国内首个「混合推理模型」Qwen3深夜开源，盘点它的N种对接方式！

今日凌晨，通义千问团队正式开源了 Qwen3 大模型，并且一口气发布了 8 个型号，其中包括 0.6B、1.7B、4B、8B、14B、32B 以及 30B-A3B 和 235B-A22B，使用者可以根据自己的业务情况，选择合适的版本进行使用。

更让人惊喜的是，最新的 Qwen3 系列模型具备双模推理能力（深入思考/快速响应）、支持 119 种语言及方言，并强化了 Agent 功能与代码执行能力，全面满足复杂问题处理与全球化应用需求。

PS：Qwen3 也是国内首个「混合推理模型」，「快思考」与「慢思考」集成进同一个模型，对简单需求可低算力「秒回」答案，对复杂问题可多步骤「深度思考」，大大节省算力消耗。

Qwen3 旗舰模型 Qwen3-235B-A22B 在代码、数学、通用能力等基准测试中，与 DeepSeek-R1、o1、o3-mini、Grok-3 和 Gemini-2.5-Pro 等顶级模型相比，表现出极具竞争力的结果。此外，小型 MoE 模型 Qwen3-30B-A3B 的激活参数数量是 QwQ-32B 的 10%，表现更胜一筹，甚至像 Qwen3-4B 这样的小模型也能匹敌 Qwen2.5-72B-Instruct 的性能，以下是测试报告：

对接 Qwen3

常见对接大模型的方案有以下几种：

官方对接方式：例如，调用阿里百炼平台对接 Qwen3。
本地模型对接方式：安装 Ollama 部署 Qwen3，对接 Ollama 实现调用。
三方平台对接方式：使用千帆或火山引擎等三方平台，对接调用 Qwen3。

但目前因为 Qwen3 刚刚发布，所以只能使用前两种对接方式，截止发稿时，三方平台还未上线 Qwen3，但也够用了。

具体实现

接下来我们就以官方的调用方式，来实现一下 Qwen3 的具体代码对接吧，这里提供 Spring AI 和 LangChain4j 两种对接实现。

Spring AI 对接 Qwen3

1.添加依赖

Spring AI 并没有内置阿里云百炼平台，但百炼平台支持 OpenAI 协议，因此我们可以使用 OpenAI 对接百炼平台，因此我们只需要添加 OpenAI 依赖即可。

xml 复制代码

<dependency>
  <groupId>org.springframework.ai</groupId>
  <artifactId>spring-ai-starter-model-openai</artifactId>
</dependency>

2.设置配置信息

yaml 复制代码

spring:
  ai:
    openai:
      base-url: https://dashscope.aliyuncs.com/compatible-mode/
      api-key: ${ALIYUN-AK}
      chat:
        options:
          model: qwen3-235b-a22b

其中：

base-url 填写百炼平台地址。
api-key 为准备阶段在百炼平台申请的 AK 凭证。
model 设置为 qwen3-235b-a22b 模型。

支持的模型列表参考官方文档：help.aliyun.com/zh/model-st...

3.编写调用代码

java 复制代码

import org.springframework.ai.openai.OpenAiChatModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/ds")
public class TestController {

    private final OpenAiChatModel chatModel;

    @Autowired
    public TestController(OpenAiChatModel chatModel) {
        this.chatModel = chatModel;
    }

    @RequestMapping("/chat")
    public String chat(@RequestParam("msg") String msg) {
        String result = chatModel.call(msg);
        System.out.println("返回结果：" + result);
        return result;
    }
}

LangChain4j 对接 Qwen3

LangChain4j 内置集成了阿里云百炼平台，所以可以直接对接。

1.添加依赖

xml 复制代码

<dependency>
  <groupId>dev.langchain4j</groupId>
  <artifactId>langchain4j-community-dashscope-spring-boot-starter</artifactId>
</dependency>

可以为"langchain4j-community-xxx"其添加统一版本管理：

xml 复制代码

<dependencyManagement>
  <dependencies>
    <dependency>
      <groupId>dev.langchain4j</groupId>
      <artifactId>langchain4j-community-bom</artifactId>
      <version>1.0.0-beta3</version>
      <type>pom</type>
      <scope>import</scope>
    </dependency>
  </dependencies>
</dependencyManagement>

2.设置配置信息

注意这里需要配置"chat-model"节点，官方文档有问题，如果不配置 chat-model 则不能自动注入百炼模型：

yaml 复制代码

langchain4j:
  community:
    dashscope:
      base-url: https://dashscope.aliyuncs.com/compatible-mode/
      chat-model:
        api-key: ${ALIYUN-AK}
        model-name: qwen-plus

支持的模型列表：help.aliyun.com/zh/model-st...

3.编写调用代码

java 复制代码

import dev.langchain4j.model.chat.ChatLanguageModel;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RestController;

@RestController
@RequestMapping("/qw")
public class QwenController {

    @Autowired
    private ChatLanguageModel qwenChatModel;

    @RequestMapping("/chat")
    public String chat(String question) {
        return qwenChatModel.chat(question);
    }
}

小结

当然，以上对接方式是全量输出（得到结果之后一次性返回），生产级别我们通常要使用流式输出，并且需要实现连续（上下文）对话，以及历史对话信息持久化等功能，文章篇幅有限，这里就不一一实现了，大家可以下来自己试试。

本文已收录到我的技术小站 www.javacn.site，其中包含的内容有：Spring AI、LangChain4j、MCP、Function Call、RAG、向量数据库、Prompt、多模态、向量数据库、嵌入模型等内容。