Qwen3 14B — balanced mid-range model with strong reasoning at low cost.
Qwen3-14B — dense causal language model от команды Alibaba Qwen с 14,8B параметрами: средний уровень в линейке Qwen3 dense между эффективным Qwen3-8B и более крупным Qwen3-32B. Построена на 40 слоях transformer с GQA 40/8, выпущена под Apache 2.0 в апреле 2025 года. Ключевой архитектурный факт из технического отчёта Qwen3: базовая модель Qwen3-14B соответствует по производительности Qwen2.5-32B-Base — то есть поколение Qwen3 делает качественный скачок в параметрической эффективности. Конкретно: вы получаете уровень Qwen2.5-32B при менее чем половине параметров и значительно более низкой стоимости инференса.
Как и все инструктивные модели Qwen3, Qwen3-14B поставляется с hybrid thinking в качестве нативной функции: единый checkpoint переключается между deep-reasoning thinking mode (пошаговые рассуждения в блоках <think>) и быстрым non-thinking mode, управляется per-request через enable_thinking или токены /think / /no_think. Это важно для маршрутизации: команды могут использовать один model ID для быстрых completions и более сложных аналитических задач, разграничивая поведение параметром reasoning TheRouter без управления двумя отдельными deployments. При $0,084 / $0,252 за миллион input/output токенов Qwen3-14B — точка перегиба по соотношению цена/качество в dense линейке Qwen3: дешевле Qwen3-32B ($0,20 / $0,80), при этом ощутимо превосходя Qwen3-8B по качеству на сложных reasoning задачах.
| Тип | Ставка |
|---|---|
| Вход | $0.378 за 1 млн токенов |
| Выход | $1.51 за 1 млн токенов |
| Всего параметров | 14,8B (13,2B без эмбеддингов)huggingface.co/Qwen ↗ | проверено |
| Архитектура | Dense causal transformer, 40 слоёв, GQA 40/8 (Q/KV heads)huggingface.co/Qwen ↗ | проверено |
| Длина контекста | 131 072 токена (нативные 32 768; расширено до 131 072 через YaRN)huggingface.co/Qwen ↗ | проверено |
| Макс. токенов в ответе | 32 768huggingface.co/Qwen ↗ | проверено |
| Лицензия | Apache 2.0huggingface.co/Qwen ↗ | проверено |
| Этап обучения | Pretraining & Post-training (instruct модель)huggingface.co/Qwen ↗ | проверено |
| Эффективность по сравнению с предыдущим поколением | Соответствует Qwen2.5-32B-Base при 14B параметрах — выигрыш целого поколения параметрической эффективностиqwenlm.github.io ↗ | проверено |
| Benchmark | Distribution | Score | Source |
|---|---|---|---|
MMLU Базовая модель; 5-shot | 81.05% | arxiv.org — Qwen3 technical report ↗ | |
MMLU-Pro Базовая модель | 61.03% | arxiv.org — Qwen3 technical report ↗ | |
BBH (BIG-Bench Hard) Базовая модель; 3-shot CoT | 81.07% | arxiv.org — Qwen3 technical report ↗ | |
GSM8K Базовая модель; 4-shot | 92.49% | arxiv.org — Qwen3 technical report ↗ | |
GPQA Базовая модель; вопросы аспирантского уровня по науке | 39.90% | arxiv.org — Qwen3 technical report ↗ |
Для новых интеграций используйте глобальный endpoint api.therouter.ai из примеров ниже; старый China accelerated endpoint выведен из эксплуатации.
curl https://api.therouter.ai/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer $THE_ROUTER_API_KEY" -d '{
"model": "qwen/qwen3-14b",
"messages": [
{"role": "user", "content": "Summarize the key points from this input."}
]
}'Alibaba Qwen выпустила полный комплект Qwen3, включая Qwen3-14B как dense causal LM с 14,8B параметрами, hybrid thinking modes, 128K context (YaRN-extended), поддержкой 119 языков и лицензией Apache 2.0. В анонсе подчёркивалось, что базовая модель Qwen3-14B достигает паритета с Qwen2.5-32B-Base, представляя полное поколение улучшения параметрической эффективности.
Команда Qwen выпустила полный технический отчёт (arXiv 2505.09388), охватывающий pretraining, post-training, hybrid thinking архитектуру, многоязычные возможности и сравнительные бенчмарки для всей линейки Qwen3, включая Qwen3-14B. Отчёт документирует бенчмарки базовой модели: Qwen3-14B — MMLU 81,05, BBH 81,07, GSM8K 92,49, GPQA 39,90.
Qwen3-14B — модель среднего класса в dense линейке Qwen3. Превосходит Qwen3-8B (36 слоёв, GQA 32/8) на reasoning-тяжёлых и многоязычных задачах, тогда как Qwen3-32B (64 слоя, GQA 64/8, 32,8B параметров) обеспечивает более высокий качественный потолок для сложнейших проблем. По стоимости: Qwen3-8B дешевле для простых задач; Qwen3-14B ($0,084/$0,252 за M токенов) — точка перегиба, дающая возможности уровня Qwen2.5-32B; Qwen3-32B ($0,20/$0,80 за M токенов) оправдан только когда качества 14B недостаточно.
Через TheRouter — параметр reasoning на /v1/chat/completions. При self-hosting — enable_thinking=True или enable_thinking=False в chat template, или /think / /no_think в системном промпте или первом сообщении пользователя. Thinking mode — по умолчанию. При активном thinking mode ответы содержат блок <think>...</think>, который необходимо разобрать или убрать перед показом конечным пользователям.
Нативный контекст модели — 32 768 токенов, расширенный до 131 072 токенов через YaRN позиционную интерполяцию. TheRouter устанавливает context_length 131 072 и max_completion 32 768. На дальнем конце YaRN-диапазона производительность может снижаться на очень сложных промптах; проверяйте наибольшие входы перед production rollout.
Да. Qwen3-14B поддерживает tools и tool_choice для function calling, а также response_format для structured output — через стандартные OpenAI-compatible параметры на TheRouter. Поддержка tool calling сохраняется в обоих режимах, что делает её подходящей для agentic пайплайнов с опциональными reasoning traces вместе с выполнением инструментов.
Да. TheRouter предоставляет qwen/qwen3-14b через OpenAI-compatible endpoint /v1/chat/completions. Укажите base URL вашего клиента как TheRouter endpoint, настройте API key и установите model в qwen/qwen3-14b. Поддерживаются streaming, tools и response_format.
Это утверждение взято непосредственно из официального анонса Qwen3: «Qwen3-1.7B/4B/8B/14B/32B-Base показывает результаты, аналогичные Qwen2.5-3B/7B/14B/32B/72B-Base соответственно». Иными словами, каждый уровень размера Qwen3 dense соответствует следующему большему уровню Qwen2.5, поэтому база Qwen3-14B равна базе Qwen2.5-32B. Это отражает прогресс в архитектуре модели, объёме обучающих данных и методологии обучения всего поколения Qwen3, а не какой-либо отдельный прорыв.
| источник | URL | получено | |
|---|---|---|---|
| Всего параметров | huggingface.co/Qwen ↗ | 2026-06-09 | проверено |
| Архитектура | huggingface.co/Qwen ↗ | 2026-06-09 | проверено |
| Длина контекста | huggingface.co/Qwen ↗ | 2026-06-09 | проверено |
| Макс. токенов в ответе | huggingface.co/Qwen ↗ | 2026-06-09 | проверено |
| Лицензия | huggingface.co/Qwen ↗ | 2026-06-09 | проверено |
| Этап обучения | huggingface.co/Qwen ↗ | 2026-06-09 | проверено |
| Эффективность по сравнению с предыдущим поколением | qwenlm.github.io ↗ | 2026-06-09 | проверено |
| MMLU | arxiv.org — Qwen3 technical report ↗ | 2026-06-09 | проверено |
| MMLU-Pro | arxiv.org — Qwen3 technical report ↗ | 2026-06-09 | проверено |
| BBH (BIG-Bench Hard) | arxiv.org — Qwen3 technical report ↗ | 2026-06-09 | проверено |
| GSM8K | arxiv.org — Qwen3 technical report ↗ | 2026-06-09 | проверено |
| GPQA | arxiv.org — Qwen3 technical report ↗ | 2026-06-09 | проверено |
| Выпущено семейство Qwen3 — Qwen3-14B среди шести open-weight dense моделей | qwenlm.github.io ↗ | 2026-06-09 | проверено |
| Технический отчёт Qwen3 опубликован на arXiv | arxiv.org ↗ | 2026-06-09 | проверено |
| Как Qwen3-14B соотносится с Qwen3-32B и Qwen3-8B? | qwenlm.github.io ↗ | 2026-06-09 | к проверке |
| Как переключаться между thinking и non-thinking режимом? | huggingface.co ↗ | 2026-06-09 | к проверке |
| Каков фактический context window для qwen/qwen3-14b на TheRouter? | huggingface.co ↗ | 2026-06-09 | к проверке |
| Поддерживает ли Qwen3-14B tool calling и structured output? | huggingface.co ↗ | 2026-06-09 | к проверке |
| Можно ли использовать Qwen3-14B из Cursor, Cline или другого OpenAI-compatible клиента? | qwenlm.github.io ↗ | 2026-06-09 | к проверке |
| Почему Qwen3-14B описывается как имеющая возможности уровня Qwen2.5-32B? | qwenlm.github.io ↗ | 2026-06-09 | к проверке |