Qwen3 8B

🚀 Qwen3-8B

Qwen3-8Bは、Qwenシリーズの最新の大規模言語モデルです。多くの先進的な機能を備え、多言語に対応しており、推論や命令追従などの分野で優れた性能を発揮し、ユーザーにより高度で自然な対話体験を提供します。

🚀 クイックスタート

Qwen3のコードは、最新のHugging Faceのtransformersライブラリに統合されています。最新バージョンのtransformersの使用をおすすめします。

transformers<4.51.0を使用すると、以下のエラーが発生する可能性があります。

KeyError: 'qwen3'

以下は、与えられた入力に基づいてモデルを使用して内容を生成する方法を示すコード例です。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B"

# 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 = "Give me a short introduction to large language model."
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)

# テキスト生成を行う
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:
    # 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("thinking content:", thinking_content)
print("content:", content)

デプロイには、sglang>=0.4.6.post1またはvllm>=0.8.4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/Qwen3-8B --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-8B --enable-reasoning --reasoning-parser deepseek_r1
  

ローカルでの使用には、llama.cpp、Ollama、LMStudio、MLX - LMなどのアプリケーションもQwen3をサポートしています。

✨ 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、包括的な密集モデルとエキスパート混合（MoE）モデルを提供します。広範なトレーニングに基づき、Qwen3は推論、命令追従、エージェント機能、多言語サポートの分野で画期的な進歩を遂げ、以下の主要な特性を持っています。

• 単一モデル内で「思考モード」（複雑な論理推論、数学、コーディングに使用）と「非思考モード」（効率的な一般対話に使用）をシームレスに切り替える独自のサポート：あらゆるシナリオで最高の性能を実現します。
• 推論能力が大幅に強化：数学、コード生成、一般常識の論理推論において、以前のQwQ（思考モードで）とQwen2.5命令モデル（非思考モードで）を上回っています。
• 卓越した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、多輪対話、命令追従で優れた性能を発揮し、より自然で魅力的で没入感のある対話体験を提供します。
• 強力なエージェント機能：思考モードと非思考モードの両方で外部ツールを正確に統合し、複雑なエージェントベースのタスクでオープンソースモデルの中でトップレベルの性能を達成します。
• 100以上の言語と方言をサポート：強力な多言語命令追従と翻訳能力を備えています。

📦 インストール

ドキュメントに具体的なインストール手順は記載されていません。上記のクイックスタートでのtransformersライブラリの使用とデプロイ関連ツールに関する内容を参照してください。

💻 使用例

基本的な使用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B"

# 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 = "Give me a short introduction to large language model."
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)

# テキスト生成を行う
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:
    # 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("thinking content:", thinking_content)
print("content:", content)

高度な使用法

思考モードと非思考モードの切り替え

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-8B"):
        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)

        # 対話履歴を更新
        self.history.append({"role": "user", "content": user_input})
        self.history.append({"role": "assistant", "content": response})

        return response

# サンプル使用法
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 = "How many r's in strawberries?"
    print(f"User: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"Bot: {response_1}")
    print("----------------------")

    # 2回目の入力、/no_thinkを含む
    user_input_2 = "Then, how many r's in blueberries? /no_think"
    print(f"User: {user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"Bot: {response_2}") 
    print("----------------------")

    # 3回目の入力、/thinkを含む
    user_input_3 = "Really? /think"
    print(f"User: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"Bot: {response_3}")

エージェントの使用

from qwen_agent.agents import Assistant

# 大規模言語モデルを定義
llm_cfg = {
    'model': 'Qwen3-8B',

    # 阿里云魔搭が提供するエンドポイントを使用する場合：
    # '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する場合：
    '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>this is the thought</think>this is the answer; の場合
    #         # 追加しない：応答がreasoning_contentとcontentに分割されている場合。
    #         'thought_in_content': True,
    #     },
}

# ツールを定義
tools = [
    {'mcpServers': {  # MCP構成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/ Introduce the latest developments of Qwen'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

📚 ドキュメント

モデル概要

Qwen3-8B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、推論性能を含む詳細情報は、ブログ、GitHub、ドキュメントを参照してください。

思考モードと非思考モードの切り替え

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に似ています。つまり、モデルは推論能力を使用して生成される応答の品質を向上させます。例えば、tokenizer.apply_chat_templateでenable_thinking=Trueを明示的に設定するか、デフォルト値のままにすると、モデルは思考モードに入ります。

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。

⚠️ 重要な注意

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。貪欲デコードは使用しないでください。これは性能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。詳細なガイドは、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

これは、モデルの思考動作を完全に無効にするハードスイッチを提供し、以前のQwen2.5 - Instructモデルと同じ機能を実現します。このモードは、思考を無効にして効率を向上させる必要がある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を無効にできます
)

このモードでは、モデルは思考内容を生成せず、<think>...</think>ブロックも含まれません。

⚠️ 重要な注意

非思考モードでは、Temperature = 0.7、TopP = 0.8、TopK = 20、MinP = 0の使用をおすすめします。詳細なガイドは、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

これは、enable_thinking=Trueのときに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1ターンごとに切り替えることができます。多輪対話では、モデルは最新の命令に従います。

長文処理

Qwen3はネイティブで32768トークンまでのコンテキスト長をサポートしています。入力と出力を合わせた総長がこの制限を大幅に超える対話の場合、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、モデルが最大131072トークンのコンテキスト長での性能を検証しています。

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おり、例えばローカルで使用するtransformersとllama.cpp、デプロイに使用するvllmとsglangです。一般的に、サポートされているフレームワークでは、YaRNを有効にする方法は2つあります。

• モデルファイルを変更： config.jsonファイルにrope_scalingフィールドを追加します。

  {
      ...,
      "rope_scaling": {
          "type": "yarn",
          "factor": 4.0,
          "original_max_position_embeddings": 32768
      }
  }
  

  llama.cppの場合は、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の場合は、以下のように使用できます。

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

  sglangの場合は、以下のように使用できます。

  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の場合は、以下のように使用できます。

  llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768
  

⚠️ 重要な注意

以下の警告が表示された場合は、

Unrecognized keys in `rope_scaling` for 'rope_type'='yarn': {'original_max_position_embeddings'}

transformers>=4.51.0にアップグレードしてください。

💡 使用上の提案

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、短いテキストの性能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。例えば、アプリケーションの典型的なコンテキスト長が65536トークンの場合、factorを2.0に設定するのが最適です。

💡 使用上の提案

config.jsonのデフォルトのmax_position_embeddings設定は40960です。この割り当てには、出力用に32768トークンと典型的なプロンプト用に8192トークンが含まれており、短いテキスト処理を伴うほとんどのシナリオには十分です。平均的なコンテキスト長が32768トークンを超えない場合、このようなシナリオでYaRNを有効にすることはおすすめしません。これはモデルの性能を低下させる可能性があります。

💡 使用上の提案

阿里云魔搭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。

ベストプラクティス

最高の性能を実現するために、以下の設定を採用することをおすすめします。

1. サンプリングパラメータ：
   • 思考モード（enable_thinking=True）では、Temperature = 0.6、TopP = 0.95、TopK = 20、MinP = 0を使用してください。貪欲デコードは使用しないでください。これは性能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の使用をおすすめします。
   • 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、時折言語の混合やモデル性能のわずかな低下が生じる可能性があります。
2. 十分な出力長：ほとんどのクエリでは、32768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の問題など、非常に複雑な問題のベンチマークでは、最大出力長を38912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、全体的な性能が向上します。
3. 出力形式の標準化：ベンチマークを行う際には、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すすめします。
   • 数学問題：プロンプトに「請逐步推理，并将最终答案放在 \boxed{} 内。」を含めてください。
   • 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てください。「请在 answer 字段中仅使用选项字母显示您的选择，例如 "answer": "C"。」
4. 履歴に思考内容を含めない：多輪対話では、履歴のモデル出力には最終出力部分のみを含め、思考内容は含めないでください。提供されているJinja2チャットテンプレートではこれが実装されています。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の場合、開発者はこのベストプラクティスに従うようにする必要があります。

引用

私たちの作業が役に立ったと思われる場合は、自由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

このプロジェクトはApache - 2.0ライセンスの下で提供されています。