模型简介
模型特点
模型能力
使用案例
🚀 Qwen3-14B GGUF模型
Qwen3-14B GGUF模型是基于特定技术生成的文本生成模型,支持多种量化方式和模型格式,能根据不同的硬件和内存条件灵活选择,适用于多种场景,如网络监控、低内存设备推理等。
🚀 快速开始
Qwen3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
,会出现如下错误:
KeyError: 'qwen3'
以下是使用该模型根据给定输入生成内容的代码示例:
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen3-14B"
# 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。默认值为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
# 进行文本补全
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/Qwen3-14B --reasoning-parser qwen3
- vLLM:
vllm serve Qwen/Qwen3-14B --enable-reasoning --reasoning-parser deepseek_r1
对于本地使用,像Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等应用也已支持Qwen3。
✨ 主要特性
Qwen3亮点
Qwen3是通义系列的最新一代大语言模型,提供了一套全面的密集模型和专家混合(MoE)模型。基于广泛的训练,Qwen3在推理、指令遵循、智能体能力和多语言支持方面取得了突破性进展,具有以下关键特性:
- 独特支持单模型内思考模式(用于复杂逻辑推理、数学和编码)和非思考模式(用于高效通用对话)的无缝切换,确保在各种场景下都能实现最佳性能。
- 推理能力显著增强,在数学、代码生成和常识逻辑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)。
- 高度符合人类偏好,在创意写作、角色扮演、多轮对话和指令遵循方面表现出色,提供更自然、引人入胜和沉浸式的对话体验。
- 智能体能力卓越,能够在思考和非思考模式下与外部工具精确集成,在复杂的智能体任务中在开源模型中处于领先地位。
- 支持100多种语言和方言,具备强大的多语言指令遵循和翻译能力。
模型概述
Qwen3-14B 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 | 148亿 |
非嵌入参数数量 | 132亿 |
层数 | 40 |
注意力头数量(GQA) | Q为40,KV为8 |
上下文长度 | 原生支持32,768个标记,使用 YaRN 方法可支持131,072个标记 |
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。
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 上的基准测试证明了其有效性。该方法采用特定层策略,在保持极高内存效率的同时保留了准确性。
- 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管道、2048个标记的上下文窗口,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 |
关键改进:
- IQ1_M 的困惑度大幅降低43.9%(从27.46降至15.41)。
- IQ2_S 的困惑度降低36.9%,同时仅增加0.2GB。
- IQ1_S 尽管是1比特量化,但仍保持39.7%的更高准确性。
权衡:
- 所有变体的大小都有适度增加(0.1 - 0.3GB)。
- 推理速度相当(差异小于5%)。
适用场景
- 将模型装入GPU显存
- 内存受限的部署
- 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:
- 专为更快计算设计的16位浮点格式,同时保留良好的精度。
- 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),则推荐使用。
- 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:
- 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、内存使用和准确性之间取得平衡。
- 在为FP16计算优化的GPU或其他设备上运行。
避免使用F16的情况:
- 设备缺乏原生FP16支持(可能运行比预期慢)。
- 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准确性的同时减小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,可能精度较低。
- 高比特模型(Q6_K、Q8_0):准确性更好,但需要更多内存。
使用量化模型的情况:
- 在CPU上运行推理并需要优化模型。
- 设备显存较低,无法加载全精度模型。
- 希望在保持合理准确性的同时减少内存占用。
避免使用量化模型的情况:
- 需要最高准确性(全精度模型更适合)。
- 硬件有足够的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):这些模型针对极端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的大规模部署。
- IQ3_XS:超低比特量化(3比特),具有极高的内存效率。适用于超低内存设备,即使Q4_K也太大的情况。权衡是与高比特量化相比准确性较低。
- 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,比IQ3_S具有更好的准确性。适用于低内存设备,IQ3_S限制过多的情况。
- Q4_K:4比特量化,具有逐块优化以提高准确性。适用于低内存设备,Q6_K太大的情况。
- Q4_0:纯4比特量化,针对ARM设备进行了优化。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 | 最佳用例 |
---|---|---|---|---|
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 | 内存受限环境的最佳选择 |
Q6_K | 中等 | 适中 | 内存较多的CPU | 量化模型中准确性较好的选择 |
Q8_0 | 高 | 适中 | 有足够显存的CPU或GPU | 量化模型中准确性最高的选择 |
IQ3_XS | 非常低 | 非常低 | 超低内存设备 | 极端内存效率和低准确性 |
Q4_0 | 低 | 低 | ARM或低内存设备 | llama.cpp可针对ARM设备进行优化 |
💻 使用示例
基础用法
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen3-14B"
# 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。默认值为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
# 进行文本补全
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
思考和非思考模式切换
from transformers import AutoModelForCausalLM, AutoTokenizer
class QwenChatbot:
def __init__(self, model_name="Qwen/Qwen3-14B"):
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"User: {user_input_1}")
response_1 = chatbot.generate_response(user_input_1)
print(f"Bot: {response_1}")
print("----------------------")
# 第二次输入带/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("----------------------")
# 第三次输入带/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}")
智能体使用
from qwen_agent.agents import Assistant
# 定义大语言模型
llm_cfg = {
'model': 'Qwen3-14B',
# 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实际内容分开时。
# '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
]
# 定义智能体
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)
📚 详细文档
思考和非思考模式切换
⚠️ 重要提示
SGLang和vLLM创建的API中也提供了
enable_thinking
开关。请参考 SGLang 和 vLLM 用户文档。
enable_thinking=True
默认情况下,Qwen3启用了思考能力,类似于QwQ - 32B。这意味着模型将使用其推理能力来提高生成响应的质量。例如,当在 tokenizer.apply_chat_template
中显式设置 enable_thinking=True
或保留默认值时,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
)
在这种模式下,模型将生成包裹在 <think>...</think>
块中的思考内容,然后是最终响应。
⚠️ 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
提供了一个硬开关来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。这种模式在必须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禁用思考模式
)
在这种模式下,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和非思考模式
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。具体来说,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。模型将遵循多轮对话中的最新指令。
⚠️ 重要提示
为了兼容API,当
enable_thinking=True
时,无论用户是否使用/think
或/no_think
,模型总是会输出一个包裹在<think>...</think>
中的块。但是,如果思考被禁用,这个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。
处理长文本
Qwen3原生支持长达32,768个标记的上下文长度。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缩放技术来有效处理长文本。已使用 YaRN 方法验证了模型在长达131,072个标记的上下文长度上的性能。
YaRN目前被几个推理框架支持,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:
- 对于
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` 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'}
请升级 transformers >= 4.51.0
。
⚠️ 重要提示
所有著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65,536个标记,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40,960。此分配包括为输出保留32,768个标记和为典型提示保留8,192个标记,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32,768个标记,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
为了实现最佳性能,建议以下设置:
- 采样参数:
- 对于思考模式(
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。 - 对于非思考模式(
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。但是,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。
- 对于思考模式(
- 足够的输出长度:对于大多数查询,建议使用32,768个标记的输出长度。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38,912个标记。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。
- 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 "Please reason step by step, and put your final answer within \boxed{}."。
- 多项选择题:在提示中添加以下JSON结构以标准化响应:"Please show your choice in the
answer
field with only the choice letter, e.g.,"answer": "C"
."
- 历史记录中无思考内容:在多轮对话中,历史模型输出应仅包括最终输出部分,不需要包括思考内容。这在Jinja2提供的聊天模板中已经实现。但是,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
如果您觉得我们的工作有帮助,请随意引用:
@misc{qwen3,
title = {Qwen3},
url = {https://qwenlm.github.io/blog/qwen3/},
author = {Qwen Team},
month = {April},
year = {2025}
}
🔧 技术细节
模型生成详情
该模型使用 llama.cpp 在提交版本 19e899c
时生成。
📄 许可证
本项目采用 Apache 2.0 许可证。



