模型简介
模型特点
模型能力
使用案例
🚀 Qwen3-8B-AWQ
Qwen3-8B-AWQ 是 Qwen3 系列的大语言模型,支持 100+ 种语言和方言,具备强大的多语言指令跟随和翻译能力。它在推理、指令跟随、智能体能力等方面有显著提升,还能在思考模式和非思考模式间无缝切换,以适应不同场景。
🚀 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'
以下代码展示了如何基于给定输入使用该模型生成内容:
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen3-8B-AWQ"
# 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间切换。默认值为 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
创建兼容 OpenAI 的 API 端点:
- SGLang:
python -m sglang.launch_server --model-path Qwen/Qwen3-8B-AWQ --reasoning-parser qwen3
- vLLM:
vllm serve Qwen/Qwen3-8B-AWQ --enable-reasoning --reasoning-parser deepseek_r1
更多使用指南请参考 AWQ 文档。
✨ 主要特性
Qwen3 亮点
Qwen3 是 Qwen 系列的最新一代大语言模型,提供了一系列密集模型和专家混合(MoE)模型。经过大量训练,Qwen3 在推理、指令跟随、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:
- 单模型内支持思考模式(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)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、多轮对话和指令跟随方面表现出色,提供更自然、引人入胜和沉浸式的对话体验。
- 具备强大的智能体能力,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+ 种语言和方言,具备强大的多语言指令跟随和翻译能力。
Qwen3-8B 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 | 82 亿 |
参数数量(非嵌入层) | 69.5 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,使用 YaRN 可支持 131,072 个标记 |
量化方式 | AWQ 4 位 |
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。
💻 使用示例
基础用法
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen3-8B-AWQ"
# 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间切换。默认值为 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
思考模式和非思考模式切换
from transformers import AutoModelForCausalLM, AutoTokenizer
class QwenChatbot:
def __init__(self, model_name="Qwen/Qwen3-8B-AWQ"):
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 /no_think
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 /think
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}")
智能体使用
from qwen_agent.agents import Assistant
# 定义大语言模型
llm_cfg = {
'model': 'Qwen3-8B-AWQ',
# 使用阿里云魔搭平台提供的端点:
# 'model_type': 'qwen_dashscope',
# 'api_key': os.getenv('DASHSCOPE_API_KEY'),
# 使用兼容 OpenAI API 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。
# '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
思考模式和非思考模式切换
💡 使用建议
SGLang 和 vLLM 创建的 API 也支持
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。更多详细指南,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
。更多详细指南,请参考最佳实践部分。
高级用法:通过用户输入在思考和非思考模式间切换
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
为保证 API 兼容性,当
enable_thinking=True
时,无论用户是否使用/think
或/no_think
,模型始终会输出一个包裹在<think>...</think>
中的块。但是,如果禁用思考,此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。
长文本处理
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 目前得到了几个推理框架的支持,例如本地使用的 transformers
、用于部署的 vllm
和 sglang
。一般来说,为支持的框架启用 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": {
"rope_type": "yarn",
"factor": 4.0,
"original_max_position_embeddings": 32768
}
}
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}}'
⚠️ 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已足够。如果平均上下文长度不超过 32,768 个标记,不建议在此场景中启用 YaRN,因为这可能会降低模型性能。
💡 使用建议
阿里云魔搭平台提供的端点默认支持动态 YaRN,无需额外配置。
性能
模式 | 量化类型 | LiveBench 2024 - 11 - 25 | GPQA | MMLU - Redux | AIME24 |
---|---|---|---|---|---|
思考模式 | bf16 | 67.1 | 62.0 | 87.5 | 76.0 |
思考模式 | AWQ - int4 | 65.5 | 59.0 | 86.4 | 71.3 |
非思考模式 | bf16 | 53.5 | 39.3 | 79.5 | - |
非思考模式 | AWQ - int4 | 48.9 | 35.9 | 79.1 | - |
最佳实践
为实现最佳性能,建议采用以下设置:
- 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,可以将
presence_penalty
参数在 0 到 2 之间调整以减少无限重复。强烈建议为量化模型将此值设置为 1.5。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。
- 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:建议在基准测试时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 聊天模板中已实现。然而,对于不直接使用 Jinja2 聊天模板的框架,开发者需确保遵循此最佳实践。
🔧 技术细节
引用
如果您认为我们的工作有帮助,请引用:
@misc{qwen3,
title = {Qwen3},
url = {https://qwenlm.github.io/blog/qwen3/},
author = {Qwen Team},
month = {April},
year = {2025}
}
📄 许可证
本项目采用 Apache-2.0 许可证。



