Qwen3 235B A22B INT4 W4A16

🚀 Qwen3-235B-A22B

本項目包含由JustinJJA將Qwen 3 235B A22B模型量化為INT4 / W4A16的版本，在顯著減少內存佔用的同時保持了準確性。

🚀 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'

以下是一段代碼示例，展示瞭如何基於給定輸入使用該模型生成內容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-235B-A22B"

# 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 # 在思考模式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 來創建與OpenAI兼容的API端點：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-235B-A22B --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-235B-A22B --enable-reasoning --reasoning-parser deepseek_r1
  

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

✨ 主要特性

Qwen3亮點

Qwen3是通義系列的最新一代大語言模型，提供了一套全面的密集模型和專家混合（MoE）模型。基於大量訓練，Qwen3在推理、指令遵循、智能體能力和多語言支持方面取得了突破性進展，具有以下關鍵特性：

• 單模型內獨特支持“思考模式”（用於複雜邏輯推理、數學和編碼）和“非思考模式”（用於高效通用對話）的無縫切換，確保在各種場景下都能實現最佳性能。
• 推理能力顯著提升，在數學、代碼生成和常識邏輯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）。
• 高度符合人類偏好，在創意寫作、角色扮演、多輪對話和指令遵循方面表現出色，提供更自然、引人入勝和沉浸式的對話體驗。
• 卓越的智能體能力，能夠在思考和非思考模式下精確集成外部工具，並在複雜的基於智能體的任務中在開源模型中取得領先性能。
• 支持100多種語言和方言，具備強大的“多語言指令遵循”和“翻譯”能力。

Qwen3-235B-A22B模型概述

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。

💻 使用示例

基礎用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-235B-A22B"

# 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 # 在思考模式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

在思考模式和非思考模式之間切換

enable_thinking=True

默認情況下，Qwen3啟用了思考能力，類似於QwQ - 32B。這意味著模型將運用其推理能力來提高生成響應的質量。例如，在 tokenizer.apply_chat_template 中顯式設置 enable_thinking=True 或將其保留為默認值時，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
)

在這種模式下，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，請使用 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

提供了一個硬開關來嚴格禁用模型的思考行為，使其功能與之前的Qwen2.5 - Instruct模型保持一致。這種模式在必須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
)

在這種模式下，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。

通過用戶輸入在思考模式和非思考模式之間切換

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。具體來說，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。

以下是一個多輪對話的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-235B-A22B"):
        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"User: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"Bot: {response_1}")
    print("----------------------")

    # 第二次輸入帶有/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("----------------------")

    # 第三次輸入帶有/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

為了保證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，這個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。

智能體使用

Qwen3在工具調用能力方面表現出色。建議使用Qwen - Agent來充分發揮Qwen3的智能體能力。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。

要定義可用的工具，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

# 定義大語言模型
llm_cfg = {
    'model': 'Qwen3-235B-A22B',

    # 使用阿里雲魔搭平臺提供的端點：
    # '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：當響應已被reasoning_content和content分隔時。
    #         '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
]

# 定義智能體
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)

處理長文本

Qwen3原生支持長達32,768個標記的上下文長度。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縮放技術來有效處理長文本。已使用YaRN方法驗證了模型在長達131,072個標記的上下文長度上的性能。

目前，transformers 和 llama.cpp 等幾個推理框架支持本地使用YaRN，vllm 和 sglang 支持部署使用。一般來說，對於支持的框架，有兩種啟用YaRN的方法：

• 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 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'}

請將 transformers 升級到 transformers>=4.51.0。

⚠️ 重要提示

所有著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65,536個標記，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40,960。此分配包括為輸出保留32,768個標記和為典型提示保留8,192個標記，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32,768個標記，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

阿里雲魔搭平臺提供的端點默認支持動態YaRN，無需額外配置。

📚 詳細文檔

最佳實踐

為了實現最佳性能，建議遵循以下設置：

1. 採樣參數：
   • 對於思考模式（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。
   • 對於非思考模式（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，可以將 presence_penalty 參數調整在0到2之間，以減少無限重複。但是，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32,768個標記的輸出長度。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38,912個標記。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 字段中僅用選項字母顯示您的選擇，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Jinja2提供的聊天模板中已經實現。但是，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

如果您覺得我們的工作有幫助，請引用：

@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。

推理說明

使用 vllm>=0.8.5 最大 -tp 4，對於8個GPU，使用 -tp 4 -pp 2

運行以下命令：

VLLM serve justinjja/Qwen3-235B-A22B-INT4-W4A16 -tp 4

量化代碼可在此處找到：https://huggingface.co/justinjja/Qwen3-235B-A22B-INT4-W4A16/blob/main/quantization_script.py