Qwen3 4B 128K GGUF

🚀 Qwen3-4B

Qwen3-4B是Qwen系列的最新大語言模型，支持多種格式，具備強大的推理、指令遵循、智能體和多語言能力。可免費微調，還能導出到Ollama、llama.cpp或HF等。

🚀 快速開始

Qwen3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'

以下是使用該模型根據給定輸入生成內容的代碼片段：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B"

# 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 vllm>=0.8.5 或 sglang>=0.4.5.post2 創建兼容OpenAI的API端點：

• vLLM：

  vllm serve Qwen/Qwen3-4B --enable-reasoning --reasoning-parser deepseek_r1
  

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-4B --reasoning-parser deepseek-r1
  

✨ 主要特性

Qwen3亮點

Qwen3是Qwen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。基於廣泛的訓練，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：

• 獨特支持單模型內思維模式無縫切換：在“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）之間無縫切換，確保在各種場景下都能實現最佳性能。
• 顯著增強推理能力：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）。
• 卓越的人類偏好對齊：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。
• 強大的智能體能力：能夠在思考和非思考模式下精確集成外部工具，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。

模型概述

Qwen3-4B 具有以下特點：

更多詳情，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

思考模式與非思考模式切換

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)
messages = [{"role": "user", "content": "Give me a short introduction to large language model."}]

# 思考模式
text_thinking = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True
)
model_inputs_thinking = tokenizer([text_thinking], return_tensors="pt").to(model.device)
generated_ids_thinking = model.generate(
    **model_inputs_thinking,
    max_new_tokens=32768
)
output_ids_thinking = generated_ids_thinking[0][len(model_inputs_thinking.input_ids[0]):].tolist()
try:
    index_thinking = len(output_ids_thinking) - output_ids_thinking[::-1].index(151668)
except ValueError:
    index_thinking = 0
thinking_content = tokenizer.decode(output_ids_thinking[:index_thinking], skip_special_tokens=True).strip("\n")
content_thinking = tokenizer.decode(output_ids_thinking[index_thinking:], skip_special_tokens=True).strip("\n")
print("Thinking mode - Thinking content:", thinking_content)
print("Thinking mode - Content:", content_thinking)

# 非思考模式
text_non_thinking = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False
)
model_inputs_non_thinking = tokenizer([text_non_thinking], return_tensors="pt").to(model.device)
generated_ids_non_thinking = model.generate(
    **model_inputs_non_thinking,
    max_new_tokens=32768
)
output_ids_non_thinking = generated_ids_non_thinking[0][len(model_inputs_non_thinking.input_ids[0]):].tolist()
content_non_thinking = tokenizer.decode(output_ids_non_thinking, skip_special_tokens=True).strip("\n")
print("Non-thinking mode - Content:", content_non_thinking)

高級用法

通過用戶輸入切換思考和非思考模式

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-4B"):
        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，含 /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，含 /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}")

智能體使用

import os
from qwen_agent.agents import Assistant

# 定義大語言模型
llm_cfg = {
    'model': 'Qwen3-4B',

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

    # 使用自定義的兼容OpenAI API的端點：
    '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：當響應已被推理內容和實際內容分開時。
    #         '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']
            },
        }
    },
  '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': 'What time is it?'}]
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token的上下文長度。對於輸入和輸出總長度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。使用 YaRN 方法，已驗證模型在長達131,072個token的上下文長度上的性能。

YaRN目前得到了幾個推理框架的支持，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，為受支持的框架啟用YaRN有兩種方法：

• 修改模型文件： 在 config.json 文件中添加 rope_scaling 字段：

  {
      ...,
      "rope_scaling": {
          "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 '{"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":{"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 若遇到以下警告：

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

請升級 transformers>=4.51.0。

💡 使用建議

• 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，並根據需要修改 factor。例如，如果應用程序的典型上下文長度為65,536個token，最好將 factor 設置為2.0。
• 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token和為典型提示保留8,192個token，這足以滿足大多數短文本處理場景。如果平均上下文長度不超過32,768個token，不建議在此場景中啟用YaRN，因為這可能會降低模型性能。
• 阿里雲魔搭提供的端點默認支持動態YaRN，無需額外配置。

🔧 技術細節

最佳實踐

為了實現最佳性能，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。
   • 對於受支持的框架，可以在0到2之間調整 presence_penalty 參數以減少無限重複。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token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token。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 "Please reason step by step, and put your final answer within \boxed{}."。
   • 多項選擇題：在提示中添加以下JSON結構以標準化響應："Please show your choice in the answer field with only the choice letter, e.g., "answer": "C"."
4. 歷史記錄中無思考內容：在多輪對話中，歷史模型輸出應僅包括最終輸出部分，無需包括思考內容。這在Jinja2提供的聊天模板中已實現。但是，對於不直接使用Jinja2聊天模板的框架，開發人員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}
}

其他信息

• 查看所有版本的Qwen3，包括GGUF、4位和16位格式。
• 學習正確運行Qwen3。
• Unsloth Dynamic 2.0 實現了卓越的準確性，優於其他領先的量化方法。

免費使用Google Colab筆記本 微調Qwen3 (14B)。閱讀關於Qwen3支持的博客，查看其他筆記本。運行並將微調後的模型導出到Ollama、llama.cpp或HF。