附录 A 附录

本文为论文《Qwen3：兼顾思考与非思考模式的开源模型家族》「中文全文翻译」板块的对应章节，与「论文原文」板块同一章节一一对应，层级保持一致。

A.1 附加评估结果

A.1.1 长上下文能力

表 23：Qwen3 模型在 RULER 基准上的性能。

为评估长上下文处理能力，我们在表 23 中报告了 RULER 基准（Hsieh 等，2024）上的结果。为实现长度外推，我们使用缩放因子 scaling_factor=4 的 YARN（Peng 等，2023）。在思考模式下，我们将思考预算设为 8192 token，以缓解在极长输入上的过度冗长推理。

结果显示如下：

在非思考模式下，Qwen3 在长上下文处理任务上优于规模相近的 Qwen2.5 模型。

在思考模式下，模型的性能略有下降。我们推测，思考内容并未为这些不依赖推理、反而可能干扰检索过程的检索任务带来显著收益。我们致力于在未来版本中增强思考模式下的长上下文能力。

A.1.2 多语言能力

表 24-35 呈现了各语言的详细基准分数，包括西班牙语、法语、葡萄牙语、意大利语、阿拉伯语、日语、韩语、印度尼西亚语、俄语、越南语、德语与泰语。这些表格的结果表明，Qwen3 系列模型在所有受评估的基准上都取得了具有竞争力的性能，展现出其强大的多语言能力。

为评估 Qwen3 在更广泛语言上的性能，我们使用了 Belebele（Bandarkar 等，2023）——一个自然语言理解基准。我们在该基准支持的 80 种语言上进行了评估，排除 42 种未经优化的语言，如表 36 所示（按语系组织）。Qwen3 与其他基线模型在 Belebele 基准上的性能对比如表 37 所示。结果表明，Qwen3 取得了与规模相近的 Gemma 模型相当的性能，同时显著优于 Qwen2.5。

表 24：语言基准分数：西班牙语（es）。最高分与次高分分别以加粗和下划线标出。

表 25：语言基准分数：法语（fr）。最高分与次高分分别以加粗和下划线标出。

表 26：语言基准分数：葡萄牙语（pt）。最高分与次高分分别以加粗和下划线标出。

表 27：语言基准分数：意大利语（it）。最高分与次高分分别以加粗和下划线标出。

表 28：语言基准分数：阿拉伯语（ar）。最高分与次高分分别以加粗和下划线标出。

表 29：语言基准分数：日语（ja）。最高分与次高分分别以加粗和下划线标出。

表 30：语言基准分数：韩语（ko）。最高分与次高分分别以加粗和下划线标出。

表 31：语言基准分数：印度尼西亚语（id）。最高分与次高分分别以加粗和下划线标出。

表 32：语言基准分数：俄语（ru）。最高分与次高分分别以加粗和下划线标出。

表 33：语言基准分数：越南语（vi）。最高分与次高分分别以加粗和下划线标出。

表 34：语言基准分数：德语（de）。最高分与次高分分别以加粗和下划线标出。

表 35：语言基准分数：泰语（th）。最高分与次高分分别以加粗和下划线标出。

表 36：Qwen3 在 Belebele 基准中支持的语言族与语言代码

表 37：Qwen3 与其他基线模型在 Belebele 基准上的性能对比。分数以加粗标出最高分、下划线标出次高分。