前言

阿里最新开源的Qwen3，能力打平OpenAI-O1和谷歌Gemini2.5、超越DeepSeek，甚至多个领域超越成为第一。

这次一股脑开源了2个系列多个不同尺寸的模型，适合多种不同型号的机器：

系列①混合专家模型MOE：Qwen3-235B-A22B 最大最强，名字含义是 模型参数量235B即2350亿，推理回答问题过程中实际激活(Activate)使用 22B即220亿参数。由于只自动选最擅长的“专家”，不是全部参数参与推理，所以回答又好又快。

系列②稠密模型：Qwen3-32B 即320亿参数的模型，稠密意思是推理过程中所有参数都激活使用。32B模型也打平/超越OpenAI-o1和DeepSeek 671B，很能打。

免费使用Qwen3可以去官网 https://qwen.ai，API调用可以去硅基流动 100万token 5块钱。

当有私人数据和问题不方便外发，需要私有部署，ollama是最方便的方式。

ollama一键单机部署

ollama.com是支持多种开源大模型一键安装的工具，qwen3震撼发布的当晚，ollama在第一时间支持了qwen3。

首先它自己也是一键安装，去官网下载安装：

然后，安装完成后，在命令行工具（windows的cmd、mac的终端terminal）小黑屏里执行 "ollama run qwen3"就能自动下载模型并运行qwen3了。

适合个人单机部署是32B或更小的型号：

智力与速度

32B模型16位浮点精度的参数的文件大小66G，这些是需要全部放入显存和内存的，所以对GPU的显存大小有要求。显存不够大时，可以量化：8位量化减半33B，4位量化再减半。

但量化后能力相比16位浮点精度有相应有下降，8位量化一般降智3%左右，4位量化降智10%左右；模型型号方面，也是越小降智越多；然而对于给定私有知识库、基于知识库的总结问答这种，比较明确的问答，则降智不会多。

显存和内存装的下模型参数时，推理过程中用到的激活参数越多，回答速度越快。我个人实测出1000字速度见下表（速度用tokens/秒，一个token大约1.3个汉字）：

qwen3型号 | 模型文件大小(G)	GPU机器	MAC电脑	说明
qwen3:32b-fp16 | 66G	1.13	x	mac装载不了
qwen3:32b-q8_0 | 35G	3.17	-	mac卡死不出
qwen3:32b-q4_K_M | 20G	11.8	6	1秒10字已经很流畅
qwen3:30b-a3b-fp16 | 61G	11.25	x	★gpu推荐它
qwen3:30b-a3b-q8_0 | 33G	21.5	4.88	mac能跑是因为moe模型实际激活使用3b参数
qwen3:30b-a3b-q4_K_M | 19G	44	26	★mac电脑推荐它
qwen3:4b-q8_0 | 4.4G	47.5	26.3	速度一致，但4b稠密的智力比不上30b激活3b
qwen3:0.6b | 0.5G	242	142	523M的模型可以支持边缘智能了

• GPU服务器配置是12核cpu、64G内存、英伟达L4显卡24G显存，启用统一内存（GGML_CUDA_ENABLE_UNIFIED_MEMORY=1），能装得下88G大小的文件，但相比全部显存的速度有下降。

• MAC电脑是M3，36G内存由 cpu和gpu共享。由于推理回答过程中占用gpu，所以回答过程中，界面参照甚至鼠标异动都有卡顿。

私有部署在选择决策时，根据GPU显存大小，优先用大型号的高位版本，有财力的朋友可以部署满血版qwen3。

当然，如果没私密数据和问题，该用qwen.ai官网的满血版。

 一、大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

二、如何学习大模型 AI ？

🔥AI取代的不是人类，而是不会用AI的人！麦肯锡最新报告显示：掌握AI工具的从业者生产效率提升47%，薪资溢价达34%！🚀

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

 

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

*   大模型 AI 能干什么？
*   大模型是怎样获得「智能」的？
*   用好 AI 的核心心法
*   大模型应用业务架构
*   大模型应用技术架构
*   代码示例：向 GPT-3.5 灌入新知识
*   提示工程的意义和核心思想
*   Prompt 典型构成
*   指令调优方法论
*   思维链和思维树
*   Prompt 攻击和防范
*   …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

*   为什么要做 RAG
*   搭建一个简单的 ChatPDF
*   检索的基础概念
*   什么是向量表示（Embeddings）
*   向量数据库与向量检索
*   基于向量检索的 RAG
*   搭建 RAG 系统的扩展知识
*   混合检索与 RAG-Fusion 简介
*   向量模型本地部署
*   …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

*   为什么要做 RAG
*   什么是模型
*   什么是模型训练
*   求解器 & 损失函数简介
*   小实验2：手写一个简单的神经网络并训练它
*   什么是训练/预训练/微调/轻量化微调
*   Transformer结构简介
*   轻量化微调
*   实验数据集的构建
*   …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

*   硬件选型
*   带你了解全球大模型
*   使用国产大模型服务
*   搭建 OpenAI 代理
*   热身：基于阿里云 PAI 部署 Stable Diffusion
*   在本地计算机运行大模型
*   大模型的私有化部署
*   基于 vLLM 部署大模型
*   案例：如何优雅地在阿里云私有部署开源大模型
*   部署一套开源 LLM 项目
*   内容安全
*   互联网信息服务算法备案
*   …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】