license: apache-2.0 pipeline_tag: text-generation license_link: LICENSE base_model:

• Qwen/Qwen3-30B-A3B-Base quantized_by: bartowski tags:
• llamafile
• chat

Qwen3-30B-A3B - llamafile

• モデル作成者: Qwen
• オリジナルモデル: Qwen/Qwen3-30B-A3B

MozillaはQwen 3モデルをllamafileと呼ぶ実行可能な重みファイルにパッケージ化しました。これにより、Linux、MacOS、Windows、FreeBSD、OpenBSD、NetBSDシステム上でAMD64とARM64の両方でモデルを最も簡単かつ迅速に使用できます。

ソフトウェア最終更新日: 2025-05-14

Llamafileバージョン: 0.9.3

クイックスタート

開始するには、Qwen 3の重みとllamafileソフトウェアの両方が必要です。これらは単一のファイルに含まれており、以下のようにダウンロードして実行できます:

wget https://huggingface.co/Mozilla/Qwen3-0.6B-llamafile/resolve/main/Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile
chmod +x Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile
./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile

これらのllamafileのデフォルト動作モードは、新しいコマンドラインチャットボットインターフェースです。

使用方法

複数行の質問をするには三重引用符を使用できます。/statsや/contextなどのコマンドを渡してランタイムステータス情報を確認できます。-p "新しいシステムプロンプト"フラグを渡してシステムプロンプトを変更できます。CTRL-Cを押してモデルを中断できます。最後にCTRL-Dで終了できます。

Web GUIを好む場合は、--serverモードが提供されており、ブラウザでチャットボットと補完インターフェースが開きます。使用方法に関する追加のヘルプが必要な場合は、--helpフラグを渡してください。サーバーにはPythonでopenai pipパッケージを使用してアクセスできるOpenAI API互換の補完エンドポイントもあります。

./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile --server

シェルスクリプトに便利な高度なCLIモードが提供されています。--cliフラグを渡して使用できます。使用方法に関する追加のヘルプが必要な場合は、--helpフラグを渡してください。

./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile --cli -p 'four score and seven' --log-disable

トラブルシューティング

問題が発生しましたか？ READMEの"Gotchas"セクションを参照してください。

Linuxでは、run-detectorエラーを回避する方法はAPEインタプリタをインストールすることです。

sudo wget -O /usr/bin/ape https://cosmo.zip/pub/cosmos/bin/ape-$(uname -m).elf
sudo chmod +x /usr/bin/ape
sudo sh -c "echo ':APE:M::MZqFpD::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"
sudo sh -c "echo ':APE-jart:M::jartsr::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"

Windowsでは実行ファイルサイズに4GBの制限があります。

コンテキストウィンドウ

このモデルの最大コンテキストウィンドウサイズは128kトークンです。デフォルトでは8192トークンのコンテキストウィンドウサイズが使用されます。-c 0フラグを渡すことで最大コンテキストサイズを使用するようにllamafileに指示できます。これは小さな本に十分な大きさです。本と会話したい場合は、-f book.txtフラグを使用できます。

GPUアクセラレーション

十分なRAMを搭載したGPUでは、-ngl 999フラグを渡してシステムのNVIDIAまたはAMD GPUを使用できます。Windowsでは、NVIDIA GPUをお持ちの場合はグラフィックスカードドライバのみをインストールする必要があります。WindowsでAMD GPUをお持ちの場合は、ROCm SDK v6.1をインストールし、最初にllamafileを実行するときに--recompile --gpu amdフラグを渡す必要があります。

NVIDIA GPUでは、デフォルトでプリビルドされたtinyBLASライブラリが行列乗算に使用されます。これはオープンソースソフトウェアですが、クローズドソースのcuBLASほど高速ではありません。システムにCUDA SDKがインストールされている場合は、--recompileフラグを渡して、cuBLASを使用するGGML CUDAライブラリをシステム専用にビルドできます。これにより最大のパフォーマンスが得られます。

詳細については、llamafile READMEを参照してください。

llamafileについて

llamafileは、Mozillaが2023年11月20日に導入した新しいフォーマットです。Cosmopolitan Libcを使用して、LLMの重みをARM64とAMD64の両方で6つのOSの標準インストール上で実行可能なllama.cppバイナリに変換します。

Qwen3-30B-A3B

Qwen3のハイライト

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Mixture-of-Experts（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、さまざま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備えています。

モデル概要

Qwen3-30B-A3B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＆事後トレーニング
• パラメータ数: 合計30.5B、活性化3.3B
• パラメータ数（非埋め込み）: 29.9B
• レイヤー数: 48
• アテンションヘッド数（GQA）: Q用32、KV用4
• エキスパート数: 128
• 活性化エキスパート数: 8
• コンテキスト長: ネイティブ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、当社のブログ、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-MoE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_moe'

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/Qwen3-30B-A3B"

# 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() 

# 思考内容を解析
try:
    # 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("思考内容:", thinking_content)
print("内容:", content)

デプロイメントには、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/Qwen3-30B-A3B --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-30B-A3B --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。 詳細については、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、enable_thinking=Trueを明示的に設定するか、tokenizer.apply_chat_templateで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、以前のQwen2.5-Instructモデルと同様の機能に合わせます。このモードは、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/Qwen3-30B-A3B"):
        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}")

[!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、このブロック内の内容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': 'Qwen3-30B-A3B',

    # 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: 応答内容が`<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、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（デプロイメント）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 '{"rope_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":{"rope_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、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、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、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場合があります。

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など、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: 「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}
}