Qwen3 4B INT8

🚀 智譜清言3-4B-INT8模型使用指南

本項目基於Hugging Face transformers庫，提供了智譜清言3-4B-INT8模型的使用方法，支持文本生成、思維模式切換、工具調用、長文本處理等功能，幫助用戶高效使用該模型進行文本處理任務。

🔍 模型信息

🚀 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示例：

from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "zhiqing/Qwen3-4B-INT8"
# 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)

部署建議

部署時，可使用sglang>=0.4.6.post1或vllm>=0.8.4創建與OpenAI兼容的API端點：

• SGLang：

  python -m sglang.launch_server --model-path zhiqing/Qwen3-4B-INT8 --reasoning-parser qwen3
  

• vLLM：

  vllm serve zhiqing/Qwen3-4B-INT8 --enable-reasoning --reasoning-parser deepseek_r1
  

本地使用

本地使用時，llama.cpp、Ollama、LMStudio和MLX-LM等應用也已支持Qwen3。

✨ 主要特性

思維模式切換

開啟思維模式 (enable_thinking=True)

默認情況下，Qwen3開啟了思維能力，類似於QwQ - 32B。這意味著模型將運用推理能力提升生成響應的質量。例如，在tokenizer.apply_chat_template中顯式設置enable_thinking=True或使用默認值時，模型將進入思維模式。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # enable_thinking的默認值為True
)

在此模式下，模型將生成包裹在<think>...</think>塊中的思考內容，隨後是最終響應。

⚠️ 重要提示

思維模式下，建議使用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，否則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。

關閉思維模式 (enable_thinking=False)

提供了硬開關來嚴格禁用模型的思維行為，使其功能與之前的Qwen2.5 - Instruct模型一致。此模式在必須禁用思維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可禁用思維模式
)

在此模式下，模型不會生成任何思考內容，也不會包含<think>...</think>塊。

⚠️ 重要提示

非思維模式下，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：通過用戶輸入切換思維模式

提供了軟開關機制，允許用戶在enable_thinking=True時動態控制模型的行為。具體而言，可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。

以下是一個多輪對話的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer
class QwenChatbot:
    def __init__(self, model_name="zhiqing/Qwen3-4B-INT8"):
        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，默認開啟思維模式）
    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，包含/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，包含/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}")

⚠️ 重要提示

為保證API兼容性，當enable_thinking=True時，無論用戶是否使用/think或/no_think，模型都會輸出包裹在<think>...</think>塊中的內容。但如果禁用了思維，此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。

工具調用能力

Qwen3在工具調用能力方面表現出色。建議使用[Qwen - Agent](https://github.com/QwenLM/Qwen - Agent)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。

以下是定義可用工具並使用模型的示例代碼：

from qwen_agent.agents import Assistant
# 定義大語言模型
llm_cfg = {
    'model': 'Qwen3-4B',
    # 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：當響應已通過reasoning_content和content分離。
    #         '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)

長文本處理能力

Qwen3原生支持最長32,768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縮放技術有效處理長文本。已使用YaRN方法驗證了模型在最長131,072個標記的上下文長度上的性能。

YaRN目前得到了多個推理框架的支持，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，在支持的框架中啟用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

• vLLM：

  vllm serve ... --rope-scaling '{"type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' --max-model-len 131072  
  

• sglang：

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'
  

• llama.cpp的llama-server：

  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。

⚠️ 重要提示

所有知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個標記，最好將factor設置為2.0。

⚠️ 重要提示

config.json中的默認max_position_embeddings設置為40,960。此分配包括為輸出預留32,768個標記和為典型提示預留8,192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32,768個標記，不建議在此場景中啟用YaRN，因為這可能會降低模型性能。

💡 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

為實現最佳性能，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和MinP = 0。請勿使用貪心解碼，否則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：大多數查詢建議使用32,768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38,912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：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您的選擇，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含最終輸出部分，無需包含思考內容。這已在提供的Jinja2聊天模板中實現。但對於不直接使用Jinja2聊天模板的框架，需要開發者確保遵循此最佳實踐。

引用

如果您覺得我們的工作有幫助，請隨意引用：

@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。