牛_老虎社区_美港股上老虎 - 老虎社区

得道多助失道寡助

牛

清晨重磅！阿里发布并开源Qwen3，无缝集成思考模式、多语言、便于Agent调用

免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"detailType":1,"isChannel":false,"data":{"magic":2,"id":429718148858128,"tweetId":"429718148858128","gmtCreate":1745933469623,"gmtModify":1745933471314,"author":{"id":3493179575404193,"idStr":"3493179575404193","authorId":3493179575404193,"authorIdStr":"3493179575404193","name":"得道多助失道寡助","avatar":"https://static.tigerbbs.com/5f4d3a07a91dabdf256b61df2d5f94eb","vip":1,"userType":1,"introduction":"","boolIsFan":false,"boolIsHead":false,"crmLevel":6,"crmLevelSwitch":1,"currentWearingBadge":{"badgeId":"754899bf0917479fa68cfac1ea371651-5","templateUuid":"754899bf0917479fa68cfac1ea371651","name":"月赛Top 10团队成员","description":"Top 10","bigImgUrl":"https://static.tigerbbs.com/dcb8ba4e1efd99be2b948dc3b81abfa8","smallImgUrl":"https://static.tigerbbs.com/a4aa0d1bc9d709e9af2662788ca5d144","grayImgUrl":"https://static.tigerbbs.com/5704f3dcb758b5392763b7709ebf548a","redirectLinkEnabled":0,"redirectLink":"https://www.tigerbrokers.com.sg/activity/market/2023/stock-contest?adcode=StockContest2023","hasAllocated":1,"isWearing":1,"stampPosition":0,"hasStamp":0,"allocationCount":1,"allocatedDate":"2023.12.03","individualDisplayEnabled":0},"individualDisplayBadges":[],"fanSize":543,"starInvestorFlag":true,"fullDisclosureFlag":true,"starInvestorFollowerNum":382,"starInvestorOrderShareNum":192,"userFollowInvestorFlag":false,"orderNotificationFlag":false,"ror":118.94,"showRor":true,"investmentPhilosophy":"下定离手，就做赌徒","winRationPercentage":72.51462,"tradeVolumeEst":0},"themes":[],"images":[],"coverImages":[],"html":"<html><head></head><body><p>牛</p></body></html>","htmlText":"<html><head></head><body><p>牛</p></body></html>","text":"牛","highlighted":1,"essential":1,"paper":1,"likeSize":0,"commentSize":0,"repostSize":0,"favoriteSize":0,"link":"https://laohu8.com/post/429718148858128","repostId":2531930992,"repostType":2,"repost":{"id":"2531930992","kind":"news","pubTimestamp":1745881251,"share":"https://www.laohu8.com/m/news/2531930992?lang=zh_CN&edition=full","pubTime":"2025-04-29 07:00","market":"sg","language":"zh","title":"清晨重磅！阿里发布并开源Qwen3，无缝集成思考模式、多语言、便于Agent调用","url":"https://stock-news.laohu8.com/highlight/detail?id=2531930992","media":"市场资讯","summary":"$阿里巴巴$周一发布并开源通义千问3.0系列模型，并称其在数学和编程等多个方面均可与DeepSeek的性能相媲美。与其他主流模型相比，Qwen3还显著降低了部署成本。阿里表示，Qwen3无缝集成两种思考模式，支持119种语言，便于Agent调用。阿里巴巴称，Qwen3的训练数据包括教材、问答对、代码片段等多种内容。据介绍，Qwen3预训练过程分为三个阶段。目前，阿里巴巴正以Qwen为核心，构建其AI版图。","content":"<html><head></head><body><p> <a href=\"https://laohu8.com/S/BABA\">阿里巴巴</a>周一发布并开源通义千问3.0（Qwen3）系列模型，并称其在数学和编程等多个方面均可与DeepSeek的性能相媲美。与其他主流模型相比，Qwen3还显著降低了部署成本。阿里表示，Qwen3无缝集成两种思考模式，支持119种语言，便于Agent调用。</p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/f8ccbeb9e8455a038ca3ef6565c82898\" tg-width=\"550\" tg-height=\"283\"/></p><p> 性能媲美DeepSeek R1、OpenAI o1，全部开源</p><p> Qwen3系列包括两个专家混合 （MoE） 模型和另外六个模型。阿里巴巴表示，最新发型的旗舰模型Qwen3-235B-A22B在代码、数学、通用能力等基准测试中，与DeepSeek-R1、o1、o3-mini、Grok-3和Gemini-2.5-Pro等顶级模型相比，表现出极具竞争力。</p><p> 此外，被称为“专家混合”（MoE，Mixture-of-Experts）模型的Qwen3-30B-A3B的激活参数数量是QwQ-32B的10%，表现更胜一筹，甚至像Qwen3-4B这样的小模型也能匹敌Qwen2.5-72B-Instruct的性能。这类系统模拟人类解决问题的思维方式，将任务划分为更小的数据集，类似于让一组各有所长的专家分别负责不同部分，从而提升整体效率。</p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/d97424de634e7f31ee4589c2aee1b897\" tg-width=\"550\" tg-height=\"310\"/></p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/65fb3fcd877483917690160dcd2250a7\" tg-width=\"550\" tg-height=\"310\"/></p><p> 同时，阿里巴巴还开源了两个MoE模型的权重：拥有2350多亿总参数和220多亿激活参数的Qwen3-235B-A22B，以及拥有约300亿总参数和30亿激活参数的小型MoE 模型Qwen3-30B-A3B。此外，六个Dense模型也已开源，包括Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B，均在Apache 2.0许可下开源。</p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/f1f1a3c34174865a6754c9ed5a5d8fda\" tg-width=\"550\" tg-height=\"290\"/></p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/ad74a2913c1f4020630d398c81f80e71\" tg-width=\"550\" tg-height=\"185\"/></p><p> “混合型”模型，两种思考模式</p><p> 阿里巴巴表示，Qwen 3系列是“混合型”模型，既可以花时间“推理”以解决复杂问题，也可以快速回答简单请求，分别叫做“思考模式”和“非思考模式”。“思考模式”中的推理能力使得模型能够有效地进行自我事实核查，类似于OpenAI的o3模型，但代价是推理过程中的延迟时间较高。</p><p> Qwen团队在博客文章中写道：</p><blockquote><p>这种灵活性使用户能够根据具体任务控制模型进行“思考”的程度。例如，复杂的问题可以通过扩展推理步骤来解决，而简单的问题则可以直接快速作答，无需延迟。</p><p>至关重要的是，这两种模式的结合大大增强了模型实现稳定且高效的“思考预算”控制能力。如上文所述，Qwen3展现出可扩展且平滑的性能提升，这与分配的计算推理预算直接相关。</p><p>这样的设计让用户能够更轻松地为不同任务配置特定的预算，在成本效益和推理质量之间实现更优的平衡。</p></blockquote><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/df695e8a53d40062e329714b9d8ee90e\" tg-width=\"550\" tg-height=\"341\"/></p><p> 训练数据量是Qwen2.5的两倍，便于Agent调用</p><p> 阿里巴巴表示，Qwen3系列支持119种语言，并基于近36万亿个token（标记）进行训练，使用的数据量是Qwen2.5的两倍。Token是模型处理的基本数据单元，约100万个token相当于75万英文单词。阿里巴巴称，Qwen3的训练数据包括教材、问答对、代码片段等多种内容。</p><p> 据介绍，Qwen3预训练过程分为三个阶段。在第一阶段（S1），模型在超过30万亿个token上进行了预训练，上下文长度为4K token。这一阶段为模型提供了基本的语言技能和通用知识。</p><p> 在第二阶段（S2），训练则通过增加知识密集型数据（如 STEM、编程和推理任务）的比例来改进数据集，随后模型又在额外的5万亿个token上进行了预训练。在最后阶段则使用高质量的长上下文数据将上下文长度扩展到32K token，确保模型能够有效地处理更长的输入。</p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/def960fe0ae9611c8302ccbd3837bd7b\" tg-width=\"550\" tg-height=\"374\"/></p><p> 阿里巴巴表示，由于模型架构的改进、训练数据的增加以及更有效的训练方法，Qwen3 Dense基础模型的整体性能与参数更多的Qwen2.5基础模型相当。例如，Qwen3-1.7B/4B/8B/14B/32B-Base分别与Qwen2.5-3B/7B/14B/32B/72B-Base 表现相当。特别是在 STEM、编码和推理等领域，Qwen3 Dense基础模型的表现甚至超过了更大规模的Qwen2.5 模型。对于Qwen3 MoE基础模型，它们在仅使用10%激活参数的情况下达到了与Qwen2.5 Dense基础模型相似的性能，显著节省了训练和推理成本。</p><p> 而在后训练阶段，阿里使用多样的的长思维链数据对模型进行了微调，涵盖了数学、代码、逻辑推理和 STEM 问题等多种任务和领域，为模型配备基本的推理能力。然后通过大规模强化学习，利用基于规则的奖励来增强模型的探索和钻研能力。</p><p> 阿里巴巴表示，Qwen3在调用工具（tool-calling）、执行指令以及复制特定数据格式等能力方面表现出色，推荐用户使用Qwen-Agent来充分发挥Qwen3的Agent能力。Qwen-Agent内部封装了工具调用模板和工具调用解析器，大大降低了代码复杂性。</p><p> 除了提供下载版本外，Qwen3还可以通过Fireworks AI、Hyperbolic等云服务提供商使用。</p><p> 目标仍对准AGI</p><p> OpenAI、<a href=\"https://laohu8.com/S/GOOG\">谷歌</a>和Anthropic近期也陆续推出了多款新模型。OpenAI近日表示，也计划在未来几个月发布一款更加“开放”的模型，模仿人类推理方式，这标志着其策略出现转变，此前DeepSeek和阿里巴巴已经率先推出了开源AI系统。</p><p> 目前，阿里巴巴正以Qwen为核心，构建其AI版图。今年2月，首席执行官吴泳铭表示，公司目前的“首要目标”是实现通用人工智能（AGI）——即打造具备人类智力水平的AI系统。</p><p> 阿里表示，Qwen3代表了该公司在通往通用人工智能（AGI）和超级人工智能（ASI）旅程中的一个重要里程碑。展望未来，阿里计划从多个维度提升模型，包括优化模型架构和训练方法，以实现几个关键目标：扩展数据规模、增加模型大小、延长上下文长度、拓宽模态范围，并利用环境反馈推进强化学习以进行长周期推理。</p><p> 开源社区振奋</p><p> 阿里Qwen3的发布让AI社区感到激动，有网友献上经典Meme：</p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/37010a2f029ab947cf2d94ccd84dd1ee\" tg-width=\"550\" tg-height=\"422\"/></p><p> 有网友说，</p><blockquote><p>在我的测试中，235B在高维张量运算方面的表现相当于Sonnet。</p><p>这是一个非常出色的模型，</p><p>感谢你们。</p></blockquote><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/47dfd4bcc5836d2abca139a7542e89b9\" tg-width=\"550\" tg-height=\"167\"/></p><p> 有网友对Qwen3赞不绝口：</p><blockquote><p>如果不是亲眼看到屏幕上实时生成的tokens，我根本不会相信那些基准测试结果。？？？？ 简直像魔法一样？？？？</p></blockquote><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/0ec359e6a46b35b95a40e0a98d68444e\" tg-width=\"550\" tg-height=\"92\"/></p><p> 而开源AI的支持者则更加兴奋。有网友说：</p><blockquote><p>“有了一个开源32B大模型，性能跟Gemini 2.5 Pro不相上下。”</p><p>“我们彻底杀回来了！”</p></blockquote><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/f51dacd5e0b9425e6ada252e378b8d44\" tg-width=\"550\" tg-height=\"139\"/></p><p> 网友感谢阿里积极推动开源：</p><p class=\"t-img-caption\"><img src=\"https://community-static.tradeup.com/news/1e18b5c0eaadec78dbcaa2bbc36caf7d\" tg-width=\"550\" tg-height=\"92\"/></p><p></p><p></p></body></html>","source":"sina","collect":0,"html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>清晨重磅！阿里发布并开源Qwen3，无缝集成思考模式、多语言、便于Agent调用</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n清晨重磅！阿里发布并开源Qwen3，无缝集成思考模式、多语言、便于Agent调用\n</h2>\n\n<h4 class=\"meta\">\n\n\n2025-04-29 07:00 北京时间&nbsp;&nbsp;&nbsp;<a href=https://finance.sina.com.cn/world/2025-04-29/doc-ineuurue1312786.shtml><strong>市场资讯</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>阿里巴巴周一发布并开源通义千问3.0（Qwen3）系列模型，并称其在数学和编程等多个方面均可与DeepSeek的性能相媲美。与其他主流模型相比，Qwen3还显著降低了部署成本。阿里表示，Qwen3无缝集成两种思考模式，支持119种语言，便于Agent调用。 性能媲美DeepSeek R1、OpenAI o1，全部开源 Qwen3系列包括两个专家混合 （MoE） 模型和另外六个模型。阿里巴巴表示，...</p>\n\n<a href=\"https://finance.sina.com.cn/world/2025-04-29/doc-ineuurue1312786.shtml\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","type":0,"thumbnail":"https://static.tigerbbs.com/05ddeb1f7be03fe06014ae549a8abe22","relate_stocks":{"BABA":"阿里巴巴","09988":"阿里巴巴-W"},"source_url":"https://finance.sina.com.cn/world/2025-04-29/doc-ineuurue1312786.shtml","is_english":false,"share_image_url":"https://static.laohu8.com/b0d1b7e8843deea78cc308b15114de44","article_id":"2531930992","content_text":"阿里巴巴周一发布并开源通义千问3.0（Qwen3）系列模型，并称其在数学和编程等多个方面均可与DeepSeek的性能相媲美。与其他主流模型相比，Qwen3还显著降低了部署成本。阿里表示，Qwen3无缝集成两种思考模式，支持119种语言，便于Agent调用。 性能媲美DeepSeek R1、OpenAI o1，全部开源 Qwen3系列包括两个专家混合 （MoE） 模型和另外六个模型。阿里巴巴表示，最新发型的旗舰模型Qwen3-235B-A22B在代码、数学、通用能力等基准测试中，与DeepSeek-R1、o1、o3-mini、Grok-3和Gemini-2.5-Pro等顶级模型相比，表现出极具竞争力。 此外，被称为“专家混合”（MoE，Mixture-of-Experts）模型的Qwen3-30B-A3B的激活参数数量是QwQ-32B的10%，表现更胜一筹，甚至像Qwen3-4B这样的小模型也能匹敌Qwen2.5-72B-Instruct的性能。这类系统模拟人类解决问题的思维方式，将任务划分为更小的数据集，类似于让一组各有所长的专家分别负责不同部分，从而提升整体效率。 同时，阿里巴巴还开源了两个MoE模型的权重：拥有2350多亿总参数和220多亿激活参数的Qwen3-235B-A22B，以及拥有约300亿总参数和30亿激活参数的小型MoE 模型Qwen3-30B-A3B。此外，六个Dense模型也已开源，包括Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B，均在Apache 2.0许可下开源。 “混合型”模型，两种思考模式 阿里巴巴表示，Qwen 3系列是“混合型”模型，既可以花时间“推理”以解决复杂问题，也可以快速回答简单请求，分别叫做“思考模式”和“非思考模式”。“思考模式”中的推理能力使得模型能够有效地进行自我事实核查，类似于OpenAI的o3模型，但代价是推理过程中的延迟时间较高。 Qwen团队在博客文章中写道：这种灵活性使用户能够根据具体任务控制模型进行“思考”的程度。例如，复杂的问题可以通过扩展推理步骤来解决，而简单的问题则可以直接快速作答，无需延迟。至关重要的是，这两种模式的结合大大增强了模型实现稳定且高效的“思考预算”控制能力。如上文所述，Qwen3展现出可扩展且平滑的性能提升，这与分配的计算推理预算直接相关。这样的设计让用户能够更轻松地为不同任务配置特定的预算，在成本效益和推理质量之间实现更优的平衡。 训练数据量是Qwen2.5的两倍，便于Agent调用 阿里巴巴表示，Qwen3系列支持119种语言，并基于近36万亿个token（标记）进行训练，使用的数据量是Qwen2.5的两倍。Token是模型处理的基本数据单元，约100万个token相当于75万英文单词。阿里巴巴称，Qwen3的训练数据包括教材、问答对、代码片段等多种内容。 据介绍，Qwen3预训练过程分为三个阶段。在第一阶段（S1），模型在超过30万亿个token上进行了预训练，上下文长度为4K token。这一阶段为模型提供了基本的语言技能和通用知识。 在第二阶段（S2），训练则通过增加知识密集型数据（如 STEM、编程和推理任务）的比例来改进数据集，随后模型又在额外的5万亿个token上进行了预训练。在最后阶段则使用高质量的长上下文数据将上下文长度扩展到32K token，确保模型能够有效地处理更长的输入。 阿里巴巴表示，由于模型架构的改进、训练数据的增加以及更有效的训练方法，Qwen3 Dense基础模型的整体性能与参数更多的Qwen2.5基础模型相当。例如，Qwen3-1.7B/4B/8B/14B/32B-Base分别与Qwen2.5-3B/7B/14B/32B/72B-Base 表现相当。特别是在 STEM、编码和推理等领域，Qwen3 Dense基础模型的表现甚至超过了更大规模的Qwen2.5 模型。对于Qwen3 MoE基础模型，它们在仅使用10%激活参数的情况下达到了与Qwen2.5 Dense基础模型相似的性能，显著节省了训练和推理成本。 而在后训练阶段，阿里使用多样的的长思维链数据对模型进行了微调，涵盖了数学、代码、逻辑推理和 STEM 问题等多种任务和领域，为模型配备基本的推理能力。然后通过大规模强化学习，利用基于规则的奖励来增强模型的探索和钻研能力。 阿里巴巴表示，Qwen3在调用工具（tool-calling）、执行指令以及复制特定数据格式等能力方面表现出色，推荐用户使用Qwen-Agent来充分发挥Qwen3的Agent能力。Qwen-Agent内部封装了工具调用模板和工具调用解析器，大大降低了代码复杂性。 除了提供下载版本外，Qwen3还可以通过Fireworks AI、Hyperbolic等云服务提供商使用。 目标仍对准AGI OpenAI、谷歌和Anthropic近期也陆续推出了多款新模型。OpenAI近日表示，也计划在未来几个月发布一款更加“开放”的模型，模仿人类推理方式，这标志着其策略出现转变，此前DeepSeek和阿里巴巴已经率先推出了开源AI系统。 目前，阿里巴巴正以Qwen为核心，构建其AI版图。今年2月，首席执行官吴泳铭表示，公司目前的“首要目标”是实现通用人工智能（AGI）——即打造具备人类智力水平的AI系统。 阿里表示，Qwen3代表了该公司在通往通用人工智能（AGI）和超级人工智能（ASI）旅程中的一个重要里程碑。展望未来，阿里计划从多个维度提升模型，包括优化模型架构和训练方法，以实现几个关键目标：扩展数据规模、增加模型大小、延长上下文长度、拓宽模态范围，并利用环境反馈推进强化学习以进行长周期推理。 开源社区振奋 阿里Qwen3的发布让AI社区感到激动，有网友献上经典Meme： 有网友说，在我的测试中，235B在高维张量运算方面的表现相当于Sonnet。这是一个非常出色的模型，感谢你们。 有网友对Qwen3赞不绝口：如果不是亲眼看到屏幕上实时生成的tokens，我根本不会相信那些基准测试结果。？？？？ 简直像魔法一样？？？？ 而开源AI的支持者则更加兴奋。有网友说：“有了一个开源32B大模型，性能跟Gemini 2.5 Pro不相上下。”“我们彻底杀回来了！” 网友感谢阿里积极推动开源：","news_type":1,"symbols_score_info":{"09988":1.1,"BABA":1.1}},"isVote":1,"tweetType":1,"viewCount":550,"commentLimit":10,"likeStatus":false,"favoriteStatus":false,"reportStatus":false,"symbols":[],"verified":2,"subType":0,"readableState":1,"langContent":"CN","currentLanguage":"CN","warmUpFlag":false,"orderFlag":false,"shareable":true,"causeOfNotShareable":"","featuresForAnalytics":[],"commentAndTweetFlag":false,"andRepostAutoSelectedFlag":false,"upFlag":false,"length":2,"optionInvolvedFlag":false,"xxTargetLangEnum":"ZH_CN"},"commentList":[],"isCommentEnd":true,"isTiger":false,"isWeiXinMini":false,"url":"/m/post/429718148858128"}