library_name: transformers license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-4B/blob/main/LICENSE pipeline_tag: text-generation base_model:

• Qwen/Qwen3-4B-Base

Qwen3-4B

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備えています：

• 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、従来の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。
• エージェント能力の専門性、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備えています。

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：4.0B
• 非埋め込みパラメータ数：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使用時は131,072トークン

詳細なベンチマーク評価、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。

[!TIP] 無限ループのような重大な問題が発生した場合は、ベストプラクティスセクションを参照して最適なサンプリングパラメータを設定し、presence_penaltyを1.5に設定してください。

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、最新バージョンのtransformers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/Qwen3-4B"

# 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:
    # 151668 (</think>)を逆方向から検索
    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/Qwen3-4B --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-4B --enable-reasoning --reasoning-parser deepseek_r1
  

ローカル使用には、Ollama、LMStudio、MLX-LM、llama.cpp、KTransformersなどもQwen3をサポートしています。

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は使用しないでください、パフォーマンスの低下や無限ループ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/Qwen3-4B"):
        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 = "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}")

[!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可能性があります。 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推奨します。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できます。

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、131,072トークンのコンテキスト長でのモデルの性能を検証しました。

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、ローカル使用にはtransformersとllama.cpp、デプロイにはvllmとsglangがあります。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：

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

  sglangの場合：

  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：

  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、スケーリングファクターは入力長に関係なく一定のままです。これにより、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、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は使用しないでください、パフォーマンスの低下や無限ループ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ループ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。」を含めてください。
   • 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構造を追加してください：「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：多ターン会話では、履歴のモデル出力には最終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}
}