Qwen3 30B A3B GGUF

🚀 Qwen3-30B-A3B GGUF模型

Qwen3-30B-A3B GGUF模型是基于Qwen3-30B-A3B基础模型生成的一系列不同量化格式的模型，适用于不同硬件和内存条件。这些模型在文本生成任务中表现出色，并且支持超低比特量化技术，能在保证一定精度的同时，大幅减少内存使用。

🚀 快速开始

Qwen3-MoE的代码已集成在最新的Hugging Face transformers库中，建议使用最新版本的transformers。

若使用transformers<4.51.0，会遇到如下错误：

KeyError: 'qwen3_moe'

以下是一个代码示例，展示了如何使用该模型根据给定输入生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-30B-A3B"

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备模型输入
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间切换。默认为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 进行文本生成
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 解析思考内容
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)

对于部署，可以使用sglang>=0.4.6.post1或vllm>=0.8.5创建与OpenAI兼容的API端点：

• 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
  

对于本地使用，Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等应用也已支持Qwen3。

✨ 主要特性

模型生成细节

本模型使用llama.cpp在提交版本064cc596时生成。

超低比特量化（1 - 2比特）

最新的量化方法为超低比特模型（1 - 2比特）引入了精度自适应量化，在Llama - 3 - 8B上经基准测试证明有显著提升。该方法采用特定层策略，在保持极高内存效率的同时保留精度。

• 基准测试环境：所有测试均在Llama - 3 - 8B - Instruct上进行，使用标准困惑度评估流程、2048令牌上下文窗口，且所有量化使用相同的提示集。
• 方法：
  • 动态精度分配：前/后25%的层采用IQ4_XS（选定层），中间50%采用IQ2_XXS/IQ3_S（提高效率）。
  • 关键组件保护：嵌入层/输出层使用Q5_K，与标准1 - 2比特量化相比，误差传播减少38%。
• 量化性能对比（Llama - 3 - 8B）：

量化方式	标准困惑度	DynamicGate困惑度	困惑度变化	标准大小	DG大小	大小变化	标准速度	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

关键指标说明：

• PPL = 困惑度（越低越好）
• ∆ PPL = 从标准量化到DynamicGate量化的困惑度变化百分比
• 速度 = 推理时间（CPU avx2，2048令牌上下文）
• 大小差异反映混合量化开销

主要改进：

• IQ1_M困惑度降低43.9%（从27.46降至15.41）
• IQ2_S困惑度降低36.9%，仅增加0.2GB大小
• IQ1_S在1比特量化下仍保持39.7%的精度提升

权衡：

• 所有变体的大小增加适中（0.1 - 0.3GB）
• 推理速度相近（差异<5%）

适用场景

• 将模型装入GPU显存
• 内存受限的部署场景
• 可容忍1 - 2比特误差的CPU和边缘设备
• 超低比特量化研究

选择合适的模型格式

选择正确的模型格式取决于硬件能力和内存限制。

BF16（Brain Float 16）——若支持BF16加速则使用

• 一种16位浮点格式，专为更快计算设计，同时保留良好精度。
• 提供与FP32相似的动态范围，但内存使用更低。
• 若硬件支持BF16加速（检查设备规格），推荐使用。
• 与FP32相比，适用于高性能推理且内存占用减少的场景。

使用BF16的情况：

• 硬件具有原生BF16支持（如较新的GPU、TPU）。
• 希望在节省内存的同时获得更高精度。
• 计划将模型重新量化为其他格式。

避免使用BF16的情况：

• 硬件不支持BF16（可能会回退到FP32并运行较慢）。
• 需要与缺乏BF16优化的旧设备兼容。

F16（Float 16）——比BF16更广泛支持

• 一种16位浮点格式，精度较高，但取值范围小于BF16。
• 适用于大多数支持FP16加速的设备（包括许多GPU和一些CPU）。
• 数值精度略低于BF16，但通常足以进行推理。

使用F16的情况：

• 硬件支持FP16但不支持BF16。
• 需要在速度、内存使用和精度之间取得平衡。
• 在GPU或其他针对FP16计算优化的设备上运行。

避免使用F16的情况：

• 设备缺乏原生FP16支持（运行速度可能比预期慢）。
• 存在内存限制。

量化模型（Q4_K、Q6_K、Q8等）——用于CPU和低显存推理

量化可在尽可能保持精度的同时减少模型大小和内存使用。

• 低比特模型（Q4_K）：最适合最小内存使用，但精度可能较低。
• 高比特模型（Q6_K、Q8_0）：精度更高，但需要更多内存。

使用量化模型的情况：

• 在CPU上进行推理，需要优化模型。
• 设备显存较低，无法加载全精度模型。
• 希望在保持合理精度的同时减少内存占用。

避免使用量化模型的情况：

• 需要最高精度（全精度模型更适合）。
• 硬件有足够显存支持更高精度格式（BF16/F16）。

极低比特量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极致内存效率进行了优化，适用于低功耗设备或内存是关键限制因素的大规模部署。

• IQ3_XS：超低比特量化（3比特），具有极致内存效率。适用于超低内存设备，即使Q4_K也过大的情况。精度较低。
• IQ3_S：小块大小，实现最大内存效率。适用于低内存设备，IQ3_XS过于激进的情况。
• IQ3_M：中等块大小，精度优于IQ3_S。适用于低内存设备，IQ3_S限制较大的情况。
• Q4_K：4比特量化，采用块级优化以提高精度。适用于低内存设备，Q6_K过大的情况。
• Q4_0：纯4比特量化，针对ARM设备优化。适用于基于ARM的设备或低内存环境。

模型格式选择总结表

模型格式	精度	内存使用	设备要求	最佳使用场景
BF16	最高	高	支持BF16的GPU/CPU	减少内存的高速推理
F16	高	高	支持FP16的设备	BF16不可用时的GPU推理
Q4_K	中低	低	CPU或低显存设备	内存受限环境
Q6_K	中等	适中	内存较多的CPU	量化模型中精度较好的情况
Q8_0	高	适中	有足够显存的CPU或GPU	量化模型中精度最高
IQ3_XS	极低	极低	超低内存设备	极致内存效率，精度较低
Q4_0	低	低	ARM或低内存设备	llama.cpp可针对ARM设备优化

📦 安装指南

文档未提及具体安装步骤，可参考相关依赖库（如transformers、sglang、vllm等）的官方安装说明。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-30B-A3B"

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# 准备模型输入
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间切换。默认为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 进行文本生成
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# 解析思考内容
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)

高级用法

思考与非思考模式切换

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)

        # 更新历史记录
        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()

    # 第一次输入（无/think或/no_think标签，默认启用思考模式）
    user_input_1 = "How many r's in strawberries?"
    print(f"用户: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"机器人: {response_1}")
    print("----------------------")

    # 第二次输入，带有/no_think标签
    user_input_2 = "Then, how many r's in blueberries? /no_think"
    print(f"用户: {user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"机器人: {response_2}") 
    print("----------------------")

    # 第三次输入，带有/think标签
    user_input_3 = "Really? /think"
    print(f"用户: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"机器人: {response_3}")

代理使用

from qwen_agent.agents import Assistant

# 定义大语言模型
llm_cfg = {
    'model': 'Qwen3-30B-A3B',

    # 使用阿里云魔搭提供的端点：
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # 使用与OpenAI API兼容的自定义端点：
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # 其他参数：
    # 'generate_cfg': {
    #         # 添加：当响应内容为 `<think>this is the thought</think>this is the answer;
    #         # 不添加：当响应已通过推理内容和最终内容分离。
    #         'thought_in_content': True,
    #     },
}

# 定义工具
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',  # 内置工具
]

# 定义代理
bot = Assistant(llm=llm_cfg, function_list=tools)

# 流式生成
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ 介绍Qwen的最新发展'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

📚 详细文档

模型概述

Qwen3-30B-A3B具有以下特点：

属性	详情
模型类型	因果语言模型
训练阶段	预训练和后训练
参数数量	总共305亿，激活33亿
非嵌入参数数量	299亿
层数	48
注意力头数量（GQA）	Q为32，KV为4
专家数量	128
激活专家数量	8
上下文长度	原生32768，使用YaRN技术可达131072令牌

更多详细信息，包括基准评估、硬件要求和推理性能，请参考博客、GitHub和文档。

思考与非思考模式切换

enable_thinking=True

默认情况下，Qwen3启用思考能力，类似于QwQ - 32B。这意味着模型将运用推理能力提升生成响应的质量。例如，在tokenizer.apply_chat_template中显式设置enable_thinking=True或使用默认值时，模型将进入思考模式。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # enable_thinking的默认值为True
)

在此模式下，模型将生成包裹在<think>...</think>块中的思考内容，随后是最终响应。

⚠️ 重要提示

对于思考模式，使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（generation_config.json中的默认设置）。请勿使用贪心解码，因为这可能导致性能下降和无限重复。更多详细指导，请参考最佳实践部分。

enable_thinking=False

提供了一个硬开关，可严格禁用模型的思考行为，使其功能与之前的Qwen2.5 - Instruct模型一致。此模式在需要禁用思考以提高效率的场景中特别有用。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False  # 设置enable_thinking=False可禁用思考模式
)

在此模式下，模型不会生成任何思考内容，也不会包含<think>...</think>块。

⚠️ 重要提示

对于非思考模式，建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多详细指导，请参考最佳实践部分。

高级用法：通过用户输入切换思考与非思考模式

提供了一个软开关机制，允许用户在enable_thinking=True时动态控制模型的行为。具体而言，可以在用户提示或系统消息中添加/think和/no_think来逐轮切换模型的思考模式。在多轮对话中，模型将遵循最新的指令。

⚠️ 重要提示

对于API兼容性，当enable_thinking=True时，无论用户是否使用/think或/no_think，模型都会输出一个包裹在<think>...</think>中的块。但是，如果禁用了思考，该块内的内容可能为空。当enable_thinking=False时，软开关无效。无论用户输入任何/think或/no_think标签，模型都不会生成思考内容，也不会包含<think>...</think>块。

代理使用

Qwen3在工具调用能力方面表现出色。建议使用[Qwen - Agent](https://github.com/QwenLM/Qwen - Agent)充分发挥Qwen3的代理能力。Qwen - Agent内部封装了工具调用模板和工具调用解析器，大大降低了编码复杂度。

要定义可用工具，可以使用MCP配置文件、使用Qwen - Agent的集成工具或自行集成其他工具。

处理长文本

Qwen3原生支持长达32768令牌的上下文长度。对于总长度（包括输入和输出）显著超过此限制的对话，建议使用RoPE缩放技术有效处理长文本。已使用YaRN方法验证了模型在长达131072令牌上下文长度下的性能。

YaRN目前得到了多个推理框架的支持，例如本地使用的transformers和llama.cpp，以及用于部署的vllm和sglang。一般来说，有两种方法可以为支持的框架启用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
    }
}

对于llama.cpp，修改后需要重新生成GGUF文件。

传递命令行参数

• 对于vllm，可以使用：

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

• 对于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}}'

• 对于llama.cpp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'}

请升级transformers>=4.51.0。

⚠️ 重要提示

所有知名的开源框架都实现了静态YaRN，这意味着缩放因子无论输入长度如何都保持不变，可能会影响较短文本的性能。建议仅在需要处理长上下文时添加rope_scaling配置。也建议根据需要修改factor。例如，如果应用程序的典型上下文长度为65536令牌，最好将factor设置为2.0。

⚠️ 重要提示

config.json中的默认max_position_embeddings设置为40960。此分配包括为输出保留32768令牌和为典型提示保留8192令牌，这对于大多数短文本处理场景来说已经足够。如果平均上下文长度不超过32768令牌，不建议在这种情况下启用YaRN，因为这可能会降低模型性能。

💡 使用建议

阿里云魔搭提供的端点默认支持动态YaRN，无需额外配置。

最佳实践

为实现最佳性能，建议采用以下设置：

1. 采样参数：
   • 思考模式（enable_thinking=True）：使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0。请勿使用贪心解码，因为这可能导致性能下降和无限重复。
   • 非思考模式（enable_thinking=False）：建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。
   • 对于支持的框架，可以在0到2之间调整presence_penalty参数以减少无限重复。然而，使用较高的值可能偶尔会导致语言混合和模型性能略有下降。
2. 足够的输出长度：对于大多数查询，建议使用32768令牌的输出长度。对于高度复杂问题的基准测试，如数学和编程竞赛中的问题，建议将最大输出长度设置为38912令牌。这为模型提供了足够的空间来生成详细和全面的响应，从而提高其整体性能。
3. 标准化输出格式：在进行基准测试时，建议使用提示来标准化模型输出。
   • 数学问题：在提示中包含“请逐步推理，并将最终答案放在\boxed{}内。”
   • 多项选择题：在提示中添加以下JSON结构以标准化响应：“请在answer字段中仅显示选择字母，例如"answer": "C"。”
4. 历史记录中不包含思考内容：在多轮对话中，历史模型输出应仅包括最终输出部分，无需包含思考内容。这在提供的Jinja2聊天模板中已经实现。然而，对于不直接使用Jinja2聊天模板的框架，开发者需要确保遵循此最佳实践。

引用

如果您认为我们的工作有帮助，请随意引用：

@misc{qwen3,
    title  = {Qwen3},
    url    = {https://qwenlm.github.io/blog/qwen3/},
    author = {Qwen Team},
    month  = {April},
    year   = {2025}
}

📄 许可证

本项目采用Apache 2.0许可证。