library_name: transformers license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-1.7B/blob/main/LICENSE pipeline_tag: text-generation base_model: Qwen/Qwen3-1.7B

Qwen3-1.7B-GPTQ-Int8

Qwen3の特徴

Qwen3はQwenシリーズの最新世代大規模言語モデルで、密結合型と専門家混合型(MoE)のモデルを提供しています。大規模なトレーニングに基づき、Qwen3は推論能力、指示追従、エージェント機能、多言語サポートにおいて画期的な進歩を実現しています。主な特徴は以下の通りです:

• 思考モード(複雑な論理推論、数学、コーディング用)と非思考モード(効率的な汎用対話用)の単一モデル内でのシームレスな切り替えを独自にサポートし、様々なシナリオで最適なパフォーマンスを保証
• 推論能力の大幅な強化 - 数学、コード生成、常識的論理推論において、従来のQwQ(思考モード時)やQwen2.5 instructモデル(非思考モード時)を凌駕
• 優れた人間の嗜好への適合性 - 創造的な文章作成、ロールプレイ、多ターン対話、指示追従において卓越し、より自然で魅力的な会話体験を提供
• エージェント機能に特化 - 思考/非思考モード両方で外部ツールとの正確な連携が可能で、複雑なエージェントベースのタスクにおいてオープンソースモデル中で最高の性能を発揮
• 100以上の言語と方言をサポートし、多言語指示追従と翻訳において強力な能力を有する

モデル概要

Qwen3-1.7Bの特徴:

• タイプ: 因果的言語モデル

• トレーニング段階: 事前学習 & 事後学習

• パラメータ数: 17億

• 非埋め込みパラメータ数: 14億

• レイヤー数: 28

• アテンションヘッド数(GQA): Q用16、KV用8

• コンテキスト長: 32,768

• 量子化: GPTQ 8ビット

詳細なベンチマーク評価、ハードウェア要件、推論性能については、ブログ、GitHub、ドキュメントを参照してください。

[!TIP] 無限ループのような繰り返しが発生した場合、ベストプラクティスセクションを参照し、最適なサンプリングパラメータを設定し、presence_penaltyを1.5に設定してください。

クイックスタート

Qwen3のコードは最新版のHugging Face transformersに含まれており、最新バージョンの使用を推奨します。

transformers<4.51.0を使用すると以下のエラーが発生します:

KeyError: 'qwen3'

以下は、与えられた入力に基づいてモデルがコンテンツを生成する方法を示すコードスニペットです。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-1.7B-GPTQ-Int8"

# トークナイザーとモデルをロード
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# モデル入力の準備
prompt = "大規模言語モデルについて簡単に説明してください。"
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True # 思考モードと非思考モードの切り替え。デフォルトはTrue。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# テキスト補完の実行
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 思考内容の解析
try:
    # 151668 (</think>)を検索
    index = len(output_ids) - output_ids[::-1].index(151668)
except ValueError:
    index = 0

thinking_content = tokenizer.decode(output_ids[:index], skip_special_tokens=True).strip("\n")
content = tokenizer.decode(output_ids[index:], skip_special_tokens=True).strip("\n")

print("思考内容:", thinking_content)
print("コンテンツ:", content)

デプロイにはsgland>=0.4.6.post1またはvllm==0.8.4を使用してOpenAI互換のAPIエンドポイントを作成できます:

• SGLang:

  python -m sglang.launch_server --model-path Qwen/Qwen3-1.7B-GPTQ-Int8 --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-1.7B-GPTQ-Int8 --enable-reasoning --reasoning-parser deepseek_r1
  

詳細な使用方法についてはGPTQドキュメントも参照してください。

思考モードと非思考モードの切り替え

[!TIP] enable_thinkingスイッチはSGLangとvLLMで作成されたAPIでも利用可能です。 SGLangとvLLMユーザー向けのドキュメントを参照してください。

enable_thinking=True

デフォルトでは、Qwen3は思考能力が有効になっており、QwQ-32Bと同様です。これはモデルが生成する応答の品質を向上させるために推論能力を使用することを意味します。例えば、enable_thinking=Trueを明示的に設定するか、tokenizer.apply_chat_templateでデフォルト値のままにすると、モデルは思考モードになります。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # enable_thinkingのデフォルト値はTrue
)

このモードでは、モデルは<think>...</think>ブロックで囲まれた思考内容を生成し、その後に最終的な応答が続きます。

[!NOTE] 思考モードでは、Temperature=0.6、TopP=0.95、TopK=20、MinP=0(generation_config.jsonのデフォルト設定)を使用してください。貪欲デコーディングは使用しないでください。性能低下や無限ループを引き起こす可能性があります。詳細なガイダンスについてはベストプラクティスセクションを参照してください。

enable_thinking=False

思考動作を厳密に無効にするハードスイッチを提供しており、以前のQwen2.5-Instructモデルと同様の機能に合わせることができます。このモードは、効率を向上させるために思考を無効にすることが重要なシナリオで特に有用です。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False  # enable_thinking=Falseを設定すると思考モードが無効になります
)

このモードでは、モデルは思考内容を生成せず、<think>...</think>ブロックも含まれません。

[!NOTE] 非思考モードでは、Temperature=0.7、TopP=0.8、TopK=20、MinP=0の使用を推奨します。詳細なガイダンスについてはベストプラクティスセクションを参照してください。

高度な使用法: ユーザー入力による思考/非思考モードの切り替え

enable_thinking=True時に、ユーザーがモデルの動作を動的に制御できるソフトスイッチメカニズムを提供しています。具体的には、ユーザープロンプトやシステムメッセージに/thinkと/no_thinkを追加することで、ターンごとにモデルの思考モードを切り替えることができます。モデルはマルチターン会話で最新の指示に従います。

以下はマルチターン会話の例です:

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-1.7B-GPTQ-Int8"):
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModelForCausalLM.from_pretrained(model_name)
        self.history = []

    def generate_response(self, user_input):
        messages = self.history + [{"role": "user", "content": user_input}]

        text = self.tokenizer.apply_chat_template(
            messages,
            tokenize=False,
            add_generation_prompt=True
        )

        inputs = self.tokenizer(text, return_tensors="pt")
        response_ids = self.model.generate(**inputs, max_new_tokens=32768)[0][len(inputs.input_ids[0]):].tolist()
        response = self.tokenizer.decode(response_ids, skip_special_tokens=True)

        # 履歴を更新
        self.history.append({"role": "user", "content": user_input})
        self.history.append({"role": "assistant", "content": response})

        return response

# 使用例
if __name__ == "__main__":
    chatbot = QwenChatbot()

    # 最初の入力(/thinkや/no_thinkタグなし、デフォルトで思考モード有効)
    user_input_1 = "いちごには'r'がいくつ含まれていますか?"
    print(f"ユーザー: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"ボット: {response_1}")
    print("----------------------")

    # /no_think付きの2番目の入力
    user_input_2 = "では、ブルーベリーには'r'がいくつ含まれていますか? /no_think"
    print(f"ユーザー: {user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"ボット: {response_2}") 
    print("----------------------")

    # /think付きの3番目の入力
    user_input_3 = "本当ですか? /think"
    print(f"ユーザー: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"ボット: {response_3}")

[!NOTE] API互換性のため、enable_thinking=True時、ユーザーが/thinkまたは/no_thinkを使用しているかどうかに関わらず、モデルは常に<think>...</think>で囲まれたブロックを出力します。ただし、思考が無効になっている場合、このブロック内のコンテンツは空になる可能性があります。 enable_thinking=False時、ソフトスイッチは無効です。ユーザーが入力した/thinkや/no_thinkタグに関わらず、モデルは思考内容を生成せず、<think>...</think>ブロックも含まれません。

エージェント的使用

Qwen3はツール呼び出し機能に優れています。Qwen-Agentを使用してQwen3のエージェント能力を最大限に活用することをお勧めします。Qwen-Agentは内部でツール呼び出しテンプレートとツール呼び出しパーサーをカプセル化しており、コーディングの複雑さを大幅に軽減します。

使用可能なツールを定義するには、MCP設定ファイルを使用するか、Qwen-Agentの統合ツールを使用するか、自分で他のツールを統合できます。

from qwen_agent.agents import Assistant

# LLMを定義
llm_cfg = {
    'model': 'Qwen/Qwen3-1.7B-GPTQ-Int8',

    # Alibaba Model Studioが提供するエンドポイントを使用:
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # OpenAI API互換のカスタムエンドポイントを使用:
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # その他のパラメータ:
    # 'generate_cfg': {
    #         # 追加: 応答内容が`<think>これは思考です</think>これは答えです`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可能
            '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の最新動向を紹介してください'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

性能

ベストプラクティス

最適なパフォーマンスを実現するために、以下の設定を推奨します:

1. サンプリングパラメータ:

   • 思考モード(enable_thinking=True)では、Temperature=0.6、TopP=0.95、TopK=20、MinP=0を使用してください。貪欲デコーディングは使用しないでください。性能低下や無限ループを引き起こす可能性があります。
   • 非思考モード(enable_thinking=False)では、Temperature=0.7、TopP=0.8、TopK=20、MinP=0の使用を推奨します。
   • サポートされているフレームワークでは、presence_penaltyパラメータを0から2の間で調整して無限ループを減らせます。**量子化モデルではこの値を1.5に設定することを強く推奨します。**ただし、高い値を使用すると、時々言語の混合やモデル性能のわずかな低下が発生する可能性があります。

2. 十分な出力長: ほとんどのクエリに対して32,768トークンの出力長を使用することを推奨します。数学やプログラミングコンテストのような非常に複雑な問題のベンチマークでは、最大出力長を38,912トークンに設定することをお勧めします。これにより、モデルが詳細で包括的な応答を生成するための十分なスペースが確保され、全体的な性能が向上します。

3. 出力フォーマットの標準化: ベンチマーク時にモデルの出力を標準化するためにプロンプトを使用することを推奨します。

   • 数学問題: プロンプトに「段階的に推論し、最終的な答えを\boxed{}の中に入れてください。」を含めてください。
   • 多肢選択問題: 応答を標準化するために以下のJSON構造をプロンプトに追加してください:「"answer": "C"のように、answerフィールドに選択肢の文字のみを表示してください。」

4. 履歴に思考内容を含めない: マルチターン会話では、履歴のモデル出力には最終出力部分のみを含め、思考内容を含める必要はありません。これはJinja2の提供されたチャットテンプレートで実装されています。ただし、Jinja2チャットテンプレートを直接使用しないフレームワークでは、開発者がこのベストプラクティスに従うようにする必要があります。

引用

私たちの仕事が役に立った場合は、ぜひ引用してください。

@misc{qwen3,
    title  = {Qwen3},
    url    = {https://qwenlm.github.io/blog/qwen3/},
    author = {Qwen Team},
    month  = {April},
    year   = {2025}
}