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

• Qwen/Qwen3-0.6B-Base quantized_by: bartowski tags:
• llamafile
• chat

Qwen 3 0.6B - llamafile

• モデル作成者: Qwen
• オリジナルモデル: Qwen/Qwen3-0.6B

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_Qwen3-0.6B-Q4_K_M.llamafile
chmod +x Qwen_Qwen3-0.6B-Q4_K_M.llamafile
./Qwen_Qwen3-0.6B-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。システムプロンプトを変更するには-p "新しいシステムプロンプト"フラグを渡します。モデルを中断するにはCTRL-Cを押します。終了するにはCTRL-Dを使用できます。

Web GUIを使用したい場合は、--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。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_Qwen3-0.6B-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。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_Qwen3-0.6B-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。最大コンテキストサイズを使用するには-c 0フラグを渡します。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を使用する場合は、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prebuilt 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形式です。Cosmopolitan Libcを使用して、LLMの重みを実行可能なllama.cppバイナリに変換し、ARM64とAMD64の両方で6つのOSの標準インストールで実行できます。

Qwen3-0.6B

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) モデルの包括的なスイートを提供します。広範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、創造的な文章作成、ロールプレイ、多ターン対話、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

Qwen3-0.6B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: 0.6B
• パラメータ数（非埋め込み）: 0.44B
• レイヤー数: 28
• アテンションヘッド数（GQA）: Qに16、KVに8
• コンテキスト長: 32,768

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むブログ、GitHub、ドキュメントを参照してください。

[!TIP] 重大な無限繰り返しに遭遇した場合は、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、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では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/Qwen3-0.6B"

# 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:
    # 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、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/Qwen3-0.6B --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-0.6B --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）を使用します。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化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/Qwen3-0.6B"):
        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内部に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、または他のツールを自分で統合できます。

from qwen_agent.agents import Assistant

# LLMを定義
llm_cfg = {
    'model': 'Qwen3-0.6B',

    # 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']
            },
            "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の最新の進展を紹介してください'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

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を使用します。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{}内に記述してください。」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: 「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}
}