Qwen3 0.6B Llamafile

🚀 Qwen 3 0.6B - llamafile

Mozilla將Qwen 3模型打包成可執行權重，即llamafile，為Linux、MacOS、Windows等系統提供便捷的模型使用方式。

🚀 快速開始

要開始使用，你需要Qwen 3的權重和llamafile軟件。這兩者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_Qwen3-0.6B-Q4_K_M.llamafile
chmod +x Qwen_Qwen3-0.6B-Q4_K_M.llamafile
./Qwen_Qwen3-0.6B-Q4_K_M.llamafile

這些llamafile的默認操作模式是我們新的命令行聊天機器人界面。

✨ 主要特性

• 多系統支持：可在Linux、MacOS、Windows、FreeBSD、OpenBSD和NetBSD系統（AMD64和ARM64架構）上運行。
• 多種使用模式：提供命令行聊天機器人界面、Web GUI和高級CLI模式。
• 上下文窗口靈活：模型最大上下文窗口大小為128k令牌，默認使用8192令牌，可通過參數調整。
• GPU加速：在有足夠RAM的GPU上，可通過參數使用NVIDIA或AMD GPU加速。

📦 安裝指南

下載並運行llamafile

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

Linux系統避免運行檢測錯誤

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"

💻 使用示例

基礎用法

命令行聊天機器人界面

./Qwen_Qwen3-0.6B-Q4_K_M.llamafile

Web GUI模式

./Qwen_Qwen3-0.6B-Q4_K_M.llamafile --server

高級CLI模式

./Qwen_Qwen3-0.6B-Q4_K_M.llamafile --cli -p 'four score and seven' --log-disable

高級用法

切換上下文窗口大小

./Qwen_Qwen3-0.6B-Q4_K_M.llamafile -c 0

使用GPU加速

./Qwen_Qwen3-0.6B-Q4_K_M.llamafile -ngl 999

📚 詳細文檔

使用說明

• 多行提問：可以使用三引號進行多行提問。
• 查看運行狀態信息：可以傳遞/stats和/context等命令查看運行時狀態信息。
• 更改系統提示：可以通過傳遞-p "new system prompt"標誌更改系統提示。
• 中斷模型：按CTRL-C中斷模型。
• 退出：按CTRL-D退出。

上下文窗口

該模型的最大上下文窗口大小為128k令牌，默認使用8192令牌的上下文窗口大小。可以通過傳遞-c 0標誌讓llamafile使用最大上下文大小。如果想與書籍進行對話，可以使用-f book.txt標誌。

GPU加速

在有足夠RAM的GPU上，可以傳遞-ngl 999標誌使用系統的NVIDIA或AMD GPU。在Windows上，如果擁有NVIDIA GPU，只需安裝顯卡驅動；如果擁有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，默認使用預構建的tinyBLAS庫進行矩陣乘法。如果系統上安裝了CUDA SDK，可以傳遞--recompile標誌為系統構建一個使用cuBLAS的GGML CUDA庫，以確保獲得最佳性能。

🔧 技術細節

模型信息

代碼示例

使用transformers庫進行文本生成

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-0.6B"

# 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)

使用SGLang或vLLM創建OpenAI兼容的API端點

• SGLang:

  python -m sglang.launch_server --model-path Qwen/Qwen3-0.6B --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-0.6B --enable-reasoning --reasoning-parser deepseek_r1
  

思維模式和非思維模式切換

# 啟用思維模式
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True
)

# 禁用思維模式
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False
)

高級用法：通過用戶輸入在思維模式和非思維模式之間切換

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-0.6B"):
        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，默認啟用思維模式）
    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}")

代理使用

from qwen_agent.agents import Assistant

# 定義大語言模型
llm_cfg = {
    'model': 'Qwen3-0.6B',

    # 使用阿里雲模型工作室提供的端點：
    # '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
]

# 定義代理
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)

📄 許可證

本項目採用Apache-2.0許可證，詳情請見LICENSE。

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}
}

最佳實踐

⚠️ 重要提示

如果遇到嚴重的無限重複問題，請參考最佳實踐部分獲取最佳採樣參數，並將presence_penalty設置為1.5。

💡 使用建議

為了獲得最佳性能，建議進行以下設置：

1. 採樣參數：
   • 思維模式（enable_thinking=True）：使用Temperature=0.6，TopP=0.95，TopK=20和MinP=0。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：對於大多數查詢，建議使用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，以為模型提供足夠的空間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{}中”。
   • 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字段中僅使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，不需要包含思維內容。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，開發人員需要確保遵循最佳實踐。