Qwen 通过他们的 Twitter 帐户宣布了两款新模型（他们的博客上还没有任何内容）： Qwen3-Next-80B-A3B-Instruct和Qwen3-Next-80B-A3B-Thinking 。
他们对性能提出了一些重大要求：
- Qwen3-Next-80B-A3B-Instruct 接近我们的 235B 旗舰产品。
- Qwen3-Next-80B-A3B-Thinking 优于 Gemini-2.5-Flash-Thinking。
“80B-A3B”这个名称表示 800 亿个参数，其中每次只有 30 亿个处于活动状态。您仍然需要拥有足够的 GPU 可访问内存来一次性容纳所有 800 亿个参数，但每轮推理仅使用 30 亿个参数，这显著提高了响应提示的速度。
他们的推文中有更多详细信息：
- 80B 个参数，但每个 token 仅激活 3B → 比 Qwen3-32B 训练便宜 10 倍，推理快 10 倍。（尤其是在 32K+ 上下文中！）
- 混合架构：门控 DeltaNet + 门控注意力 → 速度与召回率最佳
- 超稀疏 MoE：512 位专家，10 位路由专家 + 1 位共享专家
- 多令牌预测→涡轮增压推测解码
- 在性能上胜过 Qwen3-32B，在推理和长上下文方面可与 Qwen3-235B 媲美
Hugging Face 上的每个模型大约有 150GB，因此我决定通过OpenRouter而不是在我自己的笔记本电脑上试用它们（ Thinking 、 Instruct ）。
我使用了llm-openrouter插件。我的安装方法如下：
llm install llm-openrouter llm keys set openrouter # paste key here然后使用以下命令找到模型 ID：llm install llm-openrouter llm keys set openrouter # paste key here
输出： llm models -q next
OpenRouter: openrouter/qwen/qwen3-next-80b-a3b-thinking OpenRouter: openrouter/qwen/qwen3-next-80b-a3b-instruct我有法学硕士学位OpenRouter: openrouter/qwen/qwen3-next-80b-a3b-thinking OpenRouter: openrouter/qwen/qwen3-next-80b-a3b-instruct
已保存的提示模板名为pelican-svg ，我是这样创建的：
这意味着我可以跑llm "Generate an SVG of a pelican riding a bicycle" --save pelican-svg
我的鹈鹕基准测试如下：
或者像这样： llm -t pelican-svg -m openrouter/qwen/qwen3-next-80b-a3b-thinking
这是llm -t pelican-svg -m openrouter/qwen/qwen3-next-80b-a3b-instruct
思维模型输出（运行提示后使用llm logs -c | pbcopy导出）：
我很喜欢记录中的“异想天开的风格，流畅的曲线和友好的比例（骑自行车不需要解剖学上的准确性！）”的注释。
指导（非推理）模型给了我这个：
“谁需要腿！？” 确实如此！我喜欢它为鹈鹕设计的企鹅-火烈鸟表情符号序列。
标签：人工智能、生成人工智能、法学硕士、法学硕士、 qwen 、鹈鹕骑自行车、法学硕士推理、法学硕士发布、 openrouter 、人工智能在中国
原文： https://simonwillison.net/2025/Sep/12/qwen3-next/#atom-everything