Qwen 3: Özellikler, DeepSeek-R1 Karşılaştırması, Erişim ve Daha Fazlası

Qwen3, şimdiye kadar yayımlanan en kapsamlı açık ağırlıklı model paketlerinden biridir.

Alibaba’nın Qwen ekibinden gelir ve araştırma seviyesine ölçeklenen modellerin yanı sıra daha mütevazı donanımlarda yerel olarak çalıştırılabilen daha küçük sürümleri içerir.

Bu blogda, tüm Qwen3 paketine hızlı bir genel bakış sunacak, modellerin nasıl geliştirildiğini açıklayacak, kıyaslama sonuçlarını inceleyecek ve onlara nasıl erişip kullanmaya başlayabileceğinizi göstereceğim.

Ayrıca Qwen3’ü Ollama ile yerelde çalıştırma ve Qwen3’ü ince ayar yapma konularında eğitimler de yayımladık.

Okurlarımızı yapay zekâdaki en son gelişmelerden haberdar etmek için The Median adlı, haftanın öne çıkan haberlerini özetleyen ücretsiz Cuma bültenimizi gönderiyoruz. Abone olun; haftada sadece birkaç dakikada güncel kalın:

Qwen 3 Nedir?

Qwen3, Alibaba’nın Qwen ekibinin en yeni büyük dil modeli ailesidir. Serideki tüm modeller Apache 2.0 lisansı kapsamında açık ağırlıklıdır.

Dikkatimi hemen çeken şey, kullanıcıların doğrudan Qwen uygulaması içinde kontrol edebildiği bir düşünme bütçesinin tanıtılması oldu. Bu özellik, daha önce yalnızca programatik olarak yapılabilen muhakeme süreci üzerinde sıradan kullanıcılara ayrıntılı kontrol sağlıyor.

Aşağıdaki grafiklerde görebileceğimiz gibi, düşünme bütçelerinin artırılması performansı özellikle matematik, kodlama ve bilim alanlarında önemli ölçüde iyileştiriyor.

Kaynak: Qwen

Kıyaslama testlerinde, amiral gemisi Qwen3-235B-A22B diğer üst düzey modellerle rekabetçi bir performans sergiliyor ve DeepSeek-R1’i kodlama, matematik ve genel muhakemede geride bırakıyor. Şimdi her bir modeli kısaca keşfedelim ve ne için tasarlandığını anlayalım.

Qwen3-235B-A22B

Bu, Qwen3 serisindeki en büyük modeldir. mixture-of-experts (MoE) mimarisini kullanır; toplam 235 milyar parametreye ve her üretim adımında etkin 22 milyar parametreye sahiptir.

Bir MoE modelinde, her adımda yalnızca küçük bir parametre alt kümesi etkinleştirilir; bu da tüm parametrelerin her zaman kullanıldığı yoğun modellere (ör. GPT-4o) kıyasla çalıştırmayı daha hızlı ve daha ucuz hâle getirir.

Model, matematik, muhakeme ve kodlama görevlerinde iyi performans gösterir ve kıyaslamalarda DeepSeek-R1 gibi modelleri geride bırakır.

Qwen3-30B-A3B

Qwen3-30B-A3B, toplam 30 milyar parametreye ve her adımda yalnızca 3 milyar etkin parametreye sahip daha küçük bir MoE modelidir. Düşük etkin sayıma rağmen, QwQ-32B gibi çok daha büyük yoğun modellere benzer performans gösterir. Muhakeme kabiliyeti ile daha düşük çıkarım maliyeti arasında denge arayan kullanıcılar için pratiktir. 235B modelinde olduğu gibi 128K bağlam penceresini destekler ve Apache 2.0 ile sunulur.

Yoğun modeller: 32B, 14B, 8B, 4B, 1.7B, 0.6B

Qwen3 sürümündeki altı yoğun model, her adımda tüm parametrelerin etkin olduğu daha geleneksel bir mimariyi takip eder. Geniş bir kullanım yelpazesini kapsarlar:

Qwen3-32B, 14B, 8B; 128K bağlam pencerelerini, Qwen3-4B, 1.7B, 0.6B ise 32K’yı destekler. Hepsi açık ağırlıklıdır ve Apache 2.0 lisanslıdır. Bu gruptaki daha küçük modeller hafif dağıtımlar için uygundur; daha büyük olanlar ise genel amaçlı LLM’lere daha yakındır.

Hangi modeli seçmelisiniz?

Qwen3, ihtiyaç duyduğunuz muhakeme derinliği, hız ve hesaplama maliyetine göre farklı modeller sunar. İşte hızlı bir genel bakış:

Daha derin muhakeme, ajan aracı kullanımı veya uzun bağlam yönetimi gerektiren görevler üzerinde çalışıyorsanız, Qwen3-235B-A22B size en fazla esnekliği sağlayacaktır.

Çıkarımı daha hızlı ve daha uygun maliyetli tutarken yine de orta düzeyde karmaşık görevleri ele almak istediğiniz durumlar için Qwen3-30B-A3B güçlü bir seçenektir.

Yoğun modeller daha basit dağıtımlar ve öngörülebilir gecikme sunar; bu da onları daha küçük ölçekli uygulamalar için daha uygun kılar.

Qwen3 Nasıl Geliştirildi

Qwen3 modelleri, üç aşamalı ön eğitim sürecinin ardından dört aşamalı bir son eğitim hattıyla oluşturuldu.

Ön eğitim, modelin büyük miktarda veriden (dil, mantık, matematik, kod) tam olarak ne yapması gerektiği söylenmeden genel kalıpları öğrendiği kısımdır. Son eğitim ise modelin dikkatli muhakeme etme veya talimatları takip etme gibi belirli şekillerde davranacak şekilde ince ayarlandığı kısımdır.

Her iki bölümü de teknik ayrıntılara çok girmeden basit terimlerle anlatacağım.

Ön eğitim

Qwen2.5 ile karşılaştırıldığında, Qwen3’ün ön eğitim veri kümesi önemli ölçüde genişletildi. Yaklaşık 36 trilyon belirteç kullanıldı; bu, önceki neslin iki katıydı. Veriler; web içeriği, belgelerden çıkarılan metinler ve Qwen2.5 modelleri tarafından oluşturulan sentetik matematik ve kod örneklerini içeriyordu.

Ön eğitim süreci üç aşamayı izledi:

• Aşama 1: 4K bağlam uzunluğuyla 30 trilyondan fazla belirteç kullanılarak temel dil ve bilgi becerileri öğrenildi.
• Aşama 2: Veri kümesi, STEM, kodlama ve muhakeme verilerinin payını artıracak şekilde rafine edildi ve ardından ek 5 trilyon belirteç kullanıldı.
• Aşama 3: Modelleri 32K bağlam pencerelerine genişletmek için yüksek kaliteli uzun bağlam verileri kullanıldı.

Sonuç olarak, yoğun Qwen3 temel modelleri, özellikle STEM ve muhakeme görevlerinde daha az parametre kullanırken daha büyük Qwen2.5 temel modelleriyle eşleşiyor veya onları geride bırakıyor.

Son eğitim

Qwen3’ün son eğitim hattı, derin muhakeme ve hızlı yanıt yeteneklerini tek bir modelde birleştirmeye odaklandı. Önce aşağıdaki diyagrama bakalım, ardından adım adım açıklayayım:

Qwen 3 son eğitim hattı. Kaynak: Qwen

Yukarıda (turuncu), Qwen3-235B-A22B ve Qwen3-32B gibi daha büyük “Sınır Modelleri”nin geliştirme yolunu görebilirsiniz. Bu yol, modelin daha zorlu görevlerde adım adım akıl yürütmeyi öğrendiği Uzun Düşünce Zinciri Soğuk Başlangıç (aşama 1) ile başlar.

Bunu, daha iyi problem çözme stratejilerini teşvik eden Muhakeme Pekiştirmeli Öğrenme (RL) (aşama 2) izler. 3. aşamada, Düşünme Modu Kaynaştırma adı verilen bölümde Qwen3, yavaş ve dikkatli muhakemeyle daha hızlı yanıtları dengelemeyi öğrenir. Son olarak bir Genel RL aşaması, talimatları takip etme ve ajan temelli kullanım senaryoları gibi geniş bir görev yelpazesinde davranışı iyileştirir.

Bunun altında (açık mavi) Qwen3-30B-A3B ve daha küçük yoğun modeller gibi “Hafif Modeller”in yolunu görürsünüz. Bu modeller, daha büyük modellerden gelen bilginin daha küçük ve daha hızlı modellere çok fazla muhakeme kabiliyeti kaybetmeden sıkıştırıldığı güçlüden-zayıfa damıtma yöntemiyle eğitilir.

Basitçe söylemek gerekirse: önce büyük modeller eğitildi, ardından hafif olanlar bunlardan damıtıldı. Böylece, çok farklı model boyutlarında bile tüm Qwen3 ailesi benzer bir düşünme tarzını paylaşır.

Qwen 3 Kıyaslamaları

Qwen3 modelleri; muhakeme, kodlama ve genel bilgi kıyaslamalarının geniş bir yelpazesinde değerlendirildi. Sonuçlar, Qwen3-235B-A22B’nin çoğu görevde serinin başını çektiğini, ancak daha küçük Qwen3-30B-A3B ve Qwen3-4B modellerinin de iyi performans sunduğunu gösteriyor.

Qwen3-235B-A22B ve Qwen3-32B

Çoğu kıyaslamada Qwen3-235B-A22B en iyi performans gösteren modeller arasında yer alıyor, ancak her zaman lider değil.

Kaynak: Qwen

Yukarıdaki sonuçları kısaca inceleyelim:

• ArenaHard (genel muhakeme): Gemini 2.5 Pro 96,4 ile lider. Qwen3-235B 95,6 ile hemen arkasında; o1 ve DeepSeek-R1’in önünde. (Gemini 3’ün artık kullanıma sunulduğunu unutmayın)
• AIME’24 / AIME’25 (matematik): 85,7 ve 81,4 puan. Gemini 2.5 Pro yine daha yüksek sıralansa da Qwen3-235B, DeepSeek-R1, Grok 3 ve o3-mini’yi geride bırakıyor.
• LiveCodeBench (kod üretimi): 235B model için 70,7—Gemini dışındaki çoğu modelden daha iyi.
• CodeForces Elo (yarışmacı programlama): 2056; DeepSeek-R1 ve Gemini 2.5 Pro dâhil listelenen diğer tüm modellerden daha yüksek.
• LiveBench (gerçek dünya genel görevleri): 77,1; yine yalnızca Gemini 2.5 Pro’nun ardından ikinci.
• MultiIF (çok dilli muhakeme): Daha küçük Qwen3-32B burada daha iyi (73,0) puan alıyor, ancak yine de Gemini’nin (77,8) gerisinde.

Qwen3-30B-A3B ve Qwen3-4B

Qwen3-30B-A3B (daha küçük MoE modeli), neredeyse tüm kıyaslamalarda iyi performans gösteriyor ve benzer boyuttaki yoğun modellerle düzenli olarak başa baş ya da daha iyi sonuçlar veriyor.

• ArenaHard: 91,0—QwQ-32B (89,5), DeepSeek-V3 (85,5) ve GPT-4o’nun (85,3) üzerinde.
• AIME’24 / AIME’25: 80,4—QwQ-32B’nin biraz önünde ve diğer modellere açık ara fark atıyor.
• CodeForces Elo: 1974—QwQ-32B’nin (1982) hemen altında.
• GPQA (lisansüstü düzeyde Soru-Cevap): 65,8—QwQ-32B ile aşağı yukarı başa baş.
• MultiIF: 72,2—QwQ-32B’den (68,3) daha yüksek.

Kaynak: Qwen

Qwen3-4B, kendi boyutu için sağlam bir performans gösteriyor:

• ArenaHard: 76,6
• AIME’24 / AIME’25: 73,8 ve 65,6—önceki ve çok daha büyük Qwen2.5 modelleri ile Gemma-27B-IT gibi modellere kıyasla belirgin şekilde güçlü.
• CodeForces Elo: 1671—daha büyük modellerle rekabetçi değil ancak kendi ağırlık sınıfıyla uyumlu.
• MultiIF: 66,3—4B yoğun bir model için saygın bir seviye ve benzer boyuttaki birçok temel modeli kayda değer biçimde geride bırakıyor.

Qwen3’e Nasıl Erişilir

Qwen3 modelleri herkese açıktır; sohbet uygulamasında, API üzerinden, yerel dağıtım için indirerek veya özel kurulumlara entegre ederek kullanılabilir.

Sohbet arayüzü

Qwen3’ü doğrudan şu adresten deneyebilirsiniz: chat.qwen.ai.

Sohbet uygulamasında Qwen 3 ailesinden yalnızca üç modele erişebileceksiniz: Qwen3-235B, Qwen3-30B ve Qwen3-32B:

Qwen 3 API erişimi

Qwen3, ModelScope veya DashScope gibi sağlayıcılar üzerinden OpenAI uyumlu API biçimleriyle çalışır. vLLM ve SGLang gibi araçlar, yerel veya kendi kendine barındırılan dağıtımlar için verimli sunum sağlar. Resmî Qwen 3 blogunda bu konuda daha fazla ayrıntı yer alıyor.

Açık ağırlıklar

Tüm Qwen3 modelleri—hem MoE hem yoğun—Apache 2.0 lisansı altında yayımlandı. Şuralarda mevcutlar:

• Hugging Face
• ModelScope
• Kaggle

Yerel dağıtım

Qwen3’ü yerelde şu araçlarla da çalıştırabilirsiniz:

• Ollama
• LM Studio
• llama.cpp
• KTransformers

Sonuç

Qwen3, şimdiye kadar yayımlanan en kapsamlı açık ağırlıklı model paketlerinden biridir.

Amiral gemisi 235B MoE modeli; muhakeme, matematik ve kodlama görevlerinde iyi performans sergilerken, 30B ve 4B sürümleri daha küçük ölçekli veya bütçe odaklı dağıtımlar için pratik alternatifler sunuyor. Modelin düşünme bütçesini ayarlama olanağı, sıradan kullanıcılar için ekstra bir esneklik katmanı ekliyor.

Mevcut hâliyle Qwen3, geniş bir kullanım alanını kapsayan ve hem araştırma hem de üretim ortamlarında kullanıma hazır, dengeli bir sürümdür.