Qwen3 4B Llamafile

🚀 Qwen 3 4B - llamafile

Mozilla将Qwen 3模型打包成可执行权重，即 llamafiles。这为你在Linux、MacOS、Windows、FreeBSD、OpenBSD和NetBSD系统（AMD64和ARM64架构）上使用该模型提供了最简单、最快捷的方式。

🚀 快速开始

要开始使用，你需要Qwen 3的权重和llamafile软件。这两者都包含在一个文件中，可按以下步骤下载并运行：

wget https://huggingface.co/Mozilla/Qwen3-0.6B-llamafile/resolve/main/Qwen_Qwen3-4B-Q4_K_M.llamafile
chmod +x Qwen_Qwen3-4B-Q4_K_M.llamafile
./Qwen_Qwen3-4B-Q4_K_M.llamafile

这些llamafile的默认操作模式是我们新的命令行聊天机器人界面。

✨ 主要特性

• 模型创建者：Qwen
• 原始模型：Qwen/Qwen3-4B
• 软件最后更新时间：2025-05-14
• Llamafile版本：0.9.3

💻 使用示例

基础用法

你可以使用三引号进行多行提问。你可以传递 /stats 和 /context 等命令来查看运行时状态信息。你可以通过传递 -p "new system prompt" 标志来更改系统提示。你可以按 CTRL-C 中断模型，按 CTRL-D 退出。

高级用法

如果你更喜欢使用Web图形用户界面（GUI），可以使用 --server 模式，它将在你的浏览器中打开一个带有聊天机器人和完成界面的标签页。如需更多使用帮助，请传递 --help 标志。服务器还有一个与OpenAI API兼容的完成端点，可以通过Python的 openai pip包访问。

./Qwen_Qwen3-4B-Q4_K_M.llamafile --server

还提供了一种高级命令行界面（CLI）模式，适用于shell脚本编写。你可以通过传递 --cli 标志来使用它。如需更多使用帮助，请传递 --help 标志。

./Qwen_Qwen3-4B-Q4_K_M.llamafile --cli -p 'four score and seven' --log-disable

🔧 技术细节

故障排除

如果你遇到问题，请参阅README的 "注意事项" 部分。 在Linux上，避免运行检测器错误的方法是安装APE解释器：

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"

在Windows上，可执行文件大小限制为4GB。

上下文窗口

该模型的最大上下文窗口大小为128k个标记。默认情况下，使用8192个标记的上下文窗口大小。你可以通过传递 -c 0 标志让llamafile使用最大上下文大小，这足以容纳一本小书。如果你想与你的书进行对话，可以使用 -f book.txt 标志。

GPU加速

在具有足够显存的GPU上，可以传递 -ngl 999 标志来使用系统的NVIDIA或AMD GPU。在Windows上，如果你拥有NVIDIA GPU，只需安装显卡驱动程序。如果你拥有AMD GPU，首次运行llamafile时，应安装ROCm SDK v6.1，然后传递 --recompile --gpu amd 标志。 在NVIDIA GPU上，默认情况下，使用预构建的tinyBLAS库进行矩阵乘法。这是开源软件，但速度不如闭源的cuBLAS。如果你在系统上安装了CUDA SDK，可以传递 --recompile 标志来为你的系统构建一个使用cuBLAS的GGML CUDA库，以确保获得最佳性能。 如需更多信息，请参阅 llamafile README。

📄 许可证

本项目采用Apache-2.0许可证。详情请见 LICENSE。

---

🚀 Qwen3-4B

✨ 主要特性

Qwen3是Qwen系列的最新一代大语言模型，提供了一系列密集和专家混合（MoE）模型。基于广泛的训练，Qwen3在推理、指令遵循、代理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：

• 独特支持在单个模型内无缝切换思考模式（用于复杂逻辑推理、数学和编码）和 非思考模式（用于高效的通用对话），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）。
• 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。
• 出色的代理能力，能够在思考和非思考模式下精确集成外部工具，在复杂的基于代理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

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	40亿
非嵌入参数数量	36亿
层数	36
注意力头数量（GQA）	Q为32，KV为8
上下文长度	原生支持32,768个标记，使用 YaRN可支持131,072个标记

如需更多详细信息，包括基准评估、硬件要求和推理性能，请参阅我们的 博客、GitHub 和 文档。

⚠️ 重要提示 如果你遇到严重的无尽重复问题，请参阅 最佳实践 部分以获取最佳采样参数，并将 presence_penalty 设置为1.5。

🚀 快速开始

Qwen3的代码已集成到最新的Hugging Face transformers 中，我们建议你使用最新版本的 transformers。 使用 transformers<4.51.0 时，你会遇到以下错误：

KeyError: 'qwen3'

以下是一个代码片段，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/Qwen3-4B"

# 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，你可以使用 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/Qwen3-4B --reasoning-parser qwen3

• vLLM：

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

对于本地使用，Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等应用程序也支持Qwen3。

💻 使用示例

基础用法

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 或将其保留为默认值时，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，建议使用 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尽重复。如需更多详细指导，请参阅 最佳实践 部分。

高级用法

我们提供了一个硬开关，可严格禁用模型的思考行为，使其功能与之前的Qwen2.5-Instruct模型保持一致。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可禁用思考模式
)

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。如需更多详细指导，请参阅 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

我们提供了一种软开关机制，允许用户在 enable_thinking=True 时动态控制模型的行为。具体来说，你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。

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，带有 /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("----------------------")

    # 第三次输入，带有 /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}")

⚠️ 重要提示 为了与API兼容，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，如果禁用了思考，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。

代理使用

Qwen3在工具调用能力方面表现出色。我们建议使用 Qwen-Agent 来充分发挥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，你可以使用MCP配置文件，使用Qwen-Agent的集成工具，或自行集成其他工具。

from qwen_agent.agents import Assistant

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

    # 使用阿里云魔搭模型社区提供的端点：
    # '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reasoning_content和content分离时。
    #         'thought_in_content': True,
    #     },
}

# 定义工具
tools = [
    {'mcpServers': {  # 你可以指定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/ Introduce the latest developments of Qwen'}]
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，我们建议使用RoPE缩放技术来有效处理长文本。我们使用 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目前得到了几个推理框架的支持，例如用于本地使用的 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，你可以使用：

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

对于 sglang，你可以使用：

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，你可以使用：

llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

⚠️ 重要提示 如果你遇到以下警告：

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。我们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，如果你的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。这个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，我们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 阿里云魔搭模型社区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，我们建议以下设置：

1. 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尽重复。
   • 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，你可以在0到2之间调整 presence_penalty 参数以减少无尽重复。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个标记的输出长度。对于高度复杂问题的基准测试，例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。
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。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

如果你觉得我们的工作有帮助，请引用我们：

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