Qwen: Qwen3 30B A3B

Qwen: Qwen3 30B A3B är en textmodell från Qwen, den senaste generationen i Qwens stora språkmodellserie. Den tillhör Qwen3-familjen, som innehåller både täta och mixture-of-experts-arkitekturer (MoE), och just denna variant är 30B A3B MoE-modellen. Den släpptes av leverantören 2025-04-28, och dess kunskapsgräns är 2025-03-31.

Modellen tar text som indata och producerar text som utdata, så det är en enkel språkmodell utan bild- eller ljudhantering. Den stöder ett kontextfönster på 40 960 tokens och kan generera upp till 16 384 utdatatokens i ett enda svar. Qwen beskriver Qwen3-serien som stark inom resonemang, flerspråkigt stöd och avancerade agentuppgifter, och denna modell exponerar en reasoning-parameter tillsammans med include_reasoning, vilket låter dig styra om resonemangsinnehåll returneras. Den stöder även strukturerade utdata och response_format, så du kan begränsa genereringen till ett schema eller ett specifikt format när din applikation behöver förutsägbara utdata.

Dessa funktioner pekar mot några praktiska användningsområden. Långa indata på upp till ungefär 40 000 tokens passar dokumentanalys, sammanfattning av långa rapporter och flerstegskonversationer där tidigare kontext spelar roll. Stödet för resonemang och strukturerade utdata gör den lämplig för uppgifter som kräver stegvis problemlösning följt av ett maskinläsbart svar, till exempel datautvinning till JSON eller klassificering med en fast etikettuppsättning. Verktygsanrop är tillgängligt via parametrarna tools och tool_choice, vilket gör modellen användbar som beslutsfattande komponent i en agentloop som anropar externa funktioner eller API:er. Det flerspråkiga stödet från Qwen3-serien gör den också till en kandidat för översättning och tvärspråkligt innehållsarbete.

Du anropar modellen via api14:s OpenAI-kompatibla API med modell-id:t "qwen/qwen3-30b-a3b". Eftersom gränssnittet följer OpenAI-formatet fungerar befintliga OpenAI-klientbibliotek med ett byte av bas-URL och API-nyckel. Modellen stöder en bred uppsättning begäranparametrar: frequency_penalty, presence_penalty, repetition_penalty, temperature, top_p, top_k, min_p, max_tokens, stop, seed, logit_bias, response_format, structured_outputs, tools, tool_choice, reasoning och include_reasoning. Samplingskontroller som temperature, top_p, top_k och min_p låter dig byta determinism mot variation, medan seed hjälper till med reproducerbara körningar.

Några begränsningar är värda att notera när du bestämmer dig. Indata och utdata är endast text, så om din uppgift involverar bilder eller ljud är denna modell inte rätt val. Kontexten på 40 960 tokens och utdatataket på 16 384 tokens är generösa men ändliga, så mycket stora korpusar behöver delas upp eller hämtas i förväg innan de skickas till modellen. Om du inte behöver resonemang eller verktygsanvändning kan en mindre eller enklare textmodell vara tillräcklig, och om du behöver modaliteter utöver text bör du leta efter en modell som accepterar dem.