> ## Documentation Index
> Fetch the complete documentation index at: https://docs.aihubmix.com/llms.txt
> Use this file to discover all available pages before exploring further.

# アリババ通義シリーズ

## Qwen 3 シリーズ

Qwen3シリーズは、アリババがリリースした新世代のオープンソース大規模モデルで、その能力は大幅に向上しています。コード理解、数学的推論、多言語表現、複雑な推論タスクにおいて、現在の市場のトップモデル（o1、DeepSeek-R1など）に匹敵するか、それを超える性能を発揮します。**その核心的なブレークスルーは、「思考モード」と「非思考モード」の切り替えメカニズムを導入したことにあり、モデルが異なる難易度のタスクに直面した際に、推論の深さを自律的に調整し、速度と精度の両方で優れたバランスを実現しました。** フラッグシップ版のQwen3-235Bは、スパースアクティベーションを採用しており、わずか22Bのパラメータで推論を行い、コストと卓越した能力を両立しています。全シリーズのモデルは完全にオープンソース化されており、軽量から超大規模なニーズまでをカバーしています。

**1. 基本的な使用法：** OpenAI互換形式で転送します。
**2. ツール呼び出し：** 通常のTools呼び出しはOpenAI互換形式をサポートします（V2.5、V3に適用）。MCP Toolsは`qwen-agent`に依存するため、まず`pip install -U qwen-agent mcp`コマンドを実行して依存関係をインストールする必要があります。
詳細については、[アリババ公式ドキュメント](https://huggingface.co/Qwen/Qwen3-235B-A22B)を参照してください。

<CodeGroup>
  ```py 基本的な使用法 theme={null}
  from openai import OpenAI

  client = OpenAI(
      api_key="sk-***", # 🔑 AiHubMixで生成したキーに置き換えてください
      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
  )

  # 一部のチャンクオブジェクトにはchoices属性がないか、choicesが空のリストである場合があります。処理方法：
  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="")
  ```

  ```py Tools theme={null}
  from openai import OpenAI

  client = OpenAI(
      api_key="sk-***", # 🔑 AiHubMixで生成したキーに置き換えてください
      base_url="https://aihubmix.com/v1",
  )

  # ツールを定義
  tools = [
      {
          "type": "function",
          "function": {
              "name": "get_current_weather",
              "description": "指定された場所の現在の天気を取得",
              "parameters": {
                  "type": "object",
                  "properties": {
                      "location": {
                          "type": "string",
                          "description": "都市名、例：東京、大阪など"
                      },
                      "unit": {
                          "type": "string",
                          "enum": ["celsius", "fahrenheit"],
                          "description": "温度単位"
                      }
                  },
                  "required": ["location"]
              }
          }
      }
  ]

  # ツール定義を含むチャット完了リクエストを作成
  completion = client.chat.completions.create(
      model="Qwen/Qwen3-30B-A3B", # 2.5と3はサポート、QwQはサポートしていません
      messages=[
          {
              "role": "user",
              "content": "東京の今日の天気はどうですか？"
          }
      ],
      tools=tools,
      tool_choice="auto",  # モデルがツールを使用するかどうかを自動的に決定
      stream=True
  )

  # ツール呼び出し情報を収集するための辞書
  tool_calls = {}

  # ストリーミング応答を処理
  for chunk in completion:
      if not hasattr(chunk.choices, '__len__') or len(chunk.choices) == 0:
          continue
          
      delta = chunk.choices[0].delta
      
      # テキストコンテンツを処理
      if hasattr(delta, 'content') and delta.content:
          print(delta.content, end="")
      
      # ツール呼び出しを処理
      if hasattr(delta, 'tool_calls') and delta.tool_calls:
          for tool_call in delta.tool_calls:
              if not hasattr(tool_call, 'index'):
                  continue
                  
              idx = tool_call.index
              if idx not in tool_calls:
                  tool_calls[idx] = {"name": "", "arguments": ""}
                  
              if hasattr(tool_call, 'function'):
                  if hasattr(tool_call.function, 'name') and tool_call.function.name:
                      tool_calls[idx]["name"] = tool_call.function.name
                  if hasattr(tool_call.function, 'arguments') and tool_call.function.arguments:
                      tool_calls[idx]["arguments"] += tool_call.function.arguments

  # 完了後、収集したツール呼び出し情報を出力
  for idx, info in tool_calls.items():
      if info["name"]:
          print(f"\nツール呼び出し：{info['name']}")
      if info["arguments"]:
          print(f"引数：{info['arguments']}")

  ```

  ```py MCP Tools theme={null}
  from qwen_agent.agents import Assistant
  import os

  # LLMを定義
  llm_cfg = {
      'model': 'Qwen/Qwen3-30B-A3B',

      # OpenAI APIと互換性のあるカスタムエンドポイントを使用：
      'model_server': 'https://aihubmix.com/v1',
      'api_key': os.getenv('AIHUBMIX_API_KEY'),

      # その他のパラメータ：
      # 'generate_cfg': {
      #         # 追加：応答コンテンツが`<think>this is the thought</think>this is the answer`の場合
      #         # 追加しない：応答がreasoning_contentとcontentで分離されている場合
      #         'thought_in_content': True,
      #     },
  }

  # ツールを定義
  tools = [
      {'mcpServers': {  # MCP設定ファイルを指定できます
              'time': {
                  'command': 'uvx',
                  'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
              },
              "fetch": {
                  "command": "uvx",
                  "args": ["mcp-server-fetch"]
              }
          }
      },
    'code_interpreter',  # 組み込みツール
  ]

  # エージェントを定義
  bot = Assistant(llm=llm_cfg, function_list=tools)

  # ストリーミング生成
  messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ Qwenの最新の開発状況を紹介してください'}]
  for responses in bot.run(messages=messages):
      pass
  print(responses)
  ```
</CodeGroup>

## QvQ、Qwen 2.5、および QwQ シリーズ

OpenAI互換形式で転送するだけで、違いはストリーミング呼び出しの抽出にあり、空の`chunk.choices[0].delta.content`を削除する必要があります。以下を参照してください。

**1. QvQ、Qwen 2.5 VL：** 画像認識\
**2. QwQ：** テキストタスク

<Info>
  `Qwen/QVQ-72B-Preview`は、`Qwen2-VL-72B`に基づいて構築されたオープンソースのマルチモーダル推論モデルで、視覚推論とクロスモーダルタスクに特化しています。
</Info>

<CodeGroup>
  ```py Qwen 2.5 VL theme={null}
  from openai import OpenAI
  import base64
  import os

  client = OpenAI(
      api_key="sk-***", # 🔑 AiHubMixで生成したキーに置き換えてください
      base_url="https://aihubmix.com/v1",
  )

  image_path = "yourpath/file.png"

  # 画像を読み込み、エンコード
  def encode_image(image_path):
      if not os.path.exists(image_path):
          raise FileNotFoundError(f"画像ファイルが存在しません：{image_path}")
      
      with open(image_path, "rb") as image_file:
          return base64.b64encode(image_file.read()).decode('utf-8')

  # 画像のbase64エンコードを取得
  base64_image = encode_image(image_path)

  # テキストと画像を含むメッセージを作成
  completion = client.chat.completions.create(
      model="qwen2.5-vl-72b-instruct", # qwen2.5-vl-72b-instruct または Qwen/QVQ-72B-Preview
      messages=[
          {
              "role": "user",
              "content": [
                  {"type": "text", "text": "この画像を詳細に説明してください。画像の内容、スタイル、および可能性のある意味を含めてください。"},
                  {
                      "type": "image_url",
                      "image_url": {
                          "url": f"data:image/png;base64,{base64_image}"
                      }
                  }
              ]
          }
      ],
      stream=True
  )

  for chunk in completion:
      # 安全にコンテンツがあるかを確認
      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="")
  ```

  ```py QwQ theme={null}
  from openai import OpenAI

  client = OpenAI(
      api_key="sk-***", # 🔑 AiHubMixで生成したキーに置き換えてください
      base_url="https://aihubmix.com/v1",
  )

  completion = client.chat.completions.create(
      model="Qwen/QwQ-32B",
      messages=[
          {
              "role": "user",
              "content": [
                  {"type": "text", "text": "宇宙を支配する元々のルールは何ですか？"}
              ]
          }
      ],
      stream=True
  )

  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="")
  ```
</CodeGroup>

***

最終更新日：2026-06-01