Qwenは、最新のファミリーの一部であるQWEN3の一部として8つの新しいモデルをリリースし、有望な機(jī)能を紹介しました。フラッグシップモデルであるQWEN3-235B-A22Bは、標(biāo)準(zhǔn)ベンチマークで、DeepSeek-R1、OpenaiのO1、O3-Mini、Grok 3、Gemini 2.5-Proなど、他のほとんどのモデルを上回りました。一方、小さなQWEN3-30B-A3Bは、新しいモデルとしてアクティブ化されたパラメーターの約10倍のQWQ-32Bを上回りました。このような高度な機(jī)能により、これらのモデルは幅広いアプリケーションに最適な選択肢であることが証明されています。この記事では、すべてのQWEN3モデルの機(jī)能を調(diào)査し、それらを使用してRAGシステムとAIエージェントを構(gòu)築する方法を?qū)Wびます。

目次

• QWEN3とは何ですか？
• QWEN3の主要な機(jī)能
• APIを介してQWEN3モデルにアクセスする方法
• QWEN3を使用してAIソリューションを強(qiáng)化します
  • 前提條件
  • QWEN3を使用してAIエージェントを構(gòu)築します
  • QWEN3を使用してRAGシステムを構(gòu)築します
• QWEN3のアプリケーション
• 結(jié)論
• よくある質(zhì)問

QWEN3とは何ですか？

QWEN3は、QWENファミリーの最新の大規(guī)模な言語(yǔ)モデル（LLMS）シリーズであり、8つの異なるモデルで構(gòu)成されています。これらには、QWEN3-235B-A22B、QWEN3-30B-A3B、QWEN3-32B、QWEN3-14B、QWEN3-8B、QWEN3-4B、QWEN3-1.7B、およびQWEN3-0.6Bが含まれます。これらすべてのモデルはApache 2.0ライセンスの下でリリースされ、個(gè)人、開発者、および企業(yè)が自由に利用できるようにします。

これらのモデルのうち6つは密集していますが、推論とトレーニングの時(shí)點(diǎn)ですべてのパラメーターを積極的に使用していますが、そのうち2つはオープンウェイトです。

• QWEN3-235B-A22B： 2,350億パラメーターを備えた大きなモデル、そのうち220億はアクティブ化されたパラメーターです。
• QWEN3-30B-A3B：合計(jì)300億パラメーターと30億のアクティブ化されたパラメーターを備えたより小さなMOE。

8つのQWEN3モデルすべての詳細(xì)な比較を次に示します。

これがテーブルの言うことです：

• レイヤー：レイヤーは、使用される変圧器ブロックの數(shù)を表します。これには、マルチヘッドの自己関節(jié)メカニズム、フィードフォワードネットワーク、位置エンコード、層の正規(guī)化、および殘留接続が含まれます。したがって、QWEN3-30B-A3Bには48層があると言うと、モデルが順番にまたは並行して積み重ねられた48の変圧器ブロックを使用していることを意味します。
  
• ヘッド：トランスはマルチヘッドの注意を使用します。これは、データから新しい側(cè)面を?qū)W習(xí)するために、注意メカニズムをいくつかのヘッドに分割します。ここで、Q/KVは次のことを表します。
  • Q（クエリヘッド）：クエリの生成に使用される注意ヘッドの総數(shù)。
  • KV（キーと値）：注意ブロックごとにキー/バリューヘッドの數(shù)。

注：キー、クエリ、および値のこれらの注意ヘッドは、自己関節(jié)によって生成されるキー、クエリ、および値ベクトルとはまったく異なります。

また読む：QWEN3モデル：アクセス、パフォーマンス、機(jī)能、アプリケーションの方法

QWEN3の主要な機(jī)能

QWEN3モデルの主要な機(jī)能の一部を次に示します。

1. トレーニング前：トレーニング前のプロセスは3つの段階で構(gòu)成されています。
   • 最初の段階では、このモデルは、コンテキスト長(zhǎng)の4Kトークンを持つ30兆以上のトークンで前提とされていました。これにより、モデルの基本的な言語(yǔ)スキルと一般的な知識(shí)が教えられました。
   • 第2段階では、STEM、コーディング、推論タスクなどの知識(shí)集約型データの割合を増やすことにより、データの品質(zhì)が向上しました。その後、モデルはさらに5兆トークンで訓(xùn)練されました。
   • 最終段階では、コンテキストの長(zhǎng)さを32Kトークンに増やすことにより、高品質(zhì)の長(zhǎng)いコンテキストデータが使用されました。これは、モデルがより長(zhǎng)い入力を効果的に処理できるようにするために行われました。

2. トレーニング後：段階的な推論と迅速な対応の両方が可能なハイブリッドモデルを開発するために、4段階のトレーニングパイプラインが実裝されました。これは次のとおりです。
   • 長(zhǎng)い考え方（COT）
   • 推論ベースの強(qiáng)化學(xué)習(xí)（RL）
   • 思考モードの融合
   • 一般RL

3. ハイブリッド思考モード： QWEN3モデルは、2つの新しいモードを備えた問題解決にハイブリッドアプローチを使用します。
   • 思考モード：このモードでは、モデルは複雑な問題ステートメントを小さくて手続き的な手順に分割して解決することで時(shí)間がかかります。
   • 非思考モード：このモードでは、モデルは迅速な結(jié)果を提供し、より単純な質(zhì)問に最も適しています。

4. 多言語(yǔ)サポート： QWEN3モデルは119の言語(yǔ)と方言をサポートしています。これにより、世界中のユーザーがこれらのモデルの恩恵を受けるのに役立ちます。
5. 即興エージェント機(jī)能： QWENは、モデルコンテキストプロトコル（MCP）もサポートするために、より良いコーディングおよびエージェント機(jī)能のためにQWEN3モデルを最適化しました。

APIを介してQWEN3モデルにアクセスする方法

QWEN3モデルを使用するには、OpenRouter APIを使用してAPIを介してアクセスします。これがそれを行う方法です：

1. OpenRouterでアカウントを作成し、モデル検索バーに移動(dòng)して、そのモデルのAPIを見つけます。

2. 選択したモデルを選択し、ランディングページの[APIキーの作成]をクリックして、新しいAPIを生成します。

QWEN3を使用してAIソリューションを強(qiáng)化します

このセクションでは、QWEN3を使用してAIアプリケーションを構(gòu)築するプロセスを?qū)g行します。最初に、モデルを使用してAI搭載のトラベルプランナーエージェントを作成し、次にLangchainを使用してQ/Aラグボットを作成します。

前提條件

QWEN3を使用して実際のAIソリューションを構(gòu)築する前に、まず次のような基本的な前提條件をカバーする必要があります。

• コマンドプロンプトまたは端末に精通し、ターミナルを通過する機(jī)能。
• 環(huán)境変數(shù)を設(shè)定する機(jī)能。
• pythonをインストールする必要があります：https：//www.python.org/downloads/
• Langchainの基本に関する知識(shí)：https：//www.langchain.com/

QWEN3を使用してAIエージェントを構(gòu)築します

このセクションでは、QWEN3を使用して、訪問している都市または場(chǎng)所の主要な移動(dòng)スポットを提供するAI搭載の旅行代理店を作成します。また、エージェントがインターネットを検索して更新された情報(bào)を見つけ、通貨変換を可能にするツールを追加できるようにします。

ステップ1：ライブラリとツールのセットアップ

まず、エージェントの構(gòu)築に必要な必要なライブラリとツールをインストールしてインポートします。

 ！ピップインストールLangchain Langchain-Community Openai Duckduckgo-Search
langchain.chat_modelsからChatopenaiをインポートします
langchain.agentsインポートツールから
langchain.toolsからImport duckduckgosearchrun
langchain.agentsからIntialize_Agentをインポートします


LLM = Chatopenai（
   base_url = "https://openrouter.ai/api/v1"、
   api_key = "your_api_key"、
   Model = "QWEN/QWEN3-235B-A22B：無料"
））
＃ウェブ検索ツール
検索= duckduckgosearchrun（）


＃DestinationAgentのツール
def get_destinations（宛先）：
   return search.run（f "{Destination}のトップ3観光スポット"）


DestinationTool = Tool（
   name = "Destination Procemender"、
   func = get_destinations、
   説明= "都市で訪れる最高の場(chǎng)所を見つける"
））


＃CurrencyAgentのツール
def convert_usd_to_inr（query）：
   額= [sprit（）のsのsのfloat（s）s.replace（ '。'、 ''、1）.isdigit（）]]
   金額の場(chǎng)合：
       return f "{rument [0]} usd = {amont [0] * 83.2：.2f} inr"
   「金額を解析できませんでした」。


CurrencyTool = Tool（
   name = "Currency Converter"、
   func = convert_usd_to_inr、
   説明= "靜的レートに基づいてUSDをINRに変換します"
））

• search_tool： duckduckgosearchrun（）を使用すると、エージェントはWeb検索を使用して、人気のある観光スポットに関するリアルタイム情報(bào)を取得できます。
• DestinationTool： get_destinations（）関數(shù)を適用します。これは、検索ツールを使用して、特定の都市の上位3つの観光スポットを取得します。
• CurrencyTool： convert_usd_to_inr（）関數(shù)を使用して、価格をUSDからINRに変換します。関數(shù)の「INR」を変更して、選択した通貨に変換できます。

また読む：Huggingface、Langchain、およびMistralaiと一緒に旅行アシスタントチャットボットを構(gòu)築する

ステップ2：エージェントの作成

すべてのツールを初期化したので、ツールを使用して旅行の計(jì)畫を提供するエージェントの作成に進(jìn)みましょう。

ツール= [DestinationTool、currencyTool]


agent = initialize_agent（
   ツール=ツール、
   LLM = LLM、
   agent_type = "zero-shot-reactscription"、
   verbose = true
））
def trip_planner（市、usd_budget）：
   dest = get_destinations（都市）
   inr_budget = convert_usd_to_inr（f "{usd_budget} usd to inr"）
   f "" "これがあなたの旅行計(jì)畫です：


*{city}のトップスポット*：
{dest}
*予算*：
{inr_budget}
あなたの日帰り旅行をお楽しみください！ "" "

• intialize_agent：この関數(shù)は、ゼロショット反応アプローチを使用してLangchainを持つエージェントを作成します。これにより、エージェントはツールの説明を理解できます。
• agent_type： 「ゼロショット反応デスクリプト」により、エージェントLLMは、ツールの説明と入力を使用して、事前知識(shí)なしに特定の狀況で使用すべきツールを決定することができます。
• verbose： verboseは、エージェントの思考プロセスのログを可能にするため、呼び出されたすべてのインタラクションやツールを含む、エージェントが行う各決定を監(jiān)視できます。
• TRIP_PLANNER：これは、エージェントに依存するのではなく、手動(dòng)でツールを呼び出すPython関數(shù)です。これにより、ユーザーは特定の問題に最適なツールを選択できます。

ステップ3：エージェントの初期化

このセクションでは、エージェントを初期化し、その応答を観察します。

 ＃エージェントを初期化します
City = "Delhi"
usd_budget = 8500


＃マルチエージェントプランナーを?qū)g行します
response = agent.run（f "{usd_budget} usdの予算で{city}への日帰り旅行を計(jì)畫する"）
iPython.displayからインポートマークダウン、ディスプレイ
ディスプレイ（マークダウン（応答））

• エージェントの呼び出し： agent.run（）は、プロンプトを介してユーザーの意図を使用し、旅行を計(jì)畫します。

出力

QWEN3を使用してRAGシステムを構(gòu)築します

このセクションでは、知識(shí)ベースから関連する入力ドキュメント內(nèi)のクエリに答えるRAGボットを作成します。これにより、QWEN/QWEN3-235B-A22Bを使用した有益な応答が得られます。また、システムはLangchainを使用して、正確でコンテキストを意識(shí)した応答を生成します。

ステップ1：ライブラリとツールのセットアップ

まず、RAGシステムの構(gòu)築に必要な必要なライブラリとツールをインストールおよびインポートします。

 ！ピップインストールlangchain langchain-community langchain-core openai tiktoken chromadb cente-transformers duckduckgo-search
langchain_community.document_loadersからtextloaderをインポートします
langchain.text_splitterからImport charactesTextSplitterから
langchain_community.vectorstoresからImport Chromaから
langchain.embeddingsからImport Huggingfacembeddingsから
langchain.chainsからimport retirevalqaから
langchain.chat_modelsからChatopenaiをインポートします
＃ドキュメントをロードします
loader = textloader（ "/content/my_docs.txt"）
docs = roader.load（）

• ロードドキュメント： Langchainの「TextLoader」クラスは、Q/A取得に使用されるPDF、TXT、またはDOCファイルのようにドキュメントをロードします。ここでは、my_docs.txtをアップロードしました。
• ベクトルのセットアップの選択： ChromADBを使用して、Q/AプロセスのVectorデータベースから埋め込みを保存および検索しました。

ステップ2：埋め込みの作成

ドキュメントをロードしたので、検索プロセスを緩和するのに役立つ埋め込みの作成に進(jìn)みましょう。

 ＃チャンクに分かれます
splitter = charateTextSplitter（chunk_size = 300、chunk_overlap = 50）
chunks = splitter.split_documents（docs）


＃ハギングフェイスモデルに埋め込まれています
埋め込み= huggingfacembedings（model_name = "all-minilm-l6-v2"）
db = chroma.from_documents（チャンク、埋め込み=埋め込み）


＃OpenRouterからQWen LLMをセットアップします
LLM = Chatopenai（
   base_url = "https://openrouter.ai/api/v1"、
   api_key = "your_api_key"、
   Model = "QWEN/QWEN3-235B-A22B：無料"
））


＃ラグチェーンを作成します
retriever = db.as_retriever（search_kwargs = {"k"：2}）
rag_chain = retirevalqa.from_chain_type（llm = llm、retriver = retirever）

• ドキュメントの分割： CharateTextSplitter（）は、テキストを小さなチャンクに分割します。これは主に2つのことに役立ちます。第一に、検索プロセスを緩和し、第二に、chunk_overlapを介して以前のチャンクからコンテキストを保持するのに役立ちます。
• 埋め込みドキュメント：埋め込みテキストを、各トークンの設(shè)定された寸法の埋め込みベクトルに変換します。ここでは、300のChunk_sizeを使用しました。つまり、すべての単語(yǔ)/トークンが300寸法のベクトルに変換されます。これで、このベクトルの埋め込みは、チャンクの他の単語(yǔ)に関して、その単語(yǔ)のすべての文脈情報(bào)を備えています。
• RAGチェーン： RAGチェーンは、ChromadBとLLMを組み合わせてRAGを形成します。これにより、ドキュメントやモデルから文脈的に意識(shí)した回答を取得できます。

ステップ3：RAGシステムの初期化

＃質(zhì)問してください
response = rag_chain.invoke（{"query"： "qwenをmcpで使用するにはどうすればよいですか。必要なコードスニペットと一緒に段階的なガイドを教えてください}）
display（markdown（response ['result']））

• クエリ実行： RAG_CHAIN_INVOKE（）メソッドは、ユーザーのクエリをRAGシステムに送信し、ドキュメントストア（Vector DB）から関連するコンテキストアウェアチャンクを取得し、コンテキスト対応の回答を生成します。

出力

ここで完全なコードを見つけることができます。

QWEN3のアプリケーション

業(yè)界全體でQWEN3のいくつかのアプリケーションを次に示します。

• 自動(dòng)コーディング： QWEN3は、コードのドキュメントを生成、デバッグ、および提供することができます。これにより、開発者は手動(dòng)の努力なしでエラーを解決できます。 22Bパラメーターモデルはコーディングに優(yōu)れており、DeepSeek-R1、Gemini 2.5 Pro、OpenaiのO3-Miniなどのモデルに匹敵します。
• 教育と研究： QWEN3アーカイブ?jǐn)?shù)學(xué)、物理學(xué)、および論理的推論の問題解決における高精度。また、Gemini 2.5 Proに匹敵しますが、OpenaiのO1、O3-Mini、Deepseek-R1、Grok 3ベータなどのモデルで優(yōu)れています。
• エージェントベースのツールの統(tǒng)合： QWEN3は、外部ツール、API、およびMCPをマルチステップおよびマルチエージェントワークフローに使用して、エージェントの相互作用をさらに簡(jiǎn)素化することにより、AIエージェントタスクをリードします。
• 高度な推論タスク： QWEN3は、広範(fàn)な思考機(jī)能を使用して、最適で正確な応答を提供します。このモデルは、複雑なタスクのチェーンオブ考えの推論と、最適化された速度のために非思考モードを使用します。

結(jié)論

この記事では、QWEN3を搭載したエージェントAIおよびRAGシステムを構(gòu)築する方法を?qū)Wびました。 QWEN3の高性能、多言語(yǔ)サポート、および高度な推論機(jī)能により、知識(shí)の検索とエージェントベースのタスクに強(qiáng)い選択肢となります。 QWEN3をRAGおよびエージェントパイプラインに統(tǒng)合することにより、正確でコンテキスト対応、スムーズな応答を得ることができ、AI搭載システムの実際のアプリケーションの強(qiáng)力な競(jìng)爭(zhēng)相手になります。

よくある質(zhì)問

A. QWEN3には、応答に動(dòng)的な変更を加えることができるハイブリッド推論機(jī)能があり、検索と複雑な分析の両方のRAGワークフローを最適化できるようにします。

A.主に、ベクトルデータベース、埋め込みモデル、Langchainワークフロー、APIが含まれてモデルにアクセスします。

はい、QWen-Agentビルトインツール呼び出しテンプレートを使用すると、Web検索、データ分析、レポート生成などのシーケンシャルツール操作を解析および有効にすることができます。

A.多くの方法でレイテンシを減らすことができますが、それらのいくつかは次のとおりです。
1。QWEN3-30B-A3BなどのMOEモデルの使用。これには、30億個(gè)のアクティブパラメーターしかありません。
2。GPU最適化された推論を使用します。

A.一般的なエラーには以下が含まれます。
1。JSONのフォーマットやinitなどのMCPサーバーの初期化障害。
2。ツール応答ペアリングエラー。
3。コンテキストウィンドウオーバーフロー。

以上がQWEN3でRAGシステムとAIエージェントを構(gòu)築する方法の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國(guó)語(yǔ) Web サイトの他の関連記事を參照してください。