Qwen3 4B 128K GGUF

🚀 Qwen3-4B

Qwen3-4B是Qwen系列的最新大语言模型，支持多种格式，具备强大的推理、指令遵循、智能体和多语言能力。可免费微调，还能导出到Ollama、llama.cpp或HF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，会遇到如下错误：

KeyError: 'qwen3'

以下是使用该模型根据给定输入生成内容的代码片段：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B"

# 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 vllm>=0.8.5 或 sglang>=0.4.5.post2 创建兼容OpenAI的API端点：

• vLLM：

  vllm serve Qwen/Qwen3-4B --enable-reasoning --reasoning-parser deepseek_r1
  

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-4B --reasoning-parser deepseek-r1
  

✨ 主要特性

Qwen3亮点

Qwen3是Qwen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维模式无缝切换：在“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）之间无缝切换，确保在各种场景下都能实现最佳性能。
• 显著增强推理能力：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）。
• 卓越的人类偏好对齐：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。
• 强大的智能体能力：能够在思考和非思考模式下精确集成外部工具，在复杂的基于智能体的任务中在开源模型中取得领先性能。
• 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

Qwen3-4B 具有以下特点：

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

💻 使用示例

基础用法

思考模式与非思考模式切换

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)
messages = [{"role": "user", "content": "Give me a short introduction to large language model."}]

# 思考模式
text_thinking = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True
)
model_inputs_thinking = tokenizer([text_thinking], return_tensors="pt").to(model.device)
generated_ids_thinking = model.generate(
    **model_inputs_thinking,
    max_new_tokens=32768
)
output_ids_thinking = generated_ids_thinking[0][len(model_inputs_thinking.input_ids[0]):].tolist()
try:
    index_thinking = len(output_ids_thinking) - output_ids_thinking[::-1].index(151668)
except ValueError:
    index_thinking = 0
thinking_content = tokenizer.decode(output_ids_thinking[:index_thinking], skip_special_tokens=True).strip("\n")
content_thinking = tokenizer.decode(output_ids_thinking[index_thinking:], skip_special_tokens=True).strip("\n")
print("Thinking mode - Thinking content:", thinking_content)
print("Thinking mode - Content:", content_thinking)

# 非思考模式
text_non_thinking = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False
)
model_inputs_non_thinking = tokenizer([text_non_thinking], return_tensors="pt").to(model.device)
generated_ids_non_thinking = model.generate(
    **model_inputs_non_thinking,
    max_new_tokens=32768
)
output_ids_non_thinking = generated_ids_non_thinking[0][len(model_inputs_non_thinking.input_ids[0]):].tolist()
content_non_thinking = tokenizer.decode(output_ids_non_thinking, skip_special_tokens=True).strip("\n")
print("Non-thinking mode - Content:", content_non_thinking)

高级用法

通过用户输入切换思考和非思考模式

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-4B"):
        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，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("----------------------")

    # 第三次输入，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}")

智能体使用

import os
from qwen_agent.agents import Assistant

# 定义大语言模型
llm_cfg = {
    'model': 'Qwen3-4B',

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

    # 使用自定义的兼容OpenAI API的端点：
    '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：当响应已被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']
            },
        }
    },
  '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': 'What time is it?'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

处理长文本

Qwen3原生支持长达32,768个token的上下文长度。对于输入和输出总长度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。使用 YaRN 方法，已验证模型在长达131,072个token的上下文长度上的性能。

YaRN目前得到了几个推理框架的支持，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，为受支持的框架启用YaRN有两种方法：

• 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
      }
  }
  

  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 '{"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":{"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 若遇到以下警告：

Unrecognized keys in `rope_scaling` for 'rope_type'='yarn': {'original_max_position_embeddings'}

请升级 transformers>=4.51.0。

💡 使用建议

• 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，并根据需要修改 factor。例如，如果应用程序的典型上下文长度为65,536个token，最好将 factor 设置为2.0。
• 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token和为典型提示保留8,192个token，这足以满足大多数短文本处理场景。如果平均上下文长度不超过32,768个token，不建议在此场景中启用YaRN，因为这可能会降低模型性能。
• 阿里云魔搭提供的端点默认支持动态YaRN，无需额外配置。

🔧 技术细节

最佳实践

为了实现最佳性能，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。
   • 对于受支持的框架，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。
2. 足够的输出长度：对于大多数查询，建议使用32,768个token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token。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 "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"."
4. 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，无需包括思考内容。这在Jinja2提供的聊天模板中已实现。但是，对于不直接使用Jinja2聊天模板的框架，开发人员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，请引用：

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

其他信息

• 查看所有版本的Qwen3，包括GGUF、4位和16位格式。
• 学习正确运行Qwen3。
• Unsloth Dynamic 2.0 实现了卓越的准确性，优于其他领先的量化方法。

免费使用Google Colab笔记本 微调Qwen3 (14B)。阅读关于Qwen3支持的博客，查看其他笔记本。运行并将微调后的模型导出到Ollama、llama.cpp或HF。