForCausalLM, AutoTokenizer


model_name = "Qwen/Qwen3-0.6B"


# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

3. 生成回应

使用内置的聊天模板准备你的提示和输入格式：

prompt = "请简短介绍一下大型语言模型。"
messages = [
    {"role": "user", "content": prompt}
]


# 使用"思考模式"格式化输入
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

4. 生成并解析输出现在，从模型生成文本并将内部"思考"内容与最终回应分开：

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()


# 解析出思考内容（如果有）
try:
    index = len(output_ids) - output_ids[::-1].index(151668)  # </think>
except ValueError:
    index = 0


thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")


print("🧠 思考内容:", thinking_content)
print("🗨️ 最终内容:", content)

⚡ 示例输出 你可能会看到类似这样的内容：

思考内容: <think>
好的，用户想要了解关于大型语言模型的简短介绍。让我首先回顾一下我对这些模型的了解。它们很大，对吧？所以我应该提到它们的规模和能力。也许先给出一个定义来奠定基础。


我需要包括关键点：它们是在海量数据集上训练的，能够理解和生成文本，并有各种任务。此外，可能还要提一下它们的局限性，比如无法回答所有问题或处理特定上下文。等等，我是否应该包括一些关于用例的内容？比如它们如何在不同行业中被使用？


让我检查一下是否遗漏了什么。用户没有指定任何特定行业，所以保持一般性会更好。尽可能避免技术术语，但既然他们要求的是简短介绍，这样是可以的。确保它简明扼要但涵盖主要方面。好的，让我把这些整合起来。
</think>
内容: 大型语言模型(LLM)是一种旨在理解和生成类人文本的人工智能。这些模型在庞大的数据集上进行训练，使它们能够理解复杂概念、回答问题并创建创意内容。它们可以协助完成各种任务，从写作论文到提供客户支持，但在特定上下文或处理模糊信息时有一定局限性。

你可以用Qwen3-0.6B构建什么

• 网站或应用的本地聊天机器人

• STEM学科的教育助手

• 具有逻辑和推理能力的轻量级智能体

• 多语言内容生成器

结语

Qwen3-0.6B证明了较小的模型正变得更加智能。

它在其规模内表现出色，可以轻松在Colab上运行，并且采用开放使用许可。

  如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

五、AI产品经理大模型教程

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

​