Qwen3 8B GGUF

🚀 Qwen3-8B-GGUF

Qwen3-8B-GGUF是Qwen系列最新一代大语言模型，具备推理、指令遵循、智能体能力和多语言支持等多方面的先进特性，能为用户带来更自然、更沉浸的对话体验。

🚀 快速开始

llama.cpp

更多使用指南请查看 llama.cpp文档。

建议你克隆 llama.cpp 并按照官方指南进行安装，本项目遵循 llama.cpp 的最新版本。在以下演示中，假设你在 llama.cpp 仓库下运行命令。

./llama-cli -hf Qwen/Qwen3-8B-GGUF:Q8_0 --jinja --color -ngl 99 -fa -sm row --temp 0.6 --top-k 20 --top-p 0.95 --min-p 0 --presence-penalty 1.5 -c 40960 -n 32768 --no-context-shift

ollama

更多使用指南请查看 ollama文档。

你可以使用以下命令运行 Qwen3：

ollama run hf.co/Qwen/Qwen3-8B-GGUF:Q8_0

✨ 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。基于大量训练，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：

• 单模型内独特支持思维模式（用于复杂逻辑推理、数学和编码）和非思维模式（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（思维模式）和 Qwen2.5 指令模型（非思维模式）。
• 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。
• 具备卓越的智能体能力，能够在思维和非思维模式下与外部工具精确集成，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。

Qwen3-8B 模型概述

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

思维模式与非思维模式切换

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维模式。在多轮对话中，模型将遵循最新的指令。

以下是一个多轮对话示例：

> Who are you /no_think

<think>

</think>

I am Qwen, a large-scale language model developed by Alibaba Cloud. [...]

> How many 'r's are in 'strawberries'? /think

<think>
Okay, let's see. The user is asking how many times the letter 'r' appears in the word "strawberries". [...]
</think>

The word strawberries contains 3 instances of the letter r. [...]

长文本处理

Qwen3 原生支持最长 32,768 个词元的上下文长度。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。使用 YaRN 方法，已验证模型在最长 131,072 个词元的上下文长度上的性能。

在 llama.cpp 中启用 YARN：

./llama-cli ... -c 131072 --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

⚠️ 重要提示

所有著名的开源框架都实现了静态 YaRN，这意味着无论输入长度如何，缩放因子都保持不变，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 个词元，最好将 factor 设置为 2.0。

💡 使用建议

阿里云模型工作室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，建议遵循以下设置：

1. 采样参数：
   • 对于思维模式（enable_thinking=True），使用 Temperature=0.6、TopP=0.95、TopK=20、MinP=0 和 PresencePenalty=1.5。请勿使用贪婪解码，因为这可能导致性能下降和无限重复。
   • 对于非思维模式（enable_thinking=False），建议使用 Temperature=0.7、TopP=0.8、TopK=20、MinP=0 和 PresencePenalty=1.5。
   • 建议将量化模型的 presence_penalty 设置为 1.5 以抑制重复输出。可以在 0 到 2 之间调整 presence_penalty 参数，较高的值可能偶尔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 个词元的输出长度。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 个词元，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 字段中仅使用选项字母显示选择，例如 "answer": "C"”。
4. 历史记录中不包含思维内容：在多轮对话中，历史模型输出应仅包括最终输出部分，无需包含思维内容。这在提供的 Jinja2 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，由开发人员确保遵循最佳实践。

📄 许可证

本项目采用 Apache-2.0 许可证。

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}
}