模型简介
模型特点
模型能力
使用案例
🚀 Qwen3-235B-A22B-GPTQ-Int4
Qwen3-235B-A22B-GPTQ-Int4 是 Qwen3 系列模型的量化版本,支持单模型内思维模式与非思维模式无缝切换,推理能力强,能很好地对齐人类偏好,具备出色的智能体能力,还支持 100 多种语言和方言。
🚀 快速开始
⚠️ 重要提示
目前,
transformers
在对 GPTQ 量化模型进行多 GPU 推理时存在问题。我们建议使用 SGLang 或 vLLM 进行部署。
你可以使用 sglang>=0.4.6.post1
或 vllm==0.8.4
创建一个与 OpenAI 兼容的 API 端点:
- SGLang:
python -m sglang.launch_server --model-path Qwen/Qwen3-235B-A22B-GPTQ-Int4 --reasoning-parser qwen3 --tp 4
- vLLM:
vllm serve Qwen/Qwen3-235B-A22B-GPTQ-Int4 --enable-reasoning --reasoning-parser deepseek_r1 -tp 4
更多使用指南请查看 GPTQ 文档。
✨ 主要特性
Qwen3 亮点
Qwen3 是 Qwen 系列的最新一代大语言模型,提供了一套全面的密集模型和专家混合(MoE)模型。基于大量的训练,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:
- 单模型内支持思维模式(用于复杂逻辑推理、数学和编码)和非思维模式(用于高效的通用对话)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(思维模式)和 Qwen2.5 指令模型(非思维模式)。
- 高度对齐人类偏好,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。
- 具备出色的智能体能力,能够在思维和非思维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。
Qwen3-235B-A22B 特性
- 类型:因果语言模型
- 训练阶段:预训练和后训练
- 参数数量:总共 235B,激活 22B
- 参数数量(非嵌入):234B
- 层数:94
- 注意力头数量(GQA):Q 为 64,KV 为 4
- 专家数量:128
- 激活专家数量: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:GPTQ 4 位
更多详细信息,包括基准评估、硬件要求和推理性能,请参考我们的 博客、GitHub 和 文档。
💻 使用示例
基础用法
思维模式与非思维模式切换
enable_thinking=True
默认情况下,Qwen3 启用了思维能力,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,在 tokenizer.apply_chat_template
中显式设置 enable_thinking=True
或将其保留为默认值时,模型将进入思维模式。
text = tokenizer.apply_chat_template(
messages,
tokenize=False,
add_generation_prompt=True,
enable_thinking=True # True 是 enable_thinking 的默认值
)
在这种模式下,模型将生成包裹在 <think>...</think>
块中的思维内容,然后是最终响应。
⚠️ 重要提示
对于思维模式,请使用
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
我们提供了一个硬开关来严格禁用模型的思维行为,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维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 禁用思维模式
)
在这种模式下,模型将不会生成任何思维内容,也不会包含 <think>...</think>
块。
⚠️ 重要提示
对于非思维模式,我们建议使用
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
通过用户输入在思维和非思维模式之间切换
我们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,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。
from transformers import AutoModelForCausalLM, AutoTokenizer
class QwenChatbot:
def __init__(self, model_name="Qwen/Qwen3-235B-A22B-GPTQ-Int4"):
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(没有 /think 或 /no_think 标签,默认启用思维模式)
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
,模型都会输出一个包裹在<think>...</think>
中的块。但是,如果禁用了思维,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,模型都不会生成思维内容,也不会包含<think>...</think>
块。
智能体使用
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 的智能体能力。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。
from qwen_agent.agents import Assistant
# 定义大语言模型
llm_cfg = {
'model': 'Qwen3-235B-A22B-GPTQ-Int4',
# 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:当响应已被推理内容和内容分隔开时。
# '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)
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。我们已经使用 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 目前由几个推理框架支持,例如用于本地使用的 transformers
、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 } }
-
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}}'
⚠️ 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。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,这对于大多数涉及短文本处理的场景来说已经足够。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
阿里云魔搭提供的端点默认支持动态 YaRN,无需额外配置。
🔧 技术细节
性能
模式 | 量化类型 | LiveBench 2024 - 11 - 25 | GPQA | MMLU - Redux |
---|---|---|---|---|
思维 | bf16 | 77.1 | 71.1 | 92.7 |
思维 | GPTQ - int4 | 75.1 | 71.9 | 92.0 |
非思维 | bf16 | 62.5 | 62.9 | 89.2 |
非思维 | GPTQ - int4 | 61.1 | 62.8 | 89.0 |
最佳实践
为了实现最佳性能,我们建议以下设置:
-
采样参数:
- 对于思维模式 (
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。 - 对于非思维模式 (
enable_thinking=False
),我们建议使用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
参数以减少无限重复。我们强烈建议将量化模型的此值设置为 1.5。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。
- 对于思维模式 (
-
足够的输出长度:我们建议大多数查询使用 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,我们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:我们建议在进行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,不需要包括思维内容。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,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
如果您认为我们的工作有帮助,请引用我们的工作。
@misc{qwen3,
title = {Qwen3},
url = {https://qwenlm.github.io/blog/qwen3/},
author = {Qwen Team},
month = {April},
year = {2025}
}



