base_model: Qwen/Qwen3-32B language:

• en library_name: transformers license_link: https://huggingface.co/Qwen/Qwen3-32B/blob/main/LICENSE license: apache-2.0 tags:
• qwen3
• qwen
• unsloth
• transformers

Qwen3のGGUF、4ビット、16ビット形式を含む全てのバージョンは当社のコレクションをご覧ください。

Qwen3を正しく実行する方法 - ガイドを読む。

Unsloth Dynamic 2.0は優れた精度を達成し、他の主要な量子化手法を凌駕します。

✨ UnslothでQwen3を実行＆ファインチューニング！

• 当社のGoogle Colabノートブックを使用して、Qwen3 (14B)を無料でファインチューニング！
• Qwen3サポートに関するブログを読む: unsloth.ai/blog/qwen3
• その他のノートブックはドキュメントで確認。
• ファインチューニングしたモデルをOllama、llama.cppまたはHFにエクスポートして実行。

Qwen3-32B

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、密なモデルと混合専門家(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き、Qwen3は推論、指示追従、エージェント能力、多言語サポートにおいて画期的な進歩をもたらし、以下の主要な特徴があります:

• 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、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)とQwen2.5指示モデル(非思考モード)を凌駕。
• 優れた人間の嗜好への適合、創造的執筆、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。
• エージェント能力に特化、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を可能にし、複雑なエージェントベースのタスクでオープンソースモデル中のリーディング性能を達成。
• 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有する。

モデル概要

Qwen3-32Bの特徴:

• タイプ: 因果的言語モデル
• トレーニング段階: ポストトレーニング
• パラメータ数: 32.8B
• パラメータ数(非埋め込み): 31.2B
• レイヤー数: 64
• アテンションヘッド数(GQA): Q用64、KV用8
• コンテキスト長: ネイティブ32,768、YaRNで131,072トークンまで対応。

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'

以下のコードスニペットは、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しています。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-32B"

# 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"
)

# モデル入力を準備
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() 

# 思考内容を解析
try:
    # 151668 (</think>)を逆方向に検索
    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vllm>=0.8.5またはsglang>=0.4.5.post2を使用してOpenAI互換のAPIエンドポイントを作成できます:

• vLLM:

  vllm serve Qwen/Qwen3-32B --enable-reasoning --reasoning-parser deepseek_r1
  

• SGLang:

  python -m sglang.launch_server --model-path Qwen/Qwen3-32B --reasoning-parser deepseek-r1
  

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vLLMとSGLangで作成したAPIでも利用可能です。 詳細は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、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。貪欲デコード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、従来のQwen2.5-Instructモデルと同様の機能に合わせます。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、モデルは思考内容を生成せず、<think>...</think>ブロックを含みません。

[!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/Qwen3-32B"):
        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 = "strawberries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、blueberries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}")

注 API互換性のため、enable_thinking=True時、ユーザーが/thinkまたは/no_thinkを使用す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、このブロック内の内容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>ブロックを含みません。

エージェント的使用

Qwen3はツール呼び出し能力に優れています。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推奨します。Qwen-Agentは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内部に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、または他のツールを自分で統合できます。

from qwen_agent.agents import Assistant

# LLMを定義
llm_cfg = {
    'model': 'Qwen3-32B',

    # 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と互換性のある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32,768トークンのコンテキスト長をサポートします。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、131,072トークンのコンテキスト長でのモデル性能を検証済みです。

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": {
          "type": "yarn",
          "factor": 4.0,
          "original_max_position_embeddings": 32768
      }
  }
  

  llama.cppでは、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では以下を使用:

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

  sglangでは以下を使用:

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

  llama.cppのllama-serverでは以下を使用:

  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のままであるため、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。 長いコンテキスト処理が必要な場合にのみ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、モデル性能に悪影響を与える可能性があるため、このシナリオでYaRNを有効にすることを推奨しません。

[!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。貪欲デコード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。
   • 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せます。ただし、高い値を使用すると、言語の混在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. 適切な出力長: ほとんどのクエリに対して32,768トークンの出力長を推奨。数学やプログラミングコンテストのような高度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。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提供され、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。

   • 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。」を含める。
   • 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:「"answer"フィールドに選択肢の文字のみを表示してください、例: "answer": "C"。」

4. 履歴に思考内容を含めない: 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、思考内容を含める必要はありません。これはJinja2で提供される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}
}