base_model: Qwen/Qwen3-4B language:

• en library_name: transformers license_link: https://huggingface.co/Qwen/Qwen3-4B/blob/main/LICENSE license: apache-2.0 tags:
• qwen3
• qwen
• unsloth
• transformers

Qwen3の全バージョン（GGUF、4ビット＆16ビット形式を含む）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！

• GoogleのColabノートブックを使って無料でQwen3（14B）を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。

思考モードと非思考モードの切り替え

llama.cpp、Ollama、Open WebUIなどを使用している場合、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、モデルの思考モードをターンごとに切り替えることができます。モデルはマルチターン会話の中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：

> Who are you /no_think

<think>

</think>

I am Qwen, a large-scale language model developed by Alibaba Cloud. [...]

> How many 'r's are in 'strawberries'? /think

<think>
Okay, let's see. The user is asking how many times the letter 'r' appears in the word "strawberries". [...]
</think>

The word strawberries contains 3 instances of the letter r. [...]

Qwen3-4B

Qwen3の特徴

Qwen3はQwenシリーズの最新世代の大規模言語モデルで、密なモデルと混合専門家（MoE）モデルの包括的なスイートを提供します。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、以下の主要な特徴を持っています：

• 単一モデル内で思考モード（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）のシームレスな切り替えを独自にサポートし、さまざまなシナリオで最適なパフォーマンスを保証します。
• 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、マルチターン対話、指示追従において優れ、より自然で魅力的な会話体験を提供します。
• エージェント能力に精通、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っています。

モデル概要

Qwen3-4Bには以下の特徴があります：

• タイプ: 因果言語モデル
• 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: 4.0B
• パラメータ数（非埋め込み）: 3.6B
• 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、YaRNで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、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/Qwen3-4B"

# 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。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() 

# 思考コンテンツを解析
try:
    # rindexで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、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/Qwen3-4B --enable-reasoning --reasoning-parser deepseek_r1
  

• SGLang:

  python -m sglang.launch_server --model-path Qwen/Qwen3-4B --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で作成された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、モデルが推論能力を使用して生成される応答の品質を向上させ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。貪欲なデコード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

以前のQwen2.5-Instructモデルと同様の機能に合わせるために、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を追加することで、モデルの思考モードをターンごとに切り替えることができます。モデルはマルチターン会話の中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/Qwen3-4B"):
        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}")

注 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を使用してい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。

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することができます。

import os
from qwen_agent.agents import Assistant

# LLMを定義
llm_cfg = {
    'model': 'Qwen3-4B',

    # 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']
            },
        }
    },
  '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': '今何時ですか？'}]
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の場合、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": {
          "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 '{"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":{"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を有効にすることはお勧めしません、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、追加の設定は不要です。

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、以下の設定をお勧めします：

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。貪欲なデコード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。

   • 数学の問題：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以下のJSON構造をプロンプトに追加します：「選択肢をanswerフィールドに選択文字のみで表示してください、例："answer": "C"。」

4. 履歴に思考コンテンツを含めない：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}
}