Qwen发布4B参数模型Qwen3-4B-Instruct-2507与Thinking-2507，支持256K上下文，分指令与推理双版本。作者指出这验证了"推理核心假设"：推理仅需基础语言能力，无需千亿参数知识库，契合轻量级LLM OS理念——最小化模型体积，最大化依赖工具调用与知识检索。
Jim Fan 借 Qwen3-4B 提出「推理核心假设」，探讨极小模型作为 LLM OS 内核的边界
这可能印证了“推理核心假设”——推理本身只需要最低限度的语言能力，而非庞大的、拥有数千亿参数的MoE知识库。这个观点也与Andrej的LLM OS相契合：一个尽可能轻量、快速的处理器，最大限度地依赖知识检索、工具使用、智能体流程等。
现在我很想知道——我们能压缩到的最小模型究竟有多小，却仍然能作为一个称职的LLM OS内核发挥作用？
🚀 推出 Qwen3-4B-Instruct-2507 与 Qwen3-4B-Thinking-2507 — 更智能、更敏锐，支持 256K！ 🔹 Instruct：增强通用技能、多语言覆盖和长上下文指令遵循。 🔹 Thinking：在逻辑、数学、科学和代码方面具备高级推理能力——专为专家级任务打造。 两个模型都更加对齐、更强大、更具上下文感知能力。 Huggingface： https://huggingface.co/Qwen/Qwen3-4B-Instruct-2507 https://huggingface.co/Qwen/Qwen3-4B-Thinking-2507 ModelScope： https://modelscope.cn/models/Qwen/Qwen3-4B-Instruct-2507 https://modelscope.cn/models/Qwen/Qwen3-4B-Thinking-2507
原文
🚀 Introducing Qwen3-4B-Instruct-2507 & Qwen3-4B-Thinking-2507 — smarter, sharper, and 256K-ready! 🔹 Instruct: Boosted general skills, multilingual coverage, and long-context instruction following. 🔹 Thinking: Advanced reasoning in logic, math, science & code — built for expert-level tasks. Both models are more aligned, more capable, and more context-aware. Huggingface： https://huggingface.co/Qwen/Qwen3-4B-Instruct-2507 https://huggingface.co/Qwen/Qwen3-4B-Thinking-2507 ModelScope: https://modelscope.cn/models/Qwen/Qwen3-4B-Instruct-2507 https://modelscope.cn/models/Qwen/Qwen3-4B-Thinking-2507
来源：Jim Fan · x.com