Qwen3 通用能力对比 — MMLU / C-Eval / GPQA 与同期模型横向对照
通用能力基准
MMLU（英文）
MMLU 是最流行的英文知识基准，覆盖 57 个学科。
| 模型 | 非思考 | 思考模式 |
|---|---|---|
| Qwen3-235B-A22B | ~78% | ~85% |
| Llama 3.1 405B | ~83% | N/A |
| DeepSeek-V3 | ~82% | N/A |
| Mistral-Large 2 | ~80% | N/A |
| Qwen3-32B | ~68% | ~75% |
Qwen3-235B-A22B 是开源模型中的第一梯队。
C-Eval（中文）
C-Eval 是中文知识基准。
| 模型 | 分数 |
|---|---|
| Qwen3-235B-A22B（思考） | ~90% |
| Qwen3-235B-A22B（非思考） | ~82% |
| Qwen2.5-72B-Instruct | ~78% |
| Llama 3.1 405B | ~73% |
Qwen 系列在中文上的优势延续到了 Qwen3——中文 C-Eval 上显著超过 Llama 3 等英文为主的模型。
GPQA（高难推理）
GPQA 是高难度科学推理基准。
| 模型 | 思考模式 |
|---|---|
| Qwen3-235B-A22B | ~70% |
| DeepSeek-V3 | ~62% |
| Llama 3.1 405B | ~65% |
多语言能力
Qwen3 官方声称支持 100+ 语言及方言。这得益于：
- Qwen2.5 已经覆盖广泛多语言预训练
- Qwen3 延续了多语言指令微调
- Qwen3Guard 支持 119 种语言安全检测
对于非英文用户，Qwen3 比 Llama 系列更友好。
对齐能力
除了知识和推理，好的大模型还需要好的"对齐"——遵循指令、创造性写作、角色扮演、多轮对话。
Qwen3 官方数据表明：
- 在指令遵循和创造性写作上，超过 Qwen2.5-Instruct
- 角色扮演更自然（少生硬感）
- 多轮对话一致性更好
总结
| 维度 | Qwen3 优势 |
|---|---|
| 中文能力 | 领先开源模型 |
| 数学推理 | 思考模式极强 |
| 代码 | 第一梯队 |
| 多语言 | 100+ 语言 |
| 参数效率 | MoE 激活参数小 |
| 混合推理 | 唯一同时支持思考+非思考 |
| 开源友好 | Apache 2.0 |