Qwen3 4B GGUF

🚀 Qwen3-4B-GGUF

Qwen3-4B-GGUFは、Qwenシリーズの最新の大規模言語モデルで、多様な機能を備え、100以上の言語と方言をサポートし、高度な会話体験を提供します。

🚀 クイックスタート

llama.cpp

詳細な使用ガイドについては、llama.cppのドキュメントを参照してください。

llama.cppをクローンし、公式ガイドに従ってインストールすることをおすすめします。ここでは最新バージョンのllama.cppを使用しています。以下のデモでは、llama.cppリポジトリのディレクトリでコマンドを実行することを前提としています。

./llama-cli -hf Qwen/Qwen3-4B-GGUF:Q8_0 --jinja --color -ngl 99 -fa -sm row --temp 0.6 --top-k 20 --top-p 0.95 --min-p 0 --presence-penalty 1.5 -c 40960 -n 32768 --no-context-shift

ollama

詳細な使用ガイドについては、ollamaのドキュメントを参照してください。

次の1つのコマンドでQwen3を実行できます。

ollama run hf.co/Qwen/Qwen3-4B-GGUF:Q8_0

✨ 主な機能

Qwen3の特長

Qwen3はQwenシリーズの最新世代の大規模言語モデルで、高密度モデルと専門家混合（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を基に構築されたQwen3は、推論、命令追従、エージェント機能、および多言語サポートにおいて画期的な進歩を遂げており、以下の主要な特徴があります。

• 単一モデル内で「思考モード」（複雑な論理推論、数学、コード生成など）と「非思考モード」（効率的な汎用対話）をシームレスに切り替えることができる：様々なシナリオで最適なパフォーマンスを発揮します。
• 推論能力が大幅に向上：数学、コード生成、常識的な論理推論において、以前のQwQ（思考モード）およびQwen2.5命令モデル（非思考モード）を上回っています。
• 高度な人間嗜好のアライメント：創作的な文章作成、ロールプレイ、多ターン対話、および命令追従に優れ、より自然で魅力的で没入感のある会話体験を提供します。
• エージェント機能に特化：思考モードと非思考モードの両方で外部ツールとの精密な統合を可能にし、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トップクラスの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：多言語の命令追従と翻訳に強力な能力を持っています。

モデル概要

Qwen3-4B は以下の特徴を持っています。

ベンチマーク評価、ハードウェア要件、および推論パフォーマンスなどの詳細については、ブログ、GitHub、およびドキュメントを参照してください。

💻 使用例

思考モードと非思考モードの切り替え

ユーザーのプロンプトまたは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。モデルは多ターン会話で最新の命令に従います。

以下は多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. [...]

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すすめします。YaRN 方法を使用して最大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ています。

llama.cpp でYARNを有効にするには、次のコマンドを実行します。

./llama-cli ... -c 131072 --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

⚠️ 重要提示

すべての著名なオープンソースフレームワークは静的なYaRNを実装しており、これは入力長に関係なくスケーリング係数が一定であることを意味し、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のみ、rope_scaling 設定を追加することをおすすめします。 また、必要に応じて factor を変更することもおすすめします。たとえば、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に設定するとよいでしょう。

💡 使用建议

アリババモデルスタジオが提供するエンドポイントはデフォルトで動的なYaRNをサポートしており、追加の設定は必要ありません。

📚 ドキュメント

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、以下の設定をおすすめします。

1. サンプリングパラメータ
   • 思考モード (enable_thinking=True) の場合、Temperature=0.6、TopP=0.95、TopK=20、MinP=0、および PresencePenalty=1.5 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。これは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) の場合、Temperature=0.7、TopP=0.8、TopK=20、MinP=0、および PresencePenalty=1.5 を使用することをおすすめします。
   • 量子化モデルの場合、繰り返し出力を抑制するために presence_penalty を1.5に設定することをおすすめします。 presence_penalty パラメータは0から2の間で調整できます。値が高いと、時々言語の混合やモデルパフォーマンスのわずかな低下を引き起こす可能性があります。
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すすめします。数学やプログラミングコンテストなどの非常に複雑な問題のベンチマークには、最大出力長を38,912トークンに設定することをおすすめします。これにより、モデルに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：ベンチマーク時には、プロンプトを使用してモデルの出力を標準化することをおすすめします。
   • 数学問題：プロンプトに「Please reason step by step, and put your final answer within \boxed{}.」を含めてください。
   • 選択問題：応答を標準化するために、プロンプトに次のJSON構造を追加してください。「Please show your choice in the answer field with only the choice letter, e.g., "answer": "C"」
4. 履歴に思考内容を含めない：多ターン会話では、過去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。これは提供されているJinja2のチャットテンプレートで実装されています。ただし、Jinja2の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の場合は、開発者がこのベストプラクティスを守るようにする必要があります。

引用

このモデルが役に立った場合は、以下のように引用してください。

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

📄 ライセンス

このモデルは Apache-2.0 ライセンスの下で提供されています。