Qwen3 8B GGUF

🚀 Qwen3-8B GGUF模型

Qwen3-8B GGUF模型基於特定技術生成，具備多種量化方法和模型格式，可滿足不同硬件和場景需求，在文本生成等任務中表現出色。

🚀 快速開始

Qwen3的代碼已集成到最新的Hugging Face transformers 庫中，建議使用最新版本的 transformers。

若使用 transformers<4.51.0，會遇到以下錯誤：

KeyError: 'qwen3'

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/Qwen3-8B"

# 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，可使用 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/Qwen3-8B --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-8B --enable-reasoning --reasoning-parser deepseek_r1
  

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

✨ 主要特性

模型生成細節

該模型使用 llama.cpp 在提交版本 19e899c 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，經基準測試證明，在 Llama-3-8B 上有顯著改進。該方法採用特定層策略，在保持極高內存效率的同時保留準確性。

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
• 所有量化方法使用相同的提示集

方法

• 動態精度分配：
  • 前/後25%的層 → IQ4_XS（選定層）
  • 中間50% → 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%

量化性能比較（Llama-3-8B）

量化方式	標準困惑度	DynamicGate困惑度	Δ困惑度	標準大小	DG大小	Δ大小	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

關鍵說明：

• PPL = 困惑度（越低越好）
• Δ PPL = 標準困惑度與DynamicGate困惑度的百分比變化
• 速度 = 推理時間（CPU avx2，2048令牌上下文）
• 大小差異反映了混合量化開銷

主要改進：

• IQ1_M 的困惑度大幅降低43.9%（從27.46降至15.41）
• IQ2_S 的困惑度降低36.9%，同時僅增加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：

• 所有變體的大小均有適度增加（0.1 - 0.3GB）
• 推理速度相近（差異<5%）

使用場景

• 適配GPU顯存
• 內存受限的部署環境
• 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你的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），建議使用。
• 與FP32相比，適用於高性能推理且內存佔用減少的場景。

使用場景：

• 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。

避免場景：

• 硬件不支持BF16（可能回退到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。

使用場景：

• 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。
• 在為FP16計算優化的GPU或其他設備上運行。

避免場景：

• 設備缺乏原生FP16支持（可能運行速度比預期慢）。
• 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準確性的同時減小模型大小和內存使用。

• 低比特模型（Q4_K） → 內存使用最少，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。

使用場景：

• 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。

避免場景：

• 需要最高精度（全精度模型更適合）。
• 硬件有足夠的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）

這些模型針對極端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），具有極高的內存效率。
  • 使用場景：最適合超低內存設備，即使Q4_K也太大的情況。
  • 權衡：與高比特量化相比，精度較低。
• IQ3_S：小塊大小，實現最大內存效率。
  • 使用場景：最適合低內存設備，IQ3_XS過於激進的情況。
• IQ3_M：中等塊大小，精度優於IQ3_S。
  • 使用場景：適用於低內存設備，IQ3_S限制過多的情況。
• Q4_K：4比特量化，具有逐塊優化，精度更高。
  • 使用場景：最適合低內存設備，Q6_K太大的情況。
• Q4_0：純4比特量化，針對ARM設備優化。
  • 使用場景：最適合基於ARM的設備或低內存環境。

總結表：模型格式選擇

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	高速推理，減少內存佔用
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	內存受限環境的最佳選擇
Q6_K	中	適中	內存較多的CPU	量化模型中精度較好的選擇
Q8_0	高	適中	有足夠顯存的CPU或GPU	量化模型中精度最高的選擇
IQ3_XS	極低	極低	超低內存設備	極端內存效率和低精度場景
Q4_0	低	低	ARM或低內存設備	llama.cpp可針對ARM設備優化

Qwen3亮點

Qwen3是Qwen系列的最新一代大語言模型，提供了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、代理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：

• 獨特支持在單個模型內無縫切換思考模式（用於複雜邏輯推理、數學和編碼）和非思考模式（用於高效的通用對話），確保在各種場景下都能實現最佳性能。
• 推理能力顯著增強，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）。
• 與人類偏好的對齊度更高，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。
• 具備出色的代理能力，能夠在思考和非思考模式下精確集成外部工具，在複雜的基於代理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

Qwen3-8B 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	82億
非嵌入參數數量	69.5億
層數	36
注意力頭數量（GQA）	Q為32，KV為8
上下文長度	原生32,768，使用YaRN可支持131,072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。

💻 使用示例

基礎用法

以下是使用Qwen3-8B生成文本的基礎代碼示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B"

# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# prepare the model input
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 # Switches between thinking and non-thinking modes. Default is True.
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# parsing thinking content
try:
    # rindex finding 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/Qwen3-8B"):
        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)

        # Update history
        self.history.append({"role": "user", "content": user_input})
        self.history.append({"role": "assistant", "content": response})

        return response

# Example Usage
if __name__ == "__main__":
    chatbot = QwenChatbot()

    # First input (without /think or /no_think tags, thinking mode is enabled by default)
    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("----------------------")

    # Second input with /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("----------------------")

    # Third input with /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}")

代理使用

from qwen_agent.agents import Assistant

# Define LLM
llm_cfg = {
    'model': 'Qwen3-8B',

    # Use the endpoint provided by Alibaba Model Studio:
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # Use a custom endpoint compatible with OpenAI API:
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # Other parameters:
    # 'generate_cfg': {
    #         # Add: When the response content is `<think>this is the thought</think>this is the answer;
    #         # Do not add: When the response has been separated by reasoning_content and content.
    #         'thought_in_content': True,
    #     },
}

# Define Tools
tools = [
    {'mcpServers': {  # You can specify the MCP configuration file
            'time': {
                'command': 'uvx',
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
            },
            "fetch": {
                "command": "uvx",
                "args": ["mcp-server-fetch"]
            }
        }
    },
  'code_interpreter',  # Built-in tools
]

# Define Agent
bot = Assistant(llm=llm_cfg, function_list=tools)

# Streaming generation
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)

🔧 技術細節

處理長文本

Qwen3原生支持長達32,768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縮放技術來有效處理長文本。已使用 YaRN 方法驗證了模型在長達131,072令牌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，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，如果應用程序的典型上下文長度為65,536令牌，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40,960。此分配包括為輸出保留32,768令牌和為典型提示保留8,192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32,768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

阿里雲魔搭平臺提供的端點默認支持動態YaRN，無需額外配置。

最佳實踐

為了實現最佳性能，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32,768令牌的輸出長度。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38,912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：建議在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 “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，不需要包括思考內容。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。

📄 許可證

本項目採用 Apache-2.0許可證。

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}
}