qwen

Qwen3-30B-A3B-Thinking-2507 推理模型深度评测Qwen3-30B-A3B-Thinking-2507 是阿里巴巴通义千问团队在 2025年7月30日发布的最新推理模型。这是继非推理版本 Qwen3-30B-A3B-Instruct-2507 之后的配套推理模型，标志着 Qwen 团队正式分离推理和非推理模型路线。

趣玩-Ollama-Llm-Chatrbotllm_chat_robot_release_v_1_0_0llm-chat-robot完整Python工程

诸神缄默不语

Re 82：读论文：qwen 3诸神缄默不语-个人技术博文与视频目录诸神缄默不语的论文阅读笔记和分类这是阿里千问模型的2025年新版本。我之前简单列举过Qwen 2.5的一些资料和特质：阿里大模型：Qwen2.5

西西弗Sisyphus

Qwen2.5-VL - FFN（前馈神经网络）Feedforward Neural NetworkflyfishFFN 是最大的概念，只要数据单向传播即属于 FFN； MLP 是 FFN 的子集，限定为全连接层组成的网络； Transformer 的 FFN 模块是 MLP 的特例，结构固定为 “升维→激活→降维”

Windows安装Docker部署dify，接入阿里云api-key进行rag测试一、安装docker1.1 傻瓜式安装dockerGet Docker | Docker DocsDocker原理（图解+秒懂+史上最全）-CSDN博客

【大模型应用开发】Qwen2.5-VL-3B识别视频克隆以下代码尝试运行qwen-vl-hello.py，报错原因缺少modelscope：尝试运行，不出意外的话肯定运行不了，报错原因依然是缺少modelscope：

使用LoRA微调Qwen2.5-VL-7B-Instruct完成电气主接线图识别任务适配需求 Qwen2.5-VL在视觉理解方面表现优异，但电气主接线图识别需要特定领域的结构化输出能力（如设备参数提取、拓扑关系解析）。微调可增强模型对专业符号（如SCB10-1000KVA）和工程图纸布局的理解。

fengchengwu2012

langchain4j集成QWen、Redis聊天记忆持久化langchain4j实现聊天记忆默认是基于进程内存的方式，InMemoryChatMemoryStore是具体的实现了，是将聊天记录到一个map中，如果用户大的话，会造成内存溢出以及数据安全问题。位了解决这个问题 langchain4提供了ChatMemoryStore接口，让开发者可以灵活的选择存储策略，常用的可以使用mysql、redis、mongodb等，本文以redis为例，集成百炼平台通义千问实现大模型聊天记忆持久化。

45分钟从零搭建私有MaaS平台和生产级的Qwen3模型服务今天凌晨，阿里通义团队正式发布了 Qwen3，涵盖六款 Dense 模型（0.6B、1.7B、4B、8B、14B、32B）和两款 MoE 模型（30B-A3B 和 235B-A22B）。其中的旗舰模型 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，表现出了强大的竞争力。小型 MoE 模型 Qwen3-30B-A3B 的激活参数是 QwQ-32B 的 10%，但表现更胜一筹

鲲鹏+昇腾部署集群管理软件GPUStack，两台服务器搭建双节点集群【实战详细踩坑篇】配置：2台鲲鹏32C2 + 2Atlas300I duo，之前看网上文档，目前GPUstack只支持910B芯片，想尝试一下能不能310P也部署试试，毕竟华为的集群软件要收费。系统：openEuler22.03-LTS 驱动：24.1.rc3

Qwen-VL系列多模态大模型技术演进-模型架构、训练方法、数据细节记录一下Qwen-VL系列多模态大模型技术演进-模型架构、训练方法、数据细节，仅供参考。系列模型的应用场景：

Free QWQ - 世界首个免费无限制分布式 QwQ API一句话简介：基于 QwQ 32B 大语言模型的完全免费、无限制、无需注册登录的分布式 AI 算力平台。

vLLM代码推理Qwen2-VL多模态由于近期代码微调以及测试都是在远程服务器上，因此LLamafactory-cli webui 以及vLLM的ui均无法使用，因此不断寻求解决方案，我提供一个解决方案，LLamafactory微调完成的模型需要合并为一个完整模型后再使用vLLM进行代码推理测试微调模型的结果。

DeepSeek 202502 开源周合集DeepSeek 本周的开源项目体现了其在 AI 技术栈中的深厚积累，从硬件协同优化（FlashMLA）、通信库（DeepEP）、核心计算（DeepGEMM）到推理模型（DeepSeek-R1），覆盖了模型开发和部署的多个关键环节。这些项目不仅展示了技术实力，也通过开源推动了 AI 社区的协作与创新。

本地大模型编程实战(25)用langgraph实现基于SQL数据构建的问答系统(4)本文将演练使用基于 langgraph 链，对结构化数据库 SQlite 进行查询的方法。该系统建立以后，我们不需要掌握专业的 SQL 技能，可以用自然语言询问有关数据库中数据的问题并返回答案。使大语言模型(LLM) 查询结构化数据与非结构化文本数据有所不同。查询非结构化数据时，通常需要将待查询的文本嵌入到向量数据库中；而查询结构化数据的方法则是让 LLM 编写和执行 DSL（例如 SQL）进行查询。

大模型之路

DeepSeek-R1 如何通过知识蒸馏将推理能力传递给 QwenDeepSeek-R1（深度解析 DeepSeek R1：强化学习与知识蒸馏的协同力量），作为一个通过大规模强化学习训练出的强大推理模型，在数学、编程等推理任务上达到了与OpenAI-o1相当的性能水平。然而，如此强大的模型如何能够在资源受限的设备上运行，成为了一个亟待解决的问题。DeepSeek团队通过创新的知识蒸馏技术，成功地将DeepSeek-R1的推理能力传递给了参数量更小的Qwen系列模型，为AI模型的轻量化部署提供了重要参考。本文将详细探讨这一过程。

基于 llama-index与Qwen大模型实现RAGLlamaIndex和Langchain都是比较成熟的RAG和Agent框架，这里基于llama实现RAG框架，大模型选用阿里的开源模型Qwen大模型。可以实现Qwen2.5 与外部数据（例如文档、网页等）的连接，利用 LlamaIndex 与 Qwen2.5 快速部署检索增强生成（RAG）技术。

编程AI深度实战：大模型哪个好？ Mistral vs Qwen vs Deepseek vs Llama随着开源 LLM 的发展，越来越多的模型变得专业化，“代码”LLM 变得非常流行。这些 LLM 旨在比其 “常识” 对应物更小，但旨在超越更大的通用模型的编码性能。

论文阅读--Qwen2&2.5技术报告所有模型都是在超过7 trillion token（7万亿）的高质量、大规模数据集上预训练的沿用Qwen（Bai等人，2023a）的做法，我们采用了基于字节级字节对编码的相同Tokenizer