​
Qwen 3 系列

Qwen3 系列是阿里推出的新一代开源大模型，能力大幅跃升：在代码理解、数学推理、多语言表达、复杂推断任务上，比肩甚至超越了目前市面上的顶级模型（如 o1、DeepSeek-R1）。它的核心突破在于引入了「思考模式」与「非思考模式」切换机制，让模型在面对不同难度任务时，自主调节推理深度，实现了速度与精度的双优平衡。 旗舰版 Qwen3-235B 采用稀疏激活，仅用 22B 参数推理，兼顾成本和卓越能力。全系模型全面开源，涵盖从轻量到超大规模需求。

1. 基础用法： 用 OpenAI 兼容格式转发。
2. 工具调用： 常规 Tools 调用支持 OpenAI 兼容格式（适用于 V2.5、V3），而 MCP Tools 依赖 qwen-agent，需要先运行指令安装依赖：pip install -U qwen-agent mcp。 更多细节可以参考阿里官方文档

from openai import OpenAI

client = OpenAI(
    api_key="sk-***", # 🔑 换成你在 AiHubMix 生成的密钥
    base_url="https://aihubmix.com/v1",
)

completion = client.chat.completions.create(
    model="Qwen/Qwen3-30B-A3B",
    messages=[
        {
            "role": "user",
            "content": "Explain the Occam's Razor concept and provide everyday examples of it"
        }
    ],
    stream=True
)

# 某些 chunk 对象可能没有 choices 属性或 choices 是一个空列表，处理方法：
for chunk in completion:
    if hasattr(chunk.choices, '__len__') and len(chunk.choices) > 0:
        if hasattr(chunk.choices[0].delta, 'content') and chunk.choices[0].delta.content is not None:
            print(chunk.choices[0].delta.content, end="")

​
QvQ、Qwen 2.5 和 QwQ 系列

用 OpenAI 的兼容格式转发即可，区别在于流式调用的提取，需要剔除为空的 chunk.choices[0].delta.content，参考如下。

1. QvQ、Qwen 2.5 VL： 图片识别
2. QwQ： 文本任务

Qwen/QVQ-72B-Preview 是基于 Qwen2-VL-72B 构建的开源多模态推理模型，专注于视觉推理和跨模态任务。

from openai import OpenAI
import base64
import os

client = OpenAI(
    api_key="sk-***", # 🔑 换成你在 AiHubMix 生成的密钥
    base_url="https://aihubmix.com/v1",
)

image_path = "yourpath/file.png"

# 读取并编码图片
def encode_image(image_path):
    if not os.path.exists(image_path):
        raise FileNotFoundError(f"图片文件不存在：{image_path}")
    
    with open(image_path, "rb") as image_file:
        return base64.b64encode(image_file.read()).decode('utf-8')

# 获取图片的 base64 编码
base64_image = encode_image(image_path)

# 创建包含文本和图像的消息
completion = client.chat.completions.create(
    model="qwen2.5-vl-72b-instruct", #qwen2.5-vl-72b-instruct 或 Qwen/QVQ-72B-Preview
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请详细描述这张图片，包括图片中的内容、风格和可能的含义。"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{base64_image}"
                    }
                }
            ]
        }
    ],
    stream=True
)

for chunk in completion:
    # 安全地检查是否有内容
    if hasattr(chunk.choices, '__len__') and len(chunk.choices) > 0:
        if hasattr(chunk.choices[0].delta, 'content') and chunk.choices[0].delta.content is not None:
            print(chunk.choices[0].delta.content, end="")