library_name: transformers license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-8B-FP8/blob/main/LICENSE pipeline_tag: text-generation base_model:

• Qwen/Qwen3-8B

Qwen3-8B-FP8

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、密なモデルとMixture of Experts（MoE）モデルの包括的なセットを提供します。大規模なトレーニングに基づいて構築された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、以下の主要な特徴を持っています:

• 思考モード（複雑な論理的推論、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）と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、指示追従に優れ、より自然で魅力的な会話体験を提供
• エージェント機能の専門性、思考モードと非思考モードの両方で外部ツールとの正確な統合が可能で、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の中でもトップクラスの性能を発揮
• 100以上の言語と方言をサポート、多言語指示追従と翻訳の強力な能力を備える

モデル概要

このリポジトリにはQwen3-8BのFP8バージョンが含まれており、以下の特徴があります:

• 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: 8.2B
• 非埋め込みパラメータ数: 6.95B
• レイヤー数: 36
• アテンションヘッド数（GQA）: Q用32、KV用8
• コンテキスト長: ネイティブで32,768トークン、YaRNを使用すると131,072トークンまで可能

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。

クイックスタート

Qwen3のコードは最新のHugging Face transformersに含まれており、transformersの最新バージョンを使用することを推奨します。

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/Qwen3-8B-FP8"

# 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を切り替え。デフォルトはTrue。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

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

# 思考コンテンツの解析
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("思考コンテンツ:", thinking_content)
print("コンテンツ:", content)

デプロイには、sglang>=0.4.6.post1またはvllm>=0.8.5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/Qwen3-8B-FP8 --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-8B-FP8 --enable-reasoning --reasoning-parser deepseek_r1
  

ローカル使用には、Ollama、LMStudio、MLX-LM、llama.cpp、KTransformersなどのアプリケーションもQwen3をサポートしています。

FP8に関する注意

利便性と性能のために、Qwen3のfp8量子化モデルチェックポイントを提供しており、名前は-FP8で終わります。量子化方法はブロックサイズ128の細粒度fp8量子化です。詳細はconfig.jsonのquantization_configフィールドで確認できます。

Qwen3-8B-FP8モデルは、元のbfloat16モデルと同様に、transformers、sglang、vllmなどの推論フレームワークで使用できます。 ただし、以下の既知の問題に注意してください:

• transformers:
  • transformersでの「細粒度fp8」メソッドには、分散推論時に現在問題があります。推論で複数のデバイスを使用する場合は、環境変数CUDA_LAUNCH_BLOCKING=1を設定する必要がある場合があります。

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。 詳細は、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QwQ-32Bと同様に思考能力が有効になっています。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、tokenizer.apply_chat_templateで明示的にenable_thinking=Trueを設定するか、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コンテンツを生成し、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）を使用します。貪欲デコーディングは使用しないでください。性能低下や無限の繰り返し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

モデルの思考動作を厳密に無効にするハードスイッチを提供し、その機能を従来のQwen2.5-Instructモデルに合わせます。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不可欠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、モデルは思考コンテンツを生成せず、<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を使用することを推奨します。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モードと非思考モードの切り替え

enable_thinking=Trueの場合、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、多ターン会話で最新の指示に従います。

以下は多ターン会話の例です:

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-8B-FP8"):
        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または/no_thinkタグなし、デフォルトで思考モードが有効）
    user_input_1 = "いちごには'r'がいくつありますか？"
    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'がいくつありますか？ /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の場合、ユーザーが/thinkまたは/no_thinkを使用するかどうかに関係なく、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ことがあります。 enable_thinking=Falseの場合、ソフトスイッチは無効です。ユーザーが入力した/thinkまたは/no_thinkタグに関係なく、モデルは思考コンテンツを生成せず、<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のエージェント機能を最大限に活用することを推奨します。Qwen-Agentは内部的に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。

利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': 'Qwen3-8B-FP8',

    # 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</think>これは回答`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)

長文処理

Qwen3はネイティブで最大32,768トークンのコンテキスト長をサポートしています。入力と出力の合計長がこの制限を大幅に超える会話では、RoPEスケーリング技術を使用して長文を効果的に処理することを推奨します。YaRNメソッドを使用して、最大131,072トークンのコンテキスト長でモデルの性能を検証しました。

YaRNは現在、transformersやllama.cpp（ローカル使用）、vllmやsglang（デプロイ）など、いくつかの推論フレームワークでサポートされています。一般的に、サポートされているフレームワークでYaRNを有効にするには2つの方法があります:

• モデルファイルを変更: config.jsonファイルにrope_scalingフィールドを追加:

  {
      ...,
      "rope_scaling": {
          "rope_type": "yarn",
          "factor": 4.0,
          "original_max_position_embeddings": 32768
      }
  }
  

  llama.cppの場合、変更後にGGUFファイルを再生成する必要があります。

• コマンドライン引数を渡す:

  vllmの場合、以下を使用:

  vllm serve ... --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' --max-model-len 131072  
  

  sglangの場合、以下を使用:

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'
  

  llama.cppのllama-serverの場合、以下を使用:

  llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768
  

[!IMPORTANT] 以下の警告が表示された場合:

'rope_type'='yarn'の`rope_scaling`で認識されないキー: {'original_max_position_embeddings'}

transformers>=4.51.0にアップグレードしてください。

[!NOTE] すべての注目すべきオープンソースフレームワークは静的YaRNを実装しており、入力長に関係なくスケーリング係数が一定であるため、短いテキストでの性能に影響を与える可能性があります。 長いコンテキストを処理する必要がある場合にのみrope_scaling設定を追加することを推奨します。 また、必要に応じてfactorを変更することを推奨します。例えば、アプリケーションの典型的なコンテキスト長が65,536トークンの場合、factorを2.0に設定する方が良いでしょう。

[!NOTE] config.jsonのデフォルトのmax_position_embeddingsは40,960に設定されています。この割り当てには、出力用に32,768トークン、典型的なプロンプト用に8,192トークンが予約されており、短いテキスト処理を含むほとんどのシナリオで十分です。平均コンテキスト長が32,768トークンを超えない場合、このシナリオでYaRNを有効にすることを推奨しません。モデルの性能が低下する可能性があります。

[!TIP] Alibaba Model Studioが提供するエンドポイントはデフォルトで動的YaRNをサポートしており、追加の設定は不要です。

ベストプラクティス

最適な性能を達成するために、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を使用します。貪欲デコーディングは使用しないでください。性能低下や無限の繰り返し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を使用することを推奨します。
   • 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の繰り返しを減らすことができます。ただし、高い値を使用すると、言語の混合やモデル性能のわずかな低下が発生する場合があります。

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推奨します。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. 出力形式の標準化: 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{}内に記述してください。」を含めます。
   • 多肢選択問題: 応答を標準化するために、プロンプトに以下のJSON構造を追加します: 「選択肢を"answer": "C"のようにanswerフィールドに選択文字のみで表示してください。」

4. 履歴に思考コンテンツを含めない: 多ターン会話では、履歴のモデル出力には最終的な出力部分のみを含め、思考コンテンツ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、開発者がベストプラクティスに従うことを確認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}
}