Qwen3 32B GPTQ Int8

🚀 Qwen3-8B

Qwen3-8BはQwen3シリーズの大規模言語モデルで、因果言語モデルの特性を備えています。推論、多言語サポート、エージェント能力などの面で優れた性能を発揮し、ユーザーに自然でスムーズ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 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します。

KeyError: 'qwen3'

以下は、与えられた入力に基づいてこのモデルを使用して内容を生成するコード例です。

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する
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# モデル入力を準備する
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。デフォルト値は True です。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# テキスト補完を行う
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 思考内容を解析する
try:
    # rindex で 151668 (</think>) を検索する
    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>=0.8.5 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/Qwen3-8B --reasoning-parser qwen3
  

• vLLM：

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

ローカルで使用する場合、Ollama、LMStudio、MLX-LM、llama.cpp、KTransformers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はQwenシリーズの最新世代の大規模言語モデルで、一連の密集型および専門家混合（MoE）モデルを提供します。大量の訓練に基づいて、Qwen3は推論、命令遵守、エージェント能力、多言語サポートなどの面で画期的な進歩を遂げ、以下の主要な特性を備えています。

• 単一のモデル内で思考モード（複雑な論理推論、数学、コード生成に使用）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ことができます。これにより、さまざまなシチュエーションで最高の性能を発揮します。
• 推論能力が大幅に強化されています。数学、コード生成、一般常識の論理推論などの分野で、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。
• 人間の嗜好に高度に適合しています。創作的な文章作成、ロールプレイング、多輪対話、命令遵守などの面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。
• 優れたエージェント能力を備えています。思考モードと非思考モードの両方で外部ツールと正確に統合でき、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種類以上の言語と方言をサポートしています。強力な多言語命令遵守および翻訳能力を備えています。

📚 ドキュメント

モデルの概要

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、推論性能などの詳細情報については、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

⚠️ 重要な注意事項

SGLangとvLLMで作成されたAPIにも enable_thinking スイッチが用意されています。SGLang と vLLM のユーザー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に似ています。これは、モデルが推論能力を活用して生成される応答の品質を向上させることを意味します。たとえば、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。

⚠️ 重要な注意事項

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。貪欲な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完全に無効にするハードスイッチを提供しています。これにより、モデルは以前のQwen2.5 - Instructモデルと同じ機能を持つようになります。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チュエーションで特に有用です。

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> ブロックも含まれません。

⚠️ 重要な注意事項

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すすめします。詳細なガイドについては、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ています。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 または /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。

以下は多輪対話の例です。

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)

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

        return response

# 例の使用法
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回目の入力に /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回目の入力に /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}")

⚠️ 重要な注意事項

API互換性を保つために、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 <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 /think または /no_think タグを入力しても、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。

エージェントの使用

Qwen3はツール呼び出し能力に優れています。Qwen3のエージェント能力を最大限に引き出すには、Qwen - Agent の使用をおすすめします。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解析器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。

使用可能なツールを定義するには、MCP構成ファイルを使用するか、Qwen - Agentの統合ツールを使用するか、または独自に他のツールを統合することができます。

from qwen_agent.agents import Assistant

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

    # 阿里云魔搭プラットフォーム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と互換性のある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 で分割されている場合。
    #         'thought_in_content': True,
    #     },
}

# ツールを定義する
tools = [
    {'mcpServers': {  # MCP構成ファイルを指定することができます
            '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する
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)

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。総長（入力と出力を含む）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。私たちは 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。たとえば、ローカル使用の場合は transformers と llama.cpp、デプロイの場合は 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する： config.json ファイルに rope_scaling フィールドを追加します。

  {
      ...,
      "rope_scaling": {
          "rope_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 '{"rope_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":{"rope_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
  

⚠️ 重要な注意事項

以下の警告が表示された場合は、transformers を >=4.51.0 にアップグレードしてください。

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

⚠️ 重要な注意事項

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を実装しています。これは、スケーリング係数が入力長に関係なく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 構成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に設定するのが最適です。

⚠️ 重要な注意事項

config.json のデフォルトの max_position_embeddings 設定は40,960です。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トークンが含まれており、ほとんどの短いテキスト処理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は、この場合に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

阿里云魔搭プラットフォーム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には、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）の場合は、Temperature=0.6、TopP=0.95、TopK=20、MinP=0 を使用してください。貪欲な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）の場合は、Temperature=0.7、TopP=0.8、TopK=20、MinP=0 を使用することをおすすめします。
   • 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、時々言語の混合やモデル性能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：ほとんどのクエリでは、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 "Please reason step by step, and put your final answer within \boxed{}." を含めます。
   • 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。"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。これはJinja2が提供す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の場合は、開発者が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

もし私たちの仕事が役に立ったと思われる場合は、以下を引用してください。

@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。