Qwen3 30B A3B GGUF

🚀 Qwen3-30B-A3B GGUF模型

Qwen3-30B-A3B GGUF模型是基於Qwen3-30B-A3B基礎模型生成的一系列不同量化格式的模型，適用於不同硬件和內存條件。這些模型在文本生成任務中表現出色，並且支持超低比特量化技術，能在保證一定精度的同時，大幅減少內存使用。

🚀 快速開始

Qwen3-MoE的代碼已集成在最新的Hugging Face transformers庫中，建議使用最新版本的transformers。

若使用transformers<4.51.0，會遇到如下錯誤：

KeyError: 'qwen3_moe'

以下是一個代碼示例，展示瞭如何使用該模型根據給定輸入生成內容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-30B-A3B"

# 加載分詞器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 準備模型輸入
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間切換。默認為True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 進行文本生成
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 解析思考內容
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)

對於部署，可以使用sglang>=0.4.6.post1或vllm>=0.8.5創建與OpenAI兼容的API端點：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-30B-A3B --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-30B-A3B --enable-reasoning --reasoning-parser deepseek_r1
  

對於本地使用，Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等應用也已支持Qwen3。

✨ 主要特性

模型生成細節

本模型使用llama.cpp在提交版本064cc596時生成。

超低比特量化（1 - 2比特）

最新的量化方法為超低比特模型（1 - 2比特）引入了精度自適應量化，在Llama - 3 - 8B上經基準測試證明有顯著提升。該方法採用特定層策略，在保持極高內存效率的同時保留精度。

• 基準測試環境：所有測試均在Llama - 3 - 8B - Instruct上進行，使用標準困惑度評估流程、2048令牌上下文窗口，且所有量化使用相同的提示集。
• 方法：
  • 動態精度分配：前/後25%的層採用IQ4_XS（選定層），中間50%採用IQ2_XXS/IQ3_S（提高效率）。
  • 關鍵組件保護：嵌入層/輸出層使用Q5_K，與標準1 - 2比特量化相比，誤差傳播減少38%。
• 量化性能對比（Llama - 3 - 8B）：

量化方式	標準困惑度	DynamicGate困惑度	困惑度變化	標準大小	DG大小	大小變化	標準速度	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

關鍵指標說明：

• PPL = 困惑度（越低越好）
• ∆ PPL = 從標準量化到DynamicGate量化的困惑度變化百分比
• 速度 = 推理時間（CPU avx2，2048令牌上下文）
• 大小差異反映混合量化開銷

主要改進：

• IQ1_M困惑度降低43.9%（從27.46降至15.41）
• IQ2_S困惑度降低36.9%，僅增加0.2GB大小
• IQ1_S在1比特量化下仍保持39.7%的精度提升

權衡：

• 所有變體的大小增加適中（0.1 - 0.3GB）
• 推理速度相近（差異<5%）

適用場景

• 將模型裝入GPU顯存
• 內存受限的部署場景
• 可容忍1 - 2比特誤差的CPU和邊緣設備
• 超低比特量化研究

選擇合適的模型格式

選擇正確的模型格式取決於硬件能力和內存限制。

BF16（Brain Float 16）——若支持BF16加速則使用

• 一種16位浮點格式，專為更快計算設計，同時保留良好精度。
• 提供與FP32相似的動態範圍，但內存使用更低。
• 若硬件支持BF16加速（檢查設備規格），推薦使用。
• 與FP32相比，適用於高性能推理且內存佔用減少的場景。

使用BF16的情況：

• 硬件具有原生BF16支持（如較新的GPU、TPU）。
• 希望在節省內存的同時獲得更高精度。
• 計劃將模型重新量化為其他格式。

避免使用BF16的情況：

• 硬件不支持BF16（可能會回退到FP32並運行較慢）。
• 需要與缺乏BF16優化的舊設備兼容。

F16（Float 16）——比BF16更廣泛支持

• 一種16位浮點格式，精度較高，但取值範圍小於BF16。
• 適用於大多數支持FP16加速的設備（包括許多GPU和一些CPU）。
• 數值精度略低於BF16，但通常足以進行推理。

使用F16的情況：

• 硬件支持FP16但不支持BF16。
• 需要在速度、內存使用和精度之間取得平衡。
• 在GPU或其他針對FP16計算優化的設備上運行。

避免使用F16的情況：

• 設備缺乏原生FP16支持（運行速度可能比預期慢）。
• 存在內存限制。

量化模型（Q4_K、Q6_K、Q8等）——用於CPU和低顯存推理

量化可在儘可能保持精度的同時減少模型大小和內存使用。

• 低比特模型（Q4_K）：最適合最小內存使用，但精度可能較低。
• 高比特模型（Q6_K、Q8_0）：精度更高，但需要更多內存。

使用量化模型的情況：

• 在CPU上進行推理，需要優化模型。
• 設備顯存較低，無法加載全精度模型。
• 希望在保持合理精度的同時減少內存佔用。

避免使用量化模型的情況：

• 需要最高精度（全精度模型更適合）。
• 硬件有足夠顯存支持更高精度格式（BF16/F16）。

極低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

這些模型針對極致內存效率進行了優化，適用於低功耗設備或內存是關鍵限制因素的大規模部署。

• IQ3_XS：超低比特量化（3比特），具有極致內存效率。適用於超低內存設備，即使Q4_K也過大的情況。精度較低。
• IQ3_S：小塊大小，實現最大內存效率。適用於低內存設備，IQ3_XS過於激進的情況。
• IQ3_M：中等塊大小，精度優於IQ3_S。適用於低內存設備，IQ3_S限制較大的情況。
• Q4_K：4比特量化，採用塊級優化以提高精度。適用於低內存設備，Q6_K過大的情況。
• Q4_0：純4比特量化，針對ARM設備優化。適用於基於ARM的設備或低內存環境。

模型格式選擇總結表

模型格式	精度	內存使用	設備要求	最佳使用場景
BF16	最高	高	支持BF16的GPU/CPU	減少內存的高速推理
F16	高	高	支持FP16的設備	BF16不可用時的GPU推理
Q4_K	中低	低	CPU或低顯存設備	內存受限環境
Q6_K	中等	適中	內存較多的CPU	量化模型中精度較好的情況
Q8_0	高	適中	有足夠顯存的CPU或GPU	量化模型中精度最高
IQ3_XS	極低	極低	超低內存設備	極致內存效率，精度較低
Q4_0	低	低	ARM或低內存設備	llama.cpp可針對ARM設備優化

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關依賴庫（如transformers、sglang、vllm等）的官方安裝說明。

💻 使用示例

基礎用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-30B-A3B"

# 加載分詞器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 準備模型輸入
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間切換。默認為True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 進行文本生成
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 解析思考內容
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)

高級用法

思考與非思考模式切換

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-30B-A3B"):
        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)

        # 更新歷史記錄
        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()

    # 第一次輸入（無/think或/no_think標籤，默認啟用思考模式）
    user_input_1 = "How many r's in strawberries?"
    print(f"用戶: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"機器人: {response_1}")
    print("----------------------")

    # 第二次輸入，帶有/no_think標籤
    user_input_2 = "Then, how many r's in blueberries? /no_think"
    print(f"用戶: {user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"機器人: {response_2}") 
    print("----------------------")

    # 第三次輸入，帶有/think標籤
    user_input_3 = "Really? /think"
    print(f"用戶: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"機器人: {response_3}")

代理使用

from qwen_agent.agents import Assistant

# 定義大語言模型
llm_cfg = {
    'model': 'Qwen3-30B-A3B',

    # 使用阿里雲魔搭提供的端點：
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # 使用與OpenAI API兼容的自定義端點：
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # 其他參數：
    # 'generate_cfg': {
    #         # 添加：當響應內容為 `<think>this is the thought</think>this is the answer;
    #         # 不添加：當響應已通過推理內容和最終內容分離。
    #         'thought_in_content': True,
    #     },
}

# 定義工具
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',  # 內置工具
]

# 定義代理
bot = Assistant(llm=llm_cfg, function_list=tools)

# 流式生成
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ 介紹Qwen的最新發展'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

📚 詳細文檔

模型概述

Qwen3-30B-A3B具有以下特點：

屬性	詳情
模型類型	因果語言模型
訓練階段	預訓練和後訓練
參數數量	總共305億，激活33億
非嵌入參數數量	299億
層數	48
注意力頭數量（GQA）	Q為32，KV為4
專家數量	128
激活專家數量	8
上下文長度	原生32768，使用YaRN技術可達131072令牌

更多詳細信息，包括基準評估、硬件要求和推理性能，請參考博客、GitHub和文檔。

思考與非思考模式切換

enable_thinking=True

默認情況下，Qwen3啟用思考能力，類似於QwQ - 32B。這意味著模型將運用推理能力提升生成響應的質量。例如，在tokenizer.apply_chat_template中顯式設置enable_thinking=True或使用默認值時，模型將進入思考模式。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # enable_thinking的默認值為True
)

在此模式下，模型將生成包裹在<think>...</think>塊中的思考內容，隨後是最終響應。

⚠️ 重要提示

對於思考模式，使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（generation_config.json中的默認設置）。請勿使用貪心解碼，因為這可能導致性能下降和無限重複。更多詳細指導，請參考最佳實踐部分。

enable_thinking=False

提供了一個硬開關，可嚴格禁用模型的思考行為，使其功能與之前的Qwen2.5 - Instruct模型一致。此模式在需要禁用思考以提高效率的場景中特別有用。

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

在此模式下，模型不會生成任何思考內容，也不會包含<think>...</think>塊。

⚠️ 重要提示

對於非思考模式，建議使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多詳細指導，請參考最佳實踐部分。

高級用法：通過用戶輸入切換思考與非思考模式

提供了一個軟開關機制，允許用戶在enable_thinking=True時動態控制模型的行為。具體而言，可以在用戶提示或系統消息中添加/think和/no_think來逐輪切換模型的思考模式。在多輪對話中，模型將遵循最新的指令。

⚠️ 重要提示

對於API兼容性，當enable_thinking=True時，無論用戶是否使用/think或/no_think，模型都會輸出一個包裹在<think>...</think>中的塊。但是，如果禁用了思考，該塊內的內容可能為空。當enable_thinking=False時，軟開關無效。無論用戶輸入任何/think或/no_think標籤，模型都不會生成思考內容，也不會包含<think>...</think>塊。

代理使用

Qwen3在工具調用能力方面表現出色。建議使用[Qwen - Agent](https://github.com/QwenLM/Qwen - Agent)充分發揮Qwen3的代理能力。Qwen - Agent內部封裝了工具調用模板和工具調用解析器，大大降低了編碼複雜度。

要定義可用工具，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。

處理長文本

Qwen3原生支持長達32768令牌的上下文長度。對於總長度（包括輸入和輸出）顯著超過此限制的對話，建議使用RoPE縮放技術有效處理長文本。已使用YaRN方法驗證了模型在長達131072令牌上下文長度下的性能。

YaRN目前得到了多個推理框架的支持，例如本地使用的transformers和llama.cpp，以及用於部署的vllm和sglang。一般來說，有兩種方法可以為支持的框架啟用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
    }
}

對於llama.cpp，修改後需要重新生成GGUF文件。

傳遞命令行參數

• 對於vllm，可以使用：

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

• 對於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}}'

• 對於llama.cpp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'}

請升級transformers>=4.51.0。

⚠️ 重要提示

所有知名的開源框架都實現了靜態YaRN，這意味著縮放因子無論輸入長度如何都保持不變，可能會影響較短文本的性能。建議僅在需要處理長上下文時添加rope_scaling配置。也建議根據需要修改factor。例如，如果應用程序的典型上下文長度為65536令牌，最好將factor設置為2.0。

⚠️ 重要提示

config.json中的默認max_position_embeddings設置為40960。此分配包括為輸出保留32768令牌和為典型提示保留8192令牌，這對於大多數短文本處理場景來說已經足夠。如果平均上下文長度不超過32768令牌，不建議在這種情況下啟用YaRN，因為這可能會降低模型性能。

💡 使用建議

阿里雲魔搭提供的端點默認支持動態YaRN，無需額外配置。

最佳實踐

為實現最佳性能，建議採用以下設置：

1. 採樣參數：
   • 思考模式（enable_thinking=True）：使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0。請勿使用貪心解碼，因為這可能導致性能下降和無限重複。
   • 非思考模式（enable_thinking=False）：建議使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。
   • 對於支持的框架，可以在0到2之間調整presence_penalty參數以減少無限重複。然而，使用較高的值可能偶爾會導致語言混合和模型性能略有下降。
2. 足夠的輸出長度：對於大多數查詢，建議使用32768令牌的輸出長度。對於高度複雜問題的基準測試，如數學和編程競賽中的問題，建議將最大輸出長度設置為38912令牌。這為模型提供了足夠的空間來生成詳細和全面的響應，從而提高其整體性能。
3. 標準化輸出格式：在進行基準測試時，建議使用提示來標準化模型輸出。
   • 數學問題：在提示中包含“請逐步推理，並將最終答案放在\boxed{}內。”
   • 多項選擇題：在提示中添加以下JSON結構以標準化響應：“請在answer字段中僅顯示選擇字母，例如"answer": "C"。”
4. 歷史記錄中不包含思考內容：在多輪對話中，歷史模型輸出應僅包括最終輸出部分，無需包含思考內容。這在提供的Jinja2聊天模板中已經實現。然而，對於不直接使用Jinja2聊天模板的框架，開發者需要確保遵循此最佳實踐。

引用

如果您認為我們的工作有幫助，請隨意引用：

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

📄 許可證

本項目採用Apache 2.0許可證。