【通义千问】蓝耘原生代 | Qwen3-235B-A22B 架构创新引领性能跃升

【作者主页】Francek Chen

【专栏介绍】⌈ ⌈ ⌈人工智能与大模型应用 ⌋ ⌋ ⌋ 人工智能（AI）通过算法模拟人类智能，利用机器学习、深度学习等技术驱动医疗、金融等领域的智能化。大模型是千亿参数的深度神经网络（如ChatGPT），经海量数据训练后能完成文本生成、图像创作等复杂任务，显著提升效率，但面临算力消耗、数据偏见等挑战。当前正加速与教育、科研融合，未来需平衡技术创新与伦理风险，推动可持续发展。

文章目录

• • 前言
  • [一、Chatbox 概述](#一、Chatbox 概述)
  • [二、Qwen3-235B-A22B 模型简介](#二、Qwen3-235B-A22B 模型简介)
  • [三、蓝耘 MaaS 平台使用 Qwen3-235B-A22B 模型](#三、蓝耘 MaaS 平台使用 Qwen3-235B-A22B 模型)
  • • （一）注册蓝耘智算平台账号
    • [（二）进入蓝耘 MaaS 模型广场](#（二）进入蓝耘 MaaS 模型广场)
    • [（三）使用 Qwen3-235B-A22B 模型生成代码](#（三）使用 Qwen3-235B-A22B 模型生成代码)
  • [四、使用 Chatbox 接入蓝耘 Qwen3-235B-A22B API](#四、使用 Chatbox 接入蓝耘 Qwen3-235B-A22B API)
  • • [（一）添加配置 Qwen3-235B-A22B 模型](#（一）添加配置 Qwen3-235B-A22B 模型)
    • （二）新建对话测试验证
  • 小结

---

前言

数字化时代，大模型迅速崛起并重塑生活、工作和社会运行逻辑，为各行业带来变革与机遇。通义千问以出色自然语言理解能力，推动人机交互迈向新高度。本文探讨蓝耘 MaaS（Model as a Service）平台与深度学习的关系，阐述与阿里通义千问 Qwen3-235B-A22B 模型融合亮点，应用 Chatbox 拓展实例。

一、Chatbox 概述

Chatbox 是一款多平台支持的 AI 客户端软件，凭借其强大的功能、简洁的界面设计以及对用户隐私的高度重视，迅速成为办公学习领域的热门工具。Chatbox 不仅仅是一个简单的 AI 聊天工具，它是一款功能丰富、适用于多种场景的智能 AI 助手，涵盖从日常办公到专业开发的广泛需求。

Chatbox 的核心功能如下。

1. 全平台支持：Chatbox 支持 Windows、MacOS、Linux、Android、iOS 以及网页版，用户可以在任何设备上无缝切换使用，实现跨平台数据同步。
2. 智能文档与图片交互：支持与各类文档（包括 PDF 文件、Word 文档、Excel 表格、TXT 文本）和图片进行智能交互，AI 可以理解内容并提供智能分析和响应。
3. AI 编程助手：提供智能代码生成与预览、代码审查与重构建议、程序调试与安全检查等功能，支持多种编程语言。
4. 实时联网搜索：通过 AI 联网搜索功能，帮助用户获取最新的事实、新闻和数据，支持 URL 分析、内容摘要以及事实核查。
5. AI 生成的图表与可视化：能够生成清晰、可定制的图表，帮助用户理解复杂的概念和数据。
6. 图像生成与渲染：支持用户通过描述生成高质量的图片，满足创意表达和设计需求。
7. LaTeX 与 Markdown 支持：内置 LaTeX 和 Markdown 渲染功能，帮助用户清晰表达复杂公式和想法。
8. 数据隐私与安全：高度重视用户数据的隐私，所有数据默认存储在本地，确保用户完全掌控自己的信息。

Chatbox 官网主页：https://chatboxai.app/zh

图1 Chatbox官网主页

二、Qwen3-235B-A22B 模型简介

Qwen3-235B-A22B 创新架构实现性能跃升。它采用稀疏激活，总参数量大但推理时仅激活少量参数，降低成本且精度可比顶级闭源模型。数学推理上，AIME 竞赛题准确率高；代码生成能力强，超越 OpenAI Grok-3，能快速生成复杂代码。独创双模式切换，兼顾逻辑推演与日常交互。多语言支持超百种，翻译质量提升显著。在创意写作等场景拟人性佳，多轮对话连贯性和指令解析准确率提升，工程化任务秒级响应。

图2 Qwen3-235B-A22B性能对比

此前，Qwen 系列采用的 "混合思考模式"，主打 Think+Instruct 二合一的设计，听着颇为高端，实际落地却麻烦不断。用用户的吐槽来说，就是 "各类标签堆砌繁杂，堪比 HTML 垃圾代码，看着就让人头疼"。

这一次，Qwen 直接砍掉 "思考" 分支，全心专注于 Instruct 指令模型的训练。用户再也不用手动配置 enable_thinking=False 这类参数，更不必担心模型突然 "走神"。一句话总结：清爽利落，执行效率直接拉满。

三、蓝耘 MaaS 平台使用 Qwen3-235B-A22B 模型

（一）注册蓝耘智算平台账号

点击注册链接：https://cloud.lanyun.net//#/registerPage?promoterCode=0131

输入手机号获取验证码，输入邮箱（这里邮箱会收到信息，要激活邮箱），设置密码，点击注册。如图3所示。

图3 注册蓝耘智算平台账号

新用户福利：注册后可领取免费试用时长（20元代金券，可直接当余额来使用）。

若已经注册过帐号，点击下方"已有账号，立即登录"即可。

（二）进入蓝耘 MaaS 模型广场

登录后进入首页，点击"MaaS平台"。接着进入 MaaS 平台的模型广场。在这里，用户可以看到多种来自不同供应商的模型，如 DeepSeek、通义等。页面详细列出了模型名称、类型（如文本生成）、上下文长度等信息，还提供了 API 示例、查看详情和立即体验等操作选项。

然后，找到 Qwen3-235B-A22B 大模型，点击"立即体验"。如图4所示。

图4 蓝耘MaaS平台模型广场→Qwen3-235B-A22B模型

图5中展示的是蓝耘元生代 MaaS 平台的对话界面。左侧是功能导航栏，包含模型广场、文本模型等选项。对话框上方是模型选择区域，点击可展开选择如 DeepSeek-V3.2、Qwen3-235B-A22B 等多种模型。下方是对话输入区，用户可输入问题，有"深度思考""联网搜索""知识库"等功能按钮，输入框显示 token 限制。这里选择的是"Qwen3-235B-A22B"模型。

图5 蓝耘MaaS平台对话界面

（三）使用 Qwen3-235B-A22B 模型生成代码

生成有关机器学习回归预测的代码，提示词如下：

帮我生成一段关于机器学习回归预测的代码，要求使用scikit-learn库。

输出结果如图6所示。

图6 Qwen3-235B-A22B模型生成代码结果

此次对话输出747tokens，总耗时13.7s，共消耗769tokens。该对话token消耗的数量=输入token数+输出token数。

输出代码如下：

# 导入必要的库
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score
import numpy as np

# 生成合成数据集
# 假设我们有一个特征和一个目标变量
np.random.seed(42)
X = 2 * np.random.rand(100, 1)
y = 4 + 3 * X + np.random.randn(100, 1)  # 线性关系加上一些噪声

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

# 使用测试集进行预测
y_pred = model.predict(X_test)

# 评估模型性能
mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

# 输出模型参数和评估结果
print(f"模型系数: {model.coef_}")
print(f"模型截距: {model.intercept_}")
print(f"均方误差 (MSE): {mse}")
print(f"决定系数 (R²): {r2}")

# 可视化预测结果
import matplotlib.pyplot as plt

plt.scatter(X_test, y_test, color='blue', label='真实值')
plt.scatter(X_test, y_pred, color='red', label='预测值')
plt.plot(X_test, y_pred, color='red', label='回归线')
plt.xlabel('特征')
plt.ylabel('目标')
plt.legend()
plt.title('线性回归预测')
plt.show()

模型系数: [[3.083]]
模型截距: [3.995]
均方误差 (MSE): 0.838
决定系数 (R²): 0.912

四、使用 Chatbox 接入蓝耘 Qwen3-235B-A22B API

（一）添加配置 Qwen3-235B-A22B 模型

• API 域名：https://maas-api.lanyun.net/v1
• API 路径：/chat/completions

图7 配置蓝耘的API域名和路径

• API 密钥：回到蓝耘 MaaS 平台获取专属 API KEY，如图8所示。
• 模型：/maas/qwen/Qwen3-235B-A22B（图4中所示的模型名称）

图8 获取蓝耘平台API密钥

配置完成，点击保存。

（二）新建对话测试验证

新建对话，验证蓝耘 Qwen3-235B-A22B 模型对话。提示词如下：

200字简单概述一下Qwen3-235B-A22B大模型的升级点

图9 测试验证Qwen3-235B-A22B对话

小结

Qwen3-235B-A22B 大模型升级亮点显著。架构上采用稀疏激活，总参数量大但推理时仅激活少量，降低成本且精度可比顶级闭源模型。性能方面，数学推理能力强，AIME 竞赛题准确率高；代码生成超越 OpenAI Grok-3，能快速生成复杂代码。模式上独创双模式切换，兼顾逻辑推演与日常交互。语言支持超百种，翻译质量提升。场景应用上，创意写作等场景拟人性佳，多轮对话连贯性和指令解析准确率提升，工程化任务可秒级响应。此外，还砍掉"思考"分支，专注 Instruct 指令模型训练，用户无需手动配置参数，执行效率大幅提高 。

欢迎 点赞👍 | 收藏⭐ | 评论✍ | 关注🤗