Qwen3 4B GGUF

🚀 Qwen3-4B-GGUF

Qwen3-4B-GGUF是Qwen系列最新一代大語言模型，具備多種先進特性，在推理、指令遵循、智能體能力和多語言支持等方面表現出色，能為用戶帶來更自然、更沉浸的對話體驗。

🚀 快速開始

llama.cpp

更多使用指南請查看我們的 llama.cpp 文檔。

建議你克隆 llama.cpp 並按照官方指南進行安裝，我們使用的是 llama.cpp 的最新版本。在以下示例中，假設你在 llama.cpp 倉庫下運行命令。

./llama-cli -hf Qwen/Qwen3-4B-GGUF:Q8_0 --jinja --color -ngl 99 -fa -sm row --temp 0.6 --top-k 20 --top-p 0.95 --min-p 0 --presence-penalty 1.5 -c 40960 -n 32768 --no-context-shift

ollama

更多使用指南請查看我們的 ollama 文檔。

你可以使用以下命令運行 Qwen3：

ollama run hf.co/Qwen/Qwen3-4B-GGUF:Q8_0

✨ 主要特性

Qwen3 亮點

Qwen3 是 Qwen 系列的最新一代大語言模型，提供了一系列密集型和專家混合（MoE）模型。經過大量訓練，Qwen3 在推理、指令遵循、智能體能力和多語言支持等方面取得了突破性進展，具有以下關鍵特性：

• 單模型支持思維模式無縫切換：可在思維模式（用於複雜邏輯推理、數學和編碼）和非思維模式（用於高效通用對話）之間無縫切換，確保在各種場景下都能達到最佳性能。
• 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（思維模式）和 Qwen2.5 指令模型（非思維模式）。
• 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。
• 強大的智能體能力：在思維和非思維模式下都能與外部工具精確集成，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。

Qwen3-4B 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，請參考我們的 博客、GitHub 和 文檔。

💻 使用示例

思維模式與非思維模式切換

你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維模式。在多輪對話中，模型將遵循最新的指令。

> Who are you /no_think

<think>

</think>

I am Qwen, a large-scale language model developed by Alibaba Cloud. [...]

> How many 'r's are in 'strawberries'? /think

<think>
Okay, let's see. The user is asking how many times the letter 'r' appears in the word "strawberries". [...]
</think>

The word strawberries contains 3 instances of the letter r. [...]

長文本處理

Qwen3 原生支持長達 32768 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。我們使用 YaRN 方法驗證了模型在長達 131072 個標記的上下文長度上的性能。

在 llama.cpp 中啟用 YARN：

./llama-cli ... -c 131072 --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

⚠️ 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 65536 個標記，最好將 factor 設置為 2.0。

💡 使用建議 阿里雲模型工作室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

為了獲得最佳性能，建議遵循以下設置：

1. 採樣參數：
   • 思維模式（enable_thinking=True）：使用 Temperature=0.6、TopP=0.95、TopK=20、MinP=0 和 PresencePenalty=1.5。請勿使用貪婪解碼，因為這可能導致性能下降和無限重複。
   • 非思維模式（enable_thinking=False）：建議使用 Temperature=0.7、TopP=0.8、TopK=20、MinP=0 和 PresencePenalty=1.5。
   • 對於量化模型，建議將 presence_penalty 設置為 1.5，以抑制重複輸出。可以在 0 到 2 之間調整 presence_penalty 參數。較高的值可能偶爾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 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 38912 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選擇，例如 "answer": "C"。”
4. 歷史記錄中不包含思維內容：在多輪對話中，歷史模型輸出應僅包含最終輸出部分，無需包含思維內容。這在提供的 Jinja2 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，請引用我們的工作：

@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。