Qwen3 8B GGUF

🚀 Qwen3-8B GGUF模型

Qwen3-8B GGUF模型基于特定技术生成，具备多种量化方法和模型格式，可满足不同硬件和场景需求，在文本生成等任务中表现出色。

🚀 快速开始

Qwen3的代码已集成到最新的Hugging Face transformers 库中，建议使用最新版本的 transformers。

若使用 transformers<4.51.0，会遇到以下错误：

KeyError: 'qwen3'

以下是一段代码示例，展示了如何基于给定输入使用该模型生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B"

# 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/Qwen3-8B --reasoning-parser qwen3
  

• vLLM：

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

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

✨ 主要特性

模型生成细节

该模型使用 llama.cpp 在提交版本 19e899c 时生成。

超低比特量化（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令牌上下文窗口
• 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	Δ困惑度	标准大小	DG大小	Δ大小	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）
• Δ PPL = 标准困惑度与DynamicGate困惑度的百分比变化
• 速度 = 推理时间（CPU avx2，2048令牌上下文）
• 大小差异反映了混合量化开销

主要改进：

• IQ1_M 的困惑度大幅降低43.9%（从27.46降至15.41）
• IQ2_S 的困惑度降低36.9%，同时仅增加0.2GB大小
• IQ1_S 在1比特量化下仍保持39.7%的精度提升

权衡：

• 所有变体的大小均有适度增加（0.1 - 0.3GB）
• 推理速度相近（差异<5%）

使用场景

• 适配GPU显存
• 内存受限的部署环境
• 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，专为更快计算设计，同时保留良好精度。
• 提供与FP32相似的动态范围，但内存使用更低。
• 若硬件支持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。

使用场景：

• 硬件具有原生BF16支持（如较新的GPU、TPU）。
• 希望在节省内存的同时获得更高精度。
• 计划将模型重新量化为其他格式。

避免场景：

• 硬件不支持BF16（可能回退到FP32并运行较慢）。
• 需要与缺乏BF16优化的旧设备兼容。

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。

使用场景：

• 硬件支持FP16但不支持BF16。
• 需要在速度、内存使用和精度之间取得平衡。
• 在为FP16计算优化的GPU或其他设备上运行。

避免场景：

• 设备缺乏原生FP16支持（可能运行速度比预期慢）。
• 存在内存限制。

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） → 内存使用最少，但精度可能较低。
• 高比特模型（Q6_K、Q8_0） → 精度更高，但需要更多内存。

使用场景：

• 在CPU上进行推理，需要优化模型。
• 设备显存较低，无法加载全精度模型。
• 希望在保持合理精度的同时减少内存占用。

避免场景：

• 需要最高精度（全精度模型更适合）。
• 硬件有足够的显存支持更高精度格式（BF16/F16）。

极低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极端内存效率进行了优化，适用于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），具有极高的内存效率。
  • 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，精度较低。
• 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，IQ3_XS过于激进的情况。
• IQ3_M：中等块大小，精度优于IQ3_S。
  • 使用场景：适用于低内存设备，IQ3_S限制过多的情况。
• Q4_K：4比特量化，具有逐块优化，精度更高。
  • 使用场景：最适合低内存设备，Q6_K太大的情况。
• Q4_0：纯4比特量化，针对ARM设备优化。
  • 使用场景：最适合基于ARM的设备或低内存环境。

总结表：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	高速推理，减少内存占用
F16	高	高	支持FP16的设备	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	适中	内存较多的CPU	量化模型中精度较好的选择
Q8_0	高	适中	有足够显存的CPU或GPU	量化模型中精度最高的选择
IQ3_XS	极低	极低	超低内存设备	极端内存效率和低精度场景
Q4_0	低	低	ARM或低内存设备	llama.cpp可针对ARM设备优化

Qwen3亮点

Qwen3是Qwen系列的最新一代大语言模型，提供了全面的密集模型和专家混合（MoE）模型。基于广泛的训练，Qwen3在推理、指令遵循、代理能力和多语言支持方面取得了突破性进展，具有以下关键特性：

• 独特支持在单个模型内无缝切换思考模式（用于复杂逻辑推理、数学和编码）和非思考模式（用于高效的通用对话），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）。
• 与人类偏好的对齐度更高，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。
• 具备出色的代理能力，能够在思考和非思考模式下精确集成外部工具，在复杂的基于代理的任务中在开源模型中取得领先性能。
• 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

Qwen3-8B 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	82亿
非嵌入参数数量	69.5亿
层数	36
注意力头数量（GQA）	Q为32，KV为8
上下文长度	原生32,768，使用YaRN可支持131,072令牌

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

💻 使用示例

基础用法

以下是使用Qwen3-8B生成文本的基础代码示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B"

# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# prepare the model input
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 # Switches between thinking and non-thinking modes. Default is True.
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# parsing thinking content
try:
    # rindex finding 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

思考与非思考模式切换

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)

        # Update history
        self.history.append({"role": "user", "content": user_input})
        self.history.append({"role": "assistant", "content": response})

        return response

# Example Usage
if __name__ == "__main__":
    chatbot = QwenChatbot()

    # First input (without /think or /no_think tags, thinking mode is enabled by default)
    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("----------------------")

    # Second input with /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("----------------------")

    # Third input with /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}")

代理使用

from qwen_agent.agents import Assistant

# Define LLM
llm_cfg = {
    'model': 'Qwen3-8B',

    # Use the endpoint provided by Alibaba Model Studio:
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # Use a custom endpoint compatible with OpenAI API:
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # Other parameters:
    # 'generate_cfg': {
    #         # Add: When the response content is `<think>this is the thought</think>this is the answer;
    #         # Do not add: When the response has been separated by reasoning_content and content.
    #         'thought_in_content': True,
    #     },
}

# Define Tools
tools = [
    {'mcpServers': {  # You can specify the MCP configuration file
            'time': {
                'command': 'uvx',
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
            },
            "fetch": {
                "command": "uvx",
                "args": ["mcp-server-fetch"]
            }
        }
    },
  'code_interpreter',  # Built-in tools
]

# Define Agent
bot = Assistant(llm=llm_cfg, function_list=tools)

# Streaming generation
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)

🔧 技术细节

处理长文本

Qwen3原生支持长达32,768令牌的上下文长度。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令牌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

如果遇到以下警告

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

请升级 transformers>=4.51.0。

💡 使用建议

所有著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，如果应用程序的典型上下文长度为65,536令牌，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令牌和为典型提示保留8,192令牌，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令牌，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

阿里云魔搭平台提供的端点默认支持动态YaRN，无需额外配置。

最佳实践

为了实现最佳性能，建议以下设置：

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。但是，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：建议大多数查询使用32,768令牌的输出长度。对于高度复杂问题的基准测试，例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令牌。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：建议在基准测试时使用提示来标准化模型输出。
   • 数学问题：在提示中包含 “请逐步推理，并将最终答案放在 \boxed{} 内。”
   • 多项选择题：在提示中添加以下JSON结构以标准化响应：“请在 answer 字段中仅显示选择字母，例如 "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。这在提供的Jinja2聊天模板中已经实现。但是，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。

📄 许可证

本项目采用 Apache-2.0许可证。

引用

如果您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}
}