Comment essayer Qwen3 et activer ou désactiver sa réflexion?

Qwen3 est la plus récente famille de modèles à poids ouverts de l’équipe Qwen d’Alibaba, lancée à la fin d’avril 2025 sous licence Apache 2.0, qui permet l’usage commercial. « Poids ouverts » veut dire que les fichiers du modèle entraîné sont publiés : vous pouvez donc les télécharger et les faire tourner vous-même. Sa caractéristique la plus inhabituelle, c’est que chaque modèle réunit deux modes. En mode réflexion, il raisonne étape par étape avant de répondre, ce qui aide en mathématiques, en logique et en programmation. En mode sans réflexion, il répond directement et rapidement, ce qui convient aux questions de tous les jours.

C’est vous qui choisissez le mode, et vous pouvez le changer d’un message à l’autre.

Trois façons de l’essayer

1. Dans le navigateur. Le site de clavardage de l’équipe Qwen elle-même, chat.qwen.ai, ne demande aucune installation.
2. Avec Ollama, un outil en ligne de commande pour faire tourner des modèles localement. L’annonce de Qwen3 donne cette commande pour le modèle 30B-A3B : ollama run qwen3:30b-a3b.
3. Avec LM Studio, une application de bureau. Cherchez « qwen3 » dans son onglet Discover et choisissez une taille qui convient à votre mémoire (voir le tableau plus bas).

La fiche technique du modèle nomme aussi MLX-LM (pour les Mac à puce Apple Silicon), llama.cpp et KTransformers parmi les outils locaux pris en charge.

Exemple concret : les deux interrupteurs

La réflexion est activée par défaut. L’interrupteur souple vous permet de la changer à chaque message : ajoutez /think ou /no_think à la fin d’un prompt ou dans le message système, et le modèle suit l’instruction la plus récente de la conversation.

Essayez cette séquence de trois messages dans l’un des outils ci-dessus :

Une boutique vend des stylos à 3 pour 2 $. Combien coûtent 10 stylos s’il faut les acheter en paquets de 3? /think

Vous devriez voir un bloc de raisonnement, entre balises <think> ou affiché dans un panneau à part selon l’application, suivi de la réponse : quatre paquets, 8 $.

Écris un slogan d’une ligne pour cette boutique. /no_think

La réponse arrive presque immédiatement. Le modèle produit quand même un bloc de réflexion, mais celui-ci est vide.

Est-ce qu’acheter 4 paquets est vraiment la façon la moins chère d’obtenir au moins 10 stylos? /think

Le raisonnement revient pour la vérification. Remarquez la logique : activez la réflexion pour les problèmes à plusieurs étapes ou dont la bonne réponse doit être vérifiée, et désactivez-la pour la rédaction, la conversation et les recherches simples, où elle ne fait qu’ajouter de l’attente.

L’interrupteur ferme, dans le code

Si vous faites tourner Qwen3 avec la bibliothèque transformers de Hugging Face (version 4.51.0 ou plus récente), vous pouvez désactiver complètement la réflexion au moment de construire le prompt :

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False,  # aucun bloc de raisonnement
)

Avec enable_thinking=False, les balises /think et /no_think sont ignorées. La fiche technique suggère aussi des réglages d’échantillonnage différents pour chaque mode : une température de 0,6 avec un top-p de 0,95 en mode réflexion, et de 0,7 avec un top-p de 0,8 sans réflexion, avec un top-k de 20 dans les deux cas. Elle met en garde contre le décodage glouton (choisir toujours le mot le plus probable) en mode réflexion, parce qu’il peut entraîner des répétitions sans fin.

Quelle taille de Qwen3 faire tourner localement?

Qwen3 existe en six tailles ordinaires (« denses ») et en deux modèles à mélange d’experts. Un modèle à mélange d’experts est divisé en nombreux réseaux spécialisés plus petits, dont seuls quelques-uns travaillent sur chaque mot : il tourne donc plus vite que sa taille totale ne le laisse croire. Son fichier complet doit tout de même être chargé en mémoire.

La fenêtre de contexte est la quantité de texte, comptée en jetons (de petits morceaux de mots), que le modèle peut considérer d’un coup. Pour le modèle 8B, la fiche indique 32 768 jetons de façon native et 131 072 avec une méthode d’extension appelée YaRN. Les tailles de fichiers sont des estimations tirées d’un calcul simple, à environ 4,5 bits par paramètre pour un format à 4 bits courant; les vrais fichiers varient un peu.

Un guide pratique : sur un portable de 8 Go de mémoire, commencez par le modèle 4B. Avec 16 Go, le modèle 8B est le choix naturel et fait un assistant de tous les jours compétent. Avec 32 Go ou plus, essayez le 14B, ou le 30B-A3B si vous voulez de la vitesse; l’équipe Qwen affirme que le 30B-A3B bat son ancien QwQ-32B avec dix fois moins de paramètres actifs. Le modèle 235B est fait pour les serveurs, pas pour les ordinateurs personnels. Quel que soit votre choix, gardez quelques gigaoctets libres pour l’application et la conversation, et n’oubliez pas que le mode réflexion produit beaucoup plus de jetons : il est donc plus lent sur les petites machines.