Qwen3 1.7B FP8

🚀 Qwen3-1.7B-FP8

Qwen3-1.7B-FP8は、Qwenシリーズの最新世代の大規模言語モデルです。様々なシナリオでの高性能を実現するため、思考モードと非思考モードの切り替えや、高度な推論能力、多言語対応などの機能を備えています。

🚀 クイックスタート

Qwen3のコードは最新のHugging Face transformersに含まれています。最新バージョンのtransformersを使用することをおすすめします。

transformers<4.51.0を使用すると、以下のエラーが発生することがあります。

KeyError: 'qwen3'

以下は、与えられた入力に基づいてモデルがコンテンツを生成する方法を示すコードスニペットです。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-1.7B-FP8"

# 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。デフォルトはTrueです。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

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

# 思考コンテンツを解析する
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)

デプロイメントには、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/Qwen3-1.7B-FP8 --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-1.7B-FP8 --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、高密度モデルと専門家混合（MoE）モデルの包括的なセットを提供します。広範なトレーニングを基に構築されたQwen3は、推論、命令追従、エージェント機能、および多言語サポートにおいて画期的な進歩をもたらし、以下の主要な特徴を備えています。

• 単一モデル内での思考モード（複雑な論理推論、数学、およびコーディング用）と非思考モード（効率的な汎用対話用）のシームレスな切り替えを独自にサポートし、さまざまなシナリオで最適なパフォーマンスを確保します。
• 推論能力が大幅に向上し、数学、コード生成、および一般常識的な論理推論において、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）を上回ります。
• 高度な人間嗜好のアライメントで、創造的な執筆、ロールプレイング、多ターン対話、および命令追従に優れ、より自然で魅力的で没入感のある会話体験を提供します。
• エージェント機能に精通しており、思考モードと非思考モードの両方で外部ツールとの正確な統合を可能にし、複雑なエージェントベースのタスクにおいてオープンソースモデルの中でトップレベルのパフォーマンスを達成します。
• 100以上の言語と方言をサポートし、多言語命令追従および翻訳に強力な機能を備えています。

モデルの概要

このリポジトリには、Qwen3-1.7BのFP8バージョンが含まれており、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、および推論パフォーマンスを含む詳細については、ブログ、GitHub、およびドキュメントを参照してください。

⚠️ 重要提示

著しい無限の繰り返しが発生した場合は、最適なサンプリングパラメータについてはベストプラクティスセクションを参照し、presence_penaltyを1.5に設定してください。

📚 ドキュメント

FP8に関する注意事項

利便性とパフォーマンスのために、Qwen3にはfp8量子化モデルチェックポイントを提供しており、その名前は-FP8で終わります。量子化方法は、ブロックサイズ128の細粒度fp8量子化です。詳細は、config.jsonのquantization_configフィールドで確認できます。

transformers、sglang、およびvllmを含むいくつかの推論フレームワークで、Qwen3-1.7B-FP8モデルを元のbfloat16モデルと同じように使用できます。ただし、以下の既知の問題に注意してください。

• transformers：
  • 現在、transformersの「細粒度fp8」方法では分散推論に問題があります。推論で複数のデバイスを使用する場合は、環境変数CUDA_LAUNCH_BLOCKING=1を設定する必要がある場合があります。

思考モードと非思考モードの切り替え

💡 使用アドバイス

SGLangとvLLMによって作成されたAPIでもenable_thinkingスイッチを使用できます。SGLangおよびvLLMのユーザー向けの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QwQ-32Bと同様に思考能力が有効になっています。これは、モデルが推論能力を使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を有効にします。

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コンテンツを生成し、その後に最終的な応答が続きます。

⚠️ 重要提示

思考モードでは、Temperature=0.6、TopP=0.95、TopK=20、およびMinP=0（generation_config.jsonのデフォルト設定）を使用してください。貪欲なデコードを使用しないでください。これは、パフォーマンス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。詳細なガイダンスについては、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厳密に無効にするハードスイッチを提供しており、以前のQwen2.5-Instructモデルと同じ機能に合わせることができます。このモードは、思考を無効にすることが効率向上に不可欠な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、思考モードが無効になります
)

このモードでは、モデルは思考コンテンツを生成せず、<think>...</think>ブロックを含めません。

⚠️ 重要提示

非思考モードでは、Temperature=0.7、TopP=0.8、TopK=20、およびMinP=0を使用することをおすすめします。詳細なガイダンスについては、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および/no_thinkを追加することで、ターンごとにモデルの思考モードを切り替えることができます。モデルは、多ターン会話で最新の指示に従います。

以下は、多ターン会話の例です。

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-1.7B-FP8"):
        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番目の入力に/no_thinkを追加
    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番目の入力に/thinkを追加
    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

API互換性のため、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、モデルは常に<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は、このブロック内のコンテンツが空になることがあります。enable_thinking=Falseの場合、ソフトスイッチは有効ではありません。ユーザーが入力した/thinkまたは/no_thinkタグに関係なく、モデルは思考コンテンツを生成せず、<think>...</think>ブロックを含めません。

エージェント機能の使用

Qwen3は、ツール呼び出し機能に優れています。Qwen3のエージェント機能を最大限に活用するために、Qwen-Agentの使用をおすすめします。Qwen-Agentは内部的にツール呼び出しテンプレートとツール呼び出しパーサー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。

利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

# LLMを定義する
llm_cfg = {
    'model': 'Qwen3-1.7B-FP8',

    # Alibaba Model Studioが提供するエンドポイントを使用する:
    # '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:
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # その他のパラメータ:
    # 'generate_cfg': {
    #         # 追加: 応答コンテンツが `<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で分離されている場合
    #         '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)

ベストプラクティス

最適なパフォーマンスを達成するために、以下の設定をおすすめします。

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、およびMinP=0を使用してください。貪欲なデコードを使用しないでください。これは、パフォーマンス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、および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、より高い値を使用すると、時々言語の混合やモデルパフォーマンス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、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などの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、全体的なパフォーマンスが向上します。
3. 出力形式の標準化：ベンチマーク時には、プロンプトを使用してモデルの出力を標準化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{}」を含めてください。
   • 選択肢付きの質問：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。「Please show your choice in the answer field with only the choice letter, e.g., "answer": "C"」。
4. 履歴に思考コンテンツを含めない：多ターン会話では、モデルの履歴出力には最終出力部分のみを含め、思考コンテンツは含める必要はありません。これは、提供されているJinja2のチャットテンプレートで実装されています。ただし、Jinja2の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では、開発者がこのベストプラクティスを遵守するようにする必要があります。

引用

この研究が役立った場合は、以下のように引用してください。

@misc{qwen3technicalreport,
      title={Qwen3 Technical Report}, 
      author={Qwen Team},
      year={2025},
      eprint={2505.09388},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2505.09388}, 
}

📄 ライセンス

このモデルはApache 2.0ライセンスの下で提供されています。詳細については、ライセンスファイルを参照してください。