library_name: transformers license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-32B-FP8/blob/main/LICENSE pipeline_tag: text-generation base_model:

• Qwen/Qwen3-32B

Qwen3-32B-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、密なモデルとエキスパート混合（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、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し、様々なシナリオで最適なパフォーマンスを確保します。
• 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、以前のQwQ（思考モード）とQwen2.5 instructモデル（非思考モード）を凌駕します。
• 優れた人間の嗜好への適合、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します。
• エージェント機能に精通、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においてオープンソースモデルの中でリーディングなパフォーマンスを達成します。
• 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持ちます。

モデル概要

このリポジトリにはQwen3-32B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：事前トレーニング＆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：ネイティブで32,768、YaRNを使用すると131,072トークン。

詳細については、ベンチマーク評価、ハードウェア要件、推論パフォーマンスを含め、ブログ、GitHub、および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お勧めします。

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-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"
)

# モデル入力を準備
prompt = "大規模言語モデルについて簡単に紹介してください。"
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ます。デフォルトはTrueです。
)
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() 

# 思考コンテンツを解析
try:
    # rindexで151668（</think>）を見つける
    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/Qwen3-32B-FP8 --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-32B-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

利便性とパフォーマンスのために、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。

Qwen3-32B-FP8モデルは、元のbfloat16モデルと同様に、transformers、sglang、vllmなどの複数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：
  • 現在、transformersの「細粒度fp8」メソッドには分散推論に関する問題があります。推論に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かもしれません。

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によって作成されたAPIでも利用可能です。 詳細については、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です
)

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）を使用してください。貪欲デコーディングを使用しないでください、パフォーマンスの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、その機能を以前のQwen2.5-Instructモデルと一致させます。このモードは、思考を無効にすることが効率を高めるために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を使用することをお勧めします。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を追加して、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-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、思考モードはデフォルトで有効）
    user_input_1 = "いちごにはいくつの'r'がありますか？"
    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、ブルーベリーにはいくつの'r'がありますか？ /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互換性のために、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かもしれません。 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>ブロックを含みません。

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': 'Qwen3-32B-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：応答コンテンツが`<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できます
            '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)

長文の処理

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お勧めします。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パフォーマンスを検証しました。

YaRNは現在、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。例えば、ローカル使用のためのtransformersとllama.cpp、デプロイのためのvllmとsglang。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つのアプローチがあります：

• 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、以下を使用できます：

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

  sglangの場合、以下を使用できます：

  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、以下を使用できます：

  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、短いテキストでのパフォーマンスに影響を与える可能性があります。 長いコンテキストの処理が必要な場合にのみrope_scaling設定を追加することをお勧めします。 また、必要に応じてfactorを変更することをお勧めします。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、一般的なプロンプト用に8,192トークンが含まれており、短いテキスト処理を含むほとんどのシナリオに十分です。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お勧めしません。モデルのパフォーマンス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、追加の設定は必要ありません。

ベストプラクティス

最適なパフォーマンスを達成するために、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を使用してください。貪欲デコーディングを使用しないでください、パフォーマンスの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を使用することをお勧めします。
   • 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、時々言語の混合やモデルのパフォーマンス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お勧めします。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提供され、全体的なパフォーマンスが向上します。

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お勧めします。

   • 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{}内に入れてください。」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}
}