Qwen3 30B A3B Llamafile

🚀 Qwen3-30B-A3B - llamafile

Qwen3-30B-A3B - llamafile 是將 Qwen 3 模型打包成可執行權重的項目，能讓用戶在 Linux、MacOS、Windows 等多種系統上輕鬆、快速地使用該模型。

🚀 快速開始

啟動 llamafile 版本

要開始使用，你需要 Qwen 3 的權重和 llamafile 軟件，它們都包含在一個文件中，可以按以下步驟下載並運行：

wget https://huggingface.co/Mozilla/Qwen3-0.6B-llamafile/resolve/main/Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile
chmod +x Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile
./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile

這些 llamafile 的默認操作模式是新的命令行聊天機器人界面。

啟動 Qwen3-30B-A3B 版本

Qwen3-MoE 的代碼已集成在最新的 Hugging Face transformers 中，建議你使用最新版本的 transformers。若使用 transformers<4.51.0，會遇到以下錯誤：

KeyError: 'qwen3_moe'

以下是一段代碼示例，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。默認值為 True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 進行文本補全
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，你可以使用 sglang>=0.4.6.post1 或 vllm>=0.8.5 來創建一個與 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 等應用程序也支持 Qwen3。

✨ 主要特性

Qwen3 模型亮點

Qwen3 是通義千問系列的最新一代大語言模型，提供了一系列密集型和混合專家（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：

• 獨特支持單模型內思考模式（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）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。
• 出色的智能體能力，能夠在思考和非思考模式下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。

Qwen3-30B-A3B 模型特性

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

llamafile 版本

你可以使用三引號進行多行提問。可以傳遞 /stats 和 /context 等命令查看運行時狀態信息。可以通過傳遞 -p "new system prompt" 標誌更改系統提示。可以按 CTRL - C 中斷模型，最後按 CTRL - D 退出。 如果你更喜歡使用 Web GUI，可以使用 --server 模式，它將在瀏覽器中打開一個帶有聊天機器人和補全界面的標籤頁。如需更多使用幫助，請傳遞 --help 標誌。服務器還有一個與 OpenAI API 兼容的補全端點，可以使用 openai pip 包通過 Python 訪問。

./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile --server

還提供了一個高級 CLI 模式，對 shell 腳本編寫很有用。可以通過傳遞 --cli 標誌使用它。如需更多使用幫助，請傳遞 --help 標誌。

./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile --cli -p 'four score and seven' --log-disable

Qwen3-30B-A3B 版本

# 上述快速開始部分的代碼示例
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。默認值為 True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 進行文本補全
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

思考和非思考模式切換

enable_thinking=True

默認情況下，Qwen3 啟用了思考能力，類似於 QwQ - 32B。這意味著模型將使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，然後是最終響應。

⚠️ 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

我們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 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。

高級用法：通過用戶輸入在思考和非思考模式之間切換

我們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，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/Qwen3-30B-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（沒有 /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

為了與 API 兼容，當 enable_thinking=True 時，無論用戶是否使用 /think 或 /no_think，模型都會始終輸出一個包裹在 <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。我們建議使用 [Qwen - Agent](https://github.com/QwenLM/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。 要定義可用工具，你可以使用 MCP 配置文件，使用 Qwen - Agent 的集成工具，或者自己集成其他工具。

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：當響應已被推理內容和內容分隔時。
    #         'thought_in_content': True,
    #     },
}

# 定義工具
tools = [
    {'mcpServers': {  # 你可以指定 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)

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，我們建議使用 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。 YaRN 目前由幾個推理框架支持，例如本地使用的 transformers 和 llama.cpp，部署使用的 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 中的 llama-server，可以使用：

llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

⚠️ 重要提示

如果你遇到以下警告：

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。也建議根據需要修改 factor。例如，如果你的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

config.json 中的默認 max_position_embeddings 設置為 40960。此分配包括為輸出保留 32768 個標記和為典型提示保留 8192 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 32768 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，我們建議以下設置：

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：建議大多數查詢使用 32768 個標記的輸出長度。對於高度複雜問題的基準測試，例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：建議在進行基準測試時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，不需要包括思考內容。這在 Jinja2 中提供的聊天模板中實現。但是，對於不直接使用 Jinja2 聊天模板的框架，由開發人員確保遵循最佳實踐。

引用

如果你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。

🚧 故障排除

運行問題

如果你遇到問題，請參閱 README 的"注意事項"部分。 在 Linux 上，避免運行檢測器錯誤的方法是安裝 APE 解釋器。

sudo wget -O /usr/bin/ape https://cosmo.zip/pub/cosmos/bin/ape-$(uname -m).elf
sudo chmod +x /usr/bin/ape
sudo sh -c "echo ':APE:M::MZqFpD::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"
sudo sh -c "echo ':APE-jart:M::jartsr::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"

在 Windows 上，可執行文件大小有 4GB 限制。

上下文窗口

此模型的最大上下文窗口大小為 128k 標記。默認情況下，使用 8192 個標記的上下文窗口大小。你可以通過傳遞 -c 0 標誌要求 llamafile 使用最大上下文大小。這足夠容納一本小書。如果你想能夠與你的書進行對話，可以使用 -f book.txt 標誌。

GPU 加速

在具有足夠 RAM 的 GPU 上，可以傳遞 -ngl 999 標誌以使用系統的 NVIDIA 或 AMD GPU。在 Windows 上，如果你擁有 NVIDIA GPU，只需安裝顯卡驅動程序。在 Windows 上，如果你擁有 AMD GPU，首次運行 llamafile 時應安裝 ROCm SDK v6.1，然後傳遞 --recompile --gpu amd 標誌。 在 NVIDIA GPU 上，默認情況下，使用預構建的 tinyBLAS 庫進行矩陣乘法。這是開源軟件，但它的速度不如閉源的 cuBLAS。如果你的系統上安裝了 CUDA SDK，可以傳遞 --recompile 標誌為你的系統構建一個使用 cuBLAS 的 GGML CUDA 庫。這確保你獲得最大性能。 更多信息，請參閱 llamafile README。