Qwen3 4B GGUF

🚀 Qwen3-4B GGUF模型

Qwen3-4B GGUF模型基于特定技术生成，具备多种量化方法和不同的模型格式，能适应不同硬件和内存条件，在文本生成等任务中表现出色。

🚀 快速开始

Qwen3的代码已集成在最新的Hugging Face transformers 库中，建议使用最新版本的 transformers。若使用 transformers<4.51.0，会出现如下错误：

KeyError: 'qwen3'

以下是一段代码示例，展示了如何基于给定输入使用模型生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B"

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备模型输入
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 # 在思考和非思考模式之间切换。默认为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 进行文本补全
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 解析思考内容
try:
    # rindex查找151668 (</think>)
    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)

对于部署，可以使用 sglang>=0.4.6.post1 或 vllm>=0.8.5 创建与OpenAI兼容的API端点：

• 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
  

对于本地使用，像Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等应用也已支持Qwen3。

✨ 主要特性

Qwen3亮点

Qwen3是Qwen系列的最新一代大语言模型，提供了一系列密集型和专家混合（MoE）模型。经过大量训练，Qwen3在推理、指令遵循、智能体能力和多语言支持等方面取得了突破性进展，具有以下关键特性：

• 独特支持单模型内思考模式（用于复杂逻辑推理、数学和编码）和非思考模式（用于高效通用对话）的无缝切换，确保在各种场景下都能实现最佳性能。
• 推理能力显著增强，在数学、代码生成和常识逻辑推理方面超越了之前的QwQ（思考模式）和Qwen2.5指令模型（非思考模式）。
• 高度符合人类偏好，在创意写作、角色扮演、多轮对话和指令遵循方面表现出色，提供更自然、引人入胜和沉浸式的对话体验。
• 具备强大的智能体能力，能够在思考和非思考模式下精确集成外部工具，在复杂的基于智能体的任务中在开源模型中处于领先地位。
• 支持100多种语言和方言，具备强大的多语言指令遵循和翻译能力。

模型概述

Qwen3-4B 具有以下特点：

属性	详情
模型类型	因果语言模型
训练阶段	预训练和后训练
参数数量	40亿
非嵌入参数数量	36亿
层数	36
注意力头数量（GQA）	Q为32，KV为8
上下文长度	原生支持32,768，使用 YaRN 方法可支持131,072个标记

更多详细信息，包括基准评估、硬件要求和推理性能，请参考我们的 博客、GitHub 和 文档。

超低比特量化与IQ-DynamicGate（1 - 2比特）

最新的量化方法为超低比特模型（1 - 2比特）引入了精度自适应量化，经基准测试证明在 Llama-3-8B 上有显著改进。该方法采用特定层策略，在保持极高内存效率的同时保留准确性。

基准测试环境

所有测试均在 Llama-3-8B-Instruct 上进行，使用：

• 标准困惑度评估流程
• 2048标记的上下文窗口
• 所有量化方法使用相同的提示集

方法

• 动态精度分配：
  • 前/后25%的层 → IQ4_XS（选定层）
  • 中间50% → IQ2_XXS/IQ3_S（提高效率）
• 关键组件保护：
  • 嵌入层/输出层使用Q5_K
  • 与标准1 - 2比特量化相比，误差传播减少38%

量化性能比较（Llama-3-8B）

量化方式	标准困惑度	DynamicGate困惑度	困惑度变化	标准大小	DG大小	大小变化	标准速度	DG速度
IQ2_XXS	11.30	9.84	-12.9%	2.5G	2.6G	+0.1G	234s	246s
IQ2_XS	11.72	11.63	-0.8%	2.7G	2.8G	+0.1G	242s	246s
IQ2_S	14.31	9.02	-36.9%	2.7G	2.9G	+0.2G	238s	244s
IQ1_M	27.46	15.41	-43.9%	2.2G	2.5G	+0.3G	206s	212s
IQ1_S	53.07	32.00	-39.7%	2.1G	2.4G	+0.3G	184s	209s

关键说明：

• PPL = 困惑度（越低越好）
• ∆ PPL = 从标准量化到DynamicGate量化的百分比变化
• 速度 = 推理时间（CPU avx2，2048标记上下文）
• 大小差异反映了混合量化的开销

主要改进：

• IQ1_M 困惑度大幅降低43.9%（从27.46降至15.41）
• IQ2_S 困惑度降低36.9%，仅增加0.2GB大小
• IQ1_S 尽管是1比特量化，但准确性提高了39.7%

权衡：

• 所有变体的大小都有适度增加（0.1 - 0.3GB）
• 推理速度相近（差异小于5%）

使用场景

• 将模型装入GPU显存
• 内存受限的部署
• 可容忍1 - 2比特误差的CPU和边缘设备
• 超低比特量化研究

选择合适的模型格式

选择正确的模型格式取决于你的硬件能力和内存限制。

BF16（Brain Float 16） - 若支持BF16加速则使用

• 一种16位浮点格式，专为更快的计算而设计，同时保留良好的精度。
• 提供与FP32相似的动态范围，但内存使用更低。
• 若你的硬件支持BF16加速（检查设备规格），建议使用。
• 与FP32相比，适用于高性能推理且内存占用减少的场景。

使用建议：

• 若你的硬件具有原生BF16支持（如较新的GPU、TPU），使用BF16。
• 若你想在节省内存的同时获得更高的精度，使用BF16。
• 若你计划将模型重新量化为其他格式，使用BF16。

避免使用情况：

• 若你的硬件不支持BF16（可能会回退到FP32并运行较慢），避免使用。
• 若你需要与缺乏BF16优化的旧设备兼容，避免使用。

F16（Float 16） - 比BF16更广泛支持

• 一种16位浮点格式，精度较高，但取值范围小于BF16。
• 适用于大多数支持FP16加速的设备（包括许多GPU和一些CPU）。
• 数值精度略低于BF16，但通常足以进行推理。

使用建议：

• 若你的硬件支持FP16但不支持BF16，使用F16。
• 若你需要在速度、内存使用和准确性之间取得平衡，使用F16。
• 若你在GPU或其他针对FP16计算优化的设备上运行，使用F16。

避免使用情况：

• 若你的设备缺乏原生FP16支持（可能运行比预期慢），避免使用。
• 若你有内存限制，避免使用。

量化模型（Q4_K、Q6_K、Q8等） - 用于CPU和低显存推理

量化可在尽可能保持准确性的同时减小模型大小和内存使用。

• 低比特模型（Q4_K） - 最适合最小化内存使用，可能精度较低。
• 高比特模型（Q6_K、Q8_0） - 准确性更好，但需要更多内存。

使用建议：

• 若你在CPU上进行推理且需要优化的模型，使用量化模型。
• 若你的设备显存较低且无法加载全精度模型，使用量化模型。
• 若你想在保持合理准确性的同时减少内存占用，使用量化模型。

避免使用情况：

• 若你需要最高准确性（全精度模型更适合），避免使用。
• 若你的硬件有足够的显存支持更高精度的格式（BF16/F16），避免使用。

极低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极致内存效率进行了优化，非常适合低功耗设备或内存是关键限制因素的大规模部署。

• IQ3_XS：超低比特量化（3比特），具有极致的内存效率。
  • 使用场景：最适合超低内存设备，即使Q4_K也太大的情况。
  • 权衡：与高比特量化相比，准确性较低。
• IQ3_S：小块大小，实现最大内存效率。
  • 使用场景：最适合低内存设备，当IQ3_XS过于激进时使用。
• IQ3_M：中等块大小，比IQ3_S准确性更好。
  • 使用场景：适用于低内存设备，当IQ3_S限制过多时使用。
• Q4_K：4比特量化，具有逐块优化以提高准确性。
  • 使用场景：最适合低内存设备，当Q6_K太大时使用。
• Q4_0：纯4比特量化，针对ARM设备进行了优化。
  • 使用场景：最适合基于ARM的设备或低内存环境。

总结表格：模型格式选择

模型格式	精度	内存使用	设备要求	最佳使用场景
BF16	最高	高	支持BF16的GPU/CPU	减少内存的高速推理
F16	高	高	支持FP16的设备	当BF16不可用时的GPU推理
Q4_K	中低	低	CPU或低显存设备	内存受限环境的最佳选择
Q6_K	中等	适中	内存较多的CPU	量化模型中准确性较好的选择
Q8_0	高	适中	有足够显存的CPU或GPU	量化模型中准确性最高的选择
IQ3_XS	极低	极低	超低内存设备	极致内存效率和低准确性
Q4_0	低	低	ARM或低内存设备	llama.cpp可针对ARM设备进行优化

📦 安装指南

此部分原文档未提供具体安装命令，故跳过。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B"

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备模型输入
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 # 在思考和非思考模式之间切换。默认为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 进行文本补全
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 解析思考内容
try:
    # rindex查找151668 (</think>)
    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)

高级用法

思考和非思考模式切换

enable_thinking=True

默认情况下，Qwen3启用了思考能力，类似于QwQ - 32B。这意味着模型将使用其推理能力来提高生成响应的质量。例如，当在 tokenizer.apply_chat_template 中显式设置 enable_thinking=True 或将其保留为默认值时，模型将进入思考模式。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # enable_thinking的默认值为True
)

在这种模式下，模型将生成包裹在 <think>...</think> 块中的思考内容，然后是最终响应。

⚠️ 重要提示

对于思考模式，使用 Temperature=0.6、TopP=0.95、TopK=20 和 MinP=0（generation_config.json 中的默认设置）。请勿使用贪心解码，因为这可能导致性能下降和无限重复。更多详细指导，请参考 最佳实践 部分。

enable_thinking=False

提供了一个硬开关，可严格禁用模型的思考行为，使其功能与之前的Qwen2.5 - Instruct模型一致。这种模式在必须禁用思考以提高效率的场景中特别有用。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False  # 设置enable_thinking=False可禁用思考模式
)

在这种模式下，模型不会生成任何思考内容，也不会包含 <think>...</think> 块。

⚠️ 重要提示

对于非思考模式，建议使用 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。更多详细指导，请参考 最佳实践 部分。

高级用法：通过用户输入在思考和非思考模式之间切换

提供了一个软开关机制，允许用户在 enable_thinking=True 时动态控制模型的行为。具体来说，你可以在用户提示或系统消息中添加 /think 和 /no_think 来逐轮切换模型的思考模式。模型将遵循多轮对话中的最新指令。

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)

        # 更新历史记录
        self.history.append({"role": "user", "content": user_input})
        self.history.append({"role": "assistant", "content": response})

        return response

# 示例用法
if __name__ == "__main__":
    chatbot = QwenChatbot()

    # 第一次输入（无/think或/no_think标签，默认启用思考模式）
    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("----------------------")

    # 第二次输入带有/no_think
    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("----------------------")

    # 第三次输入带有/think
    user_input_3 = "Really? /think"
    print(f"User: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"Bot: {response_3}")

⚠️ 重要提示

为了API兼容性，当 enable_thinking=True 时，无论用户是否使用 /think 或 /no_think，模型都会始终输出一个包裹在 <think>...</think> 中的块。但是，如果思考被禁用，这个块内的内容可能为空。当 enable_thinking=False 时，软开关无效。无论用户输入任何 /think 或 /no_think 标签，模型都不会生成思考内容，也不会包含 <think>...</think> 块。

智能体使用

Qwen3在工具调用能力方面表现出色。建议使用 [Qwen - Agent](https://github.com/QwenLM/Qwen - Agent) 来充分发挥Qwen3的智能体能力。Qwen - Agent内部封装了工具调用模板和工具调用解析器，大大降低了编码复杂度。

要定义可用工具，可以使用MCP配置文件，使用Qwen - Agent的集成工具，或自行集成其他工具。

from qwen_agent.agents import Assistant

# 定义大语言模型
llm_cfg = {
    'model': 'Qwen3-4B',

    # 使用Alibaba Model Studio提供的端点：
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # 使用与OpenAI API兼容的自定义端点：
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # 其他参数：
    # 'generate_cfg': {
    #         # 添加：当响应内容为 `<think>this is the thought</think>this is the answer;
    #         # 不添加：当响应已被推理内容和内容分隔时。
    #         'thought_in_content': True,
    #     },
}

# 定义工具
tools = [
    {'mcpServers': {  # 可以指定MCP配置文件
            'time': {
                'command': 'uvx',
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
            },
            "fetch": {
                "command": "uvx",
                "args": ["mcp-server-fetch"]
            }
        }
    },
  'code_interpreter',  # 内置工具
]

# 定义智能体
bot = Assistant(llm=llm_cfg, function_list=tools)

# 流式生成
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)

处理长文本

Qwen3原生支持长达32,768个标记的上下文长度。对于总长度（包括输入和输出）显著超过此限制的对话，建议使用RoPE缩放技术来有效处理长文本。已使用 YaRN 方法验证了模型在长达131,072个标记的上下文长度上的性能。

YaRN目前得到了几个推理框架的支持，例如本地使用的 transformers 和 llama.cpp，以及用于部署的 vllm 和 sglang。一般来说，有两种方法可以为支持的框架启用YaRN：

• 修改模型文件： 在 config.json 文件中添加 rope_scaling 字段：

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

  对于 llama.cpp，修改后需要重新生成GGUF文件。

• 传递命令行参数： 对于 vllm，可以使用

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

  对于 sglang，可以使用

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'
  

  对于 llama.cpp 中的 llama-server，可以使用

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

⚠️ 重要提示

若遇到以下警告

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

请升级 transformers>=4.51.0。

💡 使用建议

所有知名的开源框架都实现了静态YaRN，这意味着缩放因子无论输入长度如何都保持不变，可能会影响较短文本的性能。建议仅在需要处理长上下文时添加 rope_scaling 配置。也建议根据需要修改 factor。例如，如果你的应用程序的典型上下文长度为65,536个标记，最好将 factor 设置为2.0。

💡 使用建议

config.json 中的默认 max_position_embeddings 设置为40,960。此分配包括为输出保留32,768个标记和为典型提示保留8,192个标记，这对于大多数短文本处理场景来说已经足够。如果平均上下文长度不超过32,768个标记，不建议在这种情况下启用YaRN，因为这可能会降低模型性能。

💡 使用建议

阿里巴巴模型工作室提供的端点默认支持动态YaRN，无需额外配置。

📚 详细文档

包含文件及详情

Qwen3-4B-bf16.gguf

• 模型权重以BF16格式保存。
• 若要将模型重新量化为其他格式，请使用此文件。
• 若你的设备支持BF16加速，此文件为最佳选择。

Qwen3-4B-f16.gguf

• 模型权重以F16格式存储。
• 若你的设备支持FP16，尤其是在BF16不可用时，使用此文件。

Qwen3-4B-bf16-q8_0.gguf

• 输出和嵌入层保持为BF16。
• 所有其他层量化为Q8_0。
• 若你的设备支持BF16且需要量化版本，使用此文件。

Qwen3-4B-f16-q8_0.gguf

• 输出和嵌入层保持为F16。
• 所有其他层量化为Q8_0。

Qwen3-4B-q4_k.gguf

• 输出和嵌入层量化为Q8_0。
• 所有其他层量化为Q4_K。
• 适合内存有限的CPU推理。

Qwen3-4B-q4_k_s.gguf

• 最小的Q4_K变体，以牺牲准确性为代价减少内存使用。
• 最适合极低内存设置。

Qwen3-4B-q6_k.gguf

• 输出和嵌入层量化为Q8_0。
• 所有其他层量化为Q6_K。

Qwen3-4B-q8_0.gguf

• 完全Q8量化的模型，以获得更好的准确性。
• 需要更多内存，但提供更高的精度。

Qwen3-4B-iq3_xs.gguf

• IQ3_XS量化，针对极致内存效率进行了优化。
• 最适合超低内存设备。

Qwen3-4B-iq3_m.gguf

• IQ3_M量化，提供中等块大小以提高准确性。
• 适用于低内存设备。

Qwen3-4B-q4_0.gguf

• 纯Q4_0量化，针对ARM设备进行了优化。
• 最适合低内存环境。
• 若追求更高准确性，建议使用IQ4_NL。

测试模型

如果你觉得这些模型有用：

• 请点击“点赞”，如果你觉得这很有用！
• 帮助测试我的由AI驱动的网络监控助手，进行量子就绪安全检查： 免费网络监控器

测试方法：

1. 点击聊天图标（任何页面的右下角）
2. 选择一个AI助手类型：
   • TurboLLM（GPT - 4 - mini）
   • FreeLLM（开源）
   • TestLLM（仅支持CPU的实验性模型）

测试内容

正在探索用于AI网络监控的小型开源模型的极限，具体包括：

• 针对实时网络服务的函数调用
• 模型可以多小，同时仍能处理：
  • 自动化Nmap扫描
  • 量子就绪检查
  • Metasploit集成

TestLLM - 当前实验性模型（llama.cpp在6个CPU线程上）

• 零配置设置
• 加载时间约30秒（推理速度慢，但无API成本）
• 寻求帮助！ 如果你对边缘设备AI感兴趣，让我们一起合作！

其他助手

• TurboLLM - 使用gpt - 4 - mini进行：

  • 实时网络诊断
  • 自动化渗透测试（Nmap/Metasploit）
  • 通过 下载免费网络监控代理 获得更多令牌

• HugLLM - 开源模型（约80亿参数）：

  • 令牌数量是TurboLLM的2倍
  • 由AI驱动的日志分析
  • 在Hugging Face推理API上运行

示例AI命令测试

1. "Give me info on my websites SSL certificate"
2. "Check if my server is using quantum safe encyption for communication"
3. "Run a quick Nmap vulnerability test"

🔧 技术细节

此模型使用 llama.cpp 在提交版本 19e899c 下生成。

📄 许可证

本项目采用 Apache 2.0 许可证。

最佳实践

为了实现最佳性能，建议遵循以下设置：

1. 采样参数：
   • 对于思考模式（enable_thinking=True），使用 Temperature=0.6、TopP=0.95、TopK=20 和 MinP=0。请勿使用贪心解码，因为这可能导致性能下降和无限重复。
   • 对于非思考模式（enable_thinking=False），建议使用 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。
   • 对于支持的框架，可以在0到2之间调整 presence_penalty 参数以减少无限重复。然而，使用较高的值可能偶尔会导致语言混合和模型性能略有下降。
2. 足够的输出长度：对于大多数查询，建议使用32,768个标记的输出长度。对于高度复杂问题的基准测试，如数学和编程竞赛中的问题，建议将最大输出长度设置为38,912个标记。这为模型提供了足够的空间来生成详细和全面的响应，从而提高其整体性能。
3. 标准化输出格式：在进行基准测试时，建议使用提示来标准化模型输出。
   • 数学问题：在提示中包含 “Please reason step by step, and put your final answer within \boxed{}.”。
   • 多项选择题：在提示中添加以下JSON结构以标准化响应：“Please show your choice in the answer field with only the choice letter, e.g., "answer": "C".”
4. 历史记录中不包含思考内容：在多轮对话中，历史模型输出应仅包括最终输出部分，不需要包括思考内容。这在Jinja2提供的聊天模板中已经实现。然而，对于不直接使用Jinja2聊天模板的框架，开发者需要确保遵循此最佳实践。

引用

如果你觉得我们的工作有帮助，请引用：

@misc{qwen3,
    title  = {Qwen3},
    url    = {https://qwenlm.github.io/blog/qwen3/},
    author = {Qwen Team},
    month  = {April},
    year   = {2025}
}