Qwen3 8b 192k Context 6X Josiefied Uncensored MLX AWQ 4bit

🚀 Qwen3-8B 4位AWQ量化版本

本項目是Qwen3-8B的4位AWQ量化版本，藉助MLX庫進行了高效推理優化。它專為處理長上下文任務（192k令牌）而設計，能在減少資源使用的同時，保留Qwen3-8B的核心能力，還支持在邊緣設備上部署。

🚀 快速開始

安裝

# 僅適用於蘋果硅芯片設備安裝MLX
pip install mlx

# 使用Hugging Face Transformers加載模型
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("Goraint/Qwen3-8b-192k-Context-6X-Josiefied-Uncensored-MLX-AWQ-4bit", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("Goraint/Qwen3-8b-192k-Context-6X-Josiefied-Uncensored-MLX-AWQ-4bit")

示例用法

prompt = "Explain quantum computing in simple terms."
inputs = tokenizer(prompt, return_tensors="pt").to("mps")
outputs = model.generate(**inputs, max_length=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

✨ 主要特性

• 高效推理：4位量化與FP16相比，可減少約75%的內存佔用。
• 長上下文支持：支持192k令牌，適用於複雜任務，如文檔分析、代碼生成。
• 跨平臺：可在搭載蘋果硅芯片的macOS系統上運行，藉助MLX實現加速。
• 可定製提示：可調整提示模板，以兼容LM Studio等工具。

📦 安裝指南

# 僅適用於蘋果硅芯片設備安裝MLX
pip install mlx

# 使用Hugging Face Transformers加載模型
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained("Goraint/Qwen3-8b-192k-Context-6X-Josiefied-Uncensored-MLX-AWQ-4bit", device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("Goraint/Qwen3-8b-192k-Context-6X-Josiefied-Uncensored-MLX-AWQ-4bit")

💻 使用示例

基礎用法

prompt = "Explain quantum computing in simple terms."
inputs = tokenizer(prompt, return_tensors="pt").to("mps")
outputs = model.generate(**inputs, max_length=200)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

📚 詳細文檔

概述

這是一個經過4位AWQ量化的Qwen3-8B版本，通過MLX庫進行了高效推理優化，旨在以較低的資源消耗處理長上下文任務（192k令牌）。在保留Qwen3-8B核心能力的同時，支持在邊緣設備上部署。

性能指標

重要提示：LM Studio使用的提示模板

你需要修改提示模板，以確保與LM Studio的推理管道兼容。以下是所需的模板結構：

{%- if tools %}
    {{- '\/system\n' }}
    {%- if messages[0].role == 'system' %}
        {{- messages[0].content + '\n\n' }}
    {%- endif %}
    {{- "# Tools\n\nYou may call one or more functions to assist with the user query.\n\nYou are provided with function signatures within <tools></tools> XML tags:\n<tools>" }}
    {%- for tool in tools %}
        {{- "\n" }}
        {{- tool | tojson }}
    {%- endfor %}
    {{- "\n</tools>\n\nFor each function call, return a json object with function name and arguments within <tool_call>...</tool_call> XML tags:\n<tool_call>\n{\"name\": <function-name>, \"arguments\": <args-json-object>}\n</tool_call>\n" }}
{%- else %}
    {%- if messages[0].role == 'system' %}
        {{- '\/system\n' + messages[0].content + '\/\n' }}
    {%- endif %}
{%- endif %}

{%- set ns = namespace(multi_step_tool=true, last_query_index=messages|length - 1) %}
{%- for message in messages[::-1] %}
    {%- set index = (messages|length - 1) - loop.index0 %}
    {%- set tool_start = "ÔΩü" %}
    {%- set tool_start_length = tool_start|length %}
    {%- set start_of_message = message.content[:tool_start_length] %}
    {%- set tool_end = "ÔΩ†" %}
    {%- set tool_end_length = tool_end|length %}
    {%- set start_pos = (message.content|length) - tool_end_length %}
    {%- if start_pos < 0 %}
        {%- set start_pos = 0 %}
    {%- endif %}
    {%- set end_of_message = message.content[start_pos:] %}
    {%- if ns.multi_step_tool and message.role == "user" and not(start_of_message == tool_start and end_of_message == tool_end) %}
        {%- set ns.multi_step_tool = false %}
        {%- set ns.last_query_index = index %}
    {%- endif %}
{%- endfor %}

{%- for message in messages %}
    {%- if (message.role == "user") or (message.role == "system" and not loop.first) %}
        {{- '\/' + message.role + '\n' + message.content + '\/' + '\n' }}
    {%- elif message.role == "assistant" %}
        {%- set content = message.content %}
        {%- set reasoning_content = '' %}
        {%- if message.reasoning_content is defined and message.reasoning_content is not none %}
            {%- set reasoning_content = message.reasoning_content %}
        {%- else %}
            {%- if '\/' in message.content %}
                {%- set content = (message.content.split('\/')|last).lstrip('\n') %}
                {%- set reasoning_content = (message.content.split('\/')|first).rstrip('\n') %}
                {%- set reasoning_content = (reasoning_content.split('')|last).lstrip('\n') %}
            {%- endif %}
        {%- endif %}

        {%- if loop.index0 > ns.last_query_index %}
            {%- if loop.last or (not loop.last and reasoning_content) %}
                {{- '\/' + message.role + '\n\n' + reasoning_content.strip('\n') + '\n\/\n' + content.lstrip('\n') }}
            {%- else %}
                {{- '\/' + message.role + '\n' + content }}
            {%- endif %}
        {%- else %}
            {{- '\/' + message.role + '\n' + content }}
        {%- endif %}

        {%- if message.tool_calls %}
            {%- for tool_call in message.tool_calls %}
                {%- if (loop.first and content) or (not loop.first) %}
                    {{- '\n' }}
                {%- endif %}
                {%- if tool_call.function %}
                    {%- set tool_call = tool_call.function %}
                {%- endif %}
                {{- '<tool_call>\n{"name": "' }}
                {{- tool_call.name }}
                {{- '", "arguments": ' }}
                {%- if tool_call.arguments is string %}
                    {{- tool_call.arguments }}
                {%- else %}
                    {{- tool_call.arguments | tojson }}
                {%- endif %}
                {{- '}\n</tool_call>' }}
            {%- endfor %}
        {%- endif %}
        {{- '\/\n' }}
    {%- elif message.role == "tool" %}
        {%- if loop.first or (messages[loop.index0 - 1].role != "tool") %}
            {{- '\/user' }}
        {%- endif %}
        {{- '\nÔΩü\n' }}
        {{- message.content }}
        {{- '\nÔΩ†' }}
        {%- if loop.last or (messages[loop.index0 + 1].role != "tool") %}
            {{- '\/\n' }}
        {%- endif %}
    {%- endif %}
{%- endfor %}

{%- if add_generation_prompt %}
    {{- '\/assistant\n' }}
    {%- if enable_thinking is defined and enable_thinking is false %}
        {{- '

模型詳情

使用場景

• 研究：長上下文NLP實驗、模型壓縮研究。
• 開發：邊緣部署、具有擴展上下文的即時聊天機器人。
• 企業：用於文檔處理和代碼生成的經濟高效的AI解決方案。

偏差、風險與限制

潛在偏差

• 雖然在多樣化數據上進行訓練，但可能繼承社會偏差（如性別、文化假設）。
• “not-for-all-audiences”標籤表明可能生成敏感內容。

技術限制

• 4位量化可能會在複雜任務上略微降低準確性。
• 性能取決於硬件（MLX針對蘋果硅芯片進行了優化）。

緩解策略

• 審查輸出內容，檢查是否包含敏感信息。
• 在有監控的受控環境中使用。

環境影響

• 估計二氧化碳排放量：使用ML Impact Calculator計算
  • 硬件：Apple M1 Pro（16GB RAM）
  • 訓練時間：不適用（從預訓練模型進行量化）

社區與資源

• 文檔：Hugging Face文檔
• GitHub問題：報告錯誤或提出功能請求
• 論壇：Hugging Face討論區

🔧 技術細節

本模型是Qwen3-8B的4位AWQ量化版本，藉助MLX庫進行推理優化。4位量化減少了模型的內存佔用，使得在資源有限的設備上也能進行高效推理。MLX庫針對蘋果硅芯片和macOS系統進行了優化，提高了推理速度。同時，模型支持192k的上下文長度，適用於處理長文本任務。

📄 許可證

Apache 2.0

⚠️ 重要提示

此模型是社區貢獻，可能未得到阿里雲的官方支持。在生產環境中使用時，請始終驗證輸出的準確性和安全性。