HuggingFace镜像/Qwen3-32B-AWQ
模型介绍模型推理文件和版本分析
下载使用量0

Qwen3-32B-AWQ

Chat

Qwen3 核心亮点

Qwen3 是通义千问系列最新一代大规模语言模型,提供完整的稠密模型与混合专家(MoE)模型组合。基于海量训练数据构建的 Qwen3,在推理能力、指令遵循、智能体功能及多语言支持方面实现突破性进展,具备以下核心特性:

  • 独创性支持思维模式(适用于复杂逻辑推理、数学与代码生成)与非思维模式(适用于高效通用对话)在单一模型内无缝切换,确保各类场景下的最优性能表现
  • 推理能力显著增强,在数学计算、代码生成与常识逻辑推理任务中,全面超越前代 QwQ(思维模式)与 Qwen2.5 instruct 模型(非思维模式)
  • 卓越的人类偏好对齐能力,在创意写作、角色扮演、多轮对话及指令遵循方面表现突出,提供更自然、引人入胜的沉浸式对话体验
  • 专业的智能体功能支持,可在思维与非思维模式下精准对接外部工具,在复杂智能体任务中达到开源模型的领先水平
  • 支持 100+ 语言与方言,具备强大的多语言指令遵循与翻译能力

模型概览

Qwen3-32B 具备以下特性:

  • 模型类型:因果语言模型
  • 训练阶段:预训练与后训练
  • 参数量:32.8B
  • 非嵌入参数量:31.2B
  • 层数:64
  • 注意力头数(GQA):查询头64个,键值头8个
  • 上下文长度:原生支持 32,768 tokens,通过 YaRN 扩展至 131,072 tokens
  • 量化方案:AWQ 4-bit

更多关于基准测试评估、硬件需求及推理性能的详细信息,请参阅我们的博客、GitHub 与技术文档。

快速开始

Qwen3的代码已集成至最新版Hugging Face transformers,建议您使用最新版本的transformers。

若使用transformers<4.51.0版本,您将会遇到以下错误:

KeyError: 'qwen3'

以下包含一个代码片段,演示了如何根据给定输入使用模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-32B-AWQ"

# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# prepare the model input
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 # Switches between thinking and non-thinking modes. Default is True.
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# parsing thinking content
try:
    # rindex finding 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,您可以使用 sglang>=0.4.6.post1 或 vllm>=0.8.5 来创建兼容 OpenAI 的 API 端点:

  • SGLang:
    python -m sglang.launch_server --model-path Qwen/Qwen3-32B-AWQ --reasoning-parser qwen3
  • vLLM:
    vllm serve Qwen/Qwen3-32B-AWQ --enable-reasoning --reasoning-parser deepseek_r1

更多使用指南,请查阅我们的 AWQ 文档。

切换思考模式与非思考模式

[!TIP] enable_thinking 开关同样适用于 SGLang 和 vLLM 创建的 API。 请参阅我们的 SGLang 和 vLLM 用户文档。

enable_thinking=True

默认情况下,Qwen3 启用了思考能力,类似于 QwQ-32B。这意味着模型将运用其推理能力来提升生成回答的质量。例如,当在 tokenizer.apply_chat_template 中显式设置 enable_thinking=True 或保留其默认值时,模型将进入思考模式。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # True is the default value for enable_thinking
)

在此模式下,模型将生成包裹在<think>...</think>标签块内的思考内容,随后输出最终响应。

[!注意] 使用思考模式时,请设置Temperature=0.6、TopP=0.95、TopK=20及MinP=0(即generation_config.json中的默认配置)。切勿使用贪心解码,否则可能导致性能下降和无限重复。更详细的指导请参阅最佳实践章节。

enable_thinking=False

我们提供了强制关闭模型思考行为的硬性开关,使其功能与先前Qwen2.5-Instruct模型保持一致。该模式在必须禁用思考以提升效率的场景中尤为实用。

(译文严格保持原始Markdown格式,专业术语如Temperature/TopP等保留英文形式,技术概念采用"贪心解码"等符合AI领域的规范表述,同时确保行文流畅自然)

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False  # Setting enable_thinking=False disables thinking mode
)

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。

[!注意] 对于非思考模式,建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更详细的指导请参阅最佳实践章节。

高级用法:通过用户输入切换思考与非思考模式

我们提供了软切换机制,当enable_thinking=True时,允许用户动态控制模型行为。具体而言,您可以在用户提示或系统消息中添加/think和/no_think指令,实现逐轮切换模型的思考模式。在多轮对话中,模型将遵循最近一次收到的指令。

以下是一个多轮对话示例:

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-32B-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)

        # Update history
        self.history.append({"role": "user", "content": user_input})
        self.history.append({"role": "assistant", "content": response})

        return response

# Example Usage
if __name__ == "__main__":
    chatbot = QwenChatbot()

    # First input (without /think or /no_think tags, thinking mode is enabled by default)
    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("----------------------")

    # Second input with /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("----------------------")

    # Third input with /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}")

[!注意] 为确保API兼容性,当启用enable_thinking=True时,无论用户使用/think还是/no_think指令,模型始终会输出用<think>...</think>包裹的区块。但若思考功能被禁用,该区块内的内容可能为空。 当enable_thinking=False时,软开关将失效。无论用户输入任何/think或/no_think标签,模型既不会生成思考内容,也不会包含<think>...</think>区块。

智能体应用

Qwen3在工具调用能力方面表现卓越。我们推荐使用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,可大幅降低编码复杂度。

您可以通过MCP配置文件定义可用工具,使用Qwen-Agent的集成工具,或自行集成其他工具。

from qwen_agent.agents import Assistant

# Define LLM
llm_cfg = {
    'model': 'Qwen3-32B-AWQ',

    # Use the endpoint provided by Alibaba Model Studio:
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # Use a custom endpoint compatible with OpenAI API:
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # Other parameters:
    # 'generate_cfg': {
    #         # Add: When the response content is `<think>this is the thought</think>this is the answer;
    #         # Do not add: When the response has been separated by reasoning_content and content.
    #         'thought_in_content': True,
    #     },
}

# Define Tools
tools = [
    {'mcpServers': {  # You can specify the MCP configuration file
            'time': {
                'command': 'uvx',
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
            },
            "fetch": {
                "command": "uvx",
                "args": ["mcp-server-fetch"]
            }
        }
    },
  'code_interpreter',  # Built-in tools
]

# Define Agent
bot = Assistant(llm=llm_cfg, function_list=tools)

# Streaming generation
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 原生支持高达 32,768 个 token 的上下文长度。对于总长度(包括输入和输出)远超此限制的对话,我们建议使用 RoPE 缩放技术来高效处理长文本。通过 YaRN 方法,我们已验证了模型在高达 131,072 个 token 的上下文长度上的性能表现。

目前,多个推理框架已支持 YaRN,例如本地使用的 transformers,以及部署时使用的 vllm 和 sglang。通常,在支持的框架中启用 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
        }
    }
  • 通过命令行参数传递:
    对于 vllm,可使用:

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

    对于 sglang,可使用:

    python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'

[!IMPORTANT]
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。

[!NOTE]
所有主流的开源框架均实现了静态 YaRN,这意味着无论输入长度如何,缩放因子均保持不变,这可能会影响短文本的性能。
我们建议仅在需要处理长上下文时添加 rope_scaling 配置。
同时,建议根据实际需求调整 factor。例如,如果您的应用通常需要处理 65,536 个 token 的上下文长度,将 factor 设置为 2.0 更为合适。

[!NOTE]
config.json 中默认的 max_position_embeddings 设置为 40,960。此分配包括为输出保留 32,768 个 token,以及为典型提示保留 8,192 个 token,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,我们不建议在此场景下启用 YaRN,因为这可能会降低模型性能。

[!TIP]
阿里云 Model Studio 提供的端点默认支持动态 YaRN,无需额外配置。

性能表现

模式量化类型LiveBench 2024-11-25GPQAMMLU-ReduxAIME24
思维模式bf1674.968.490.981.4
思维模式AWQ-int473.169.090.879.4
非思维模式bf1659.854.685.7-
非思维模式AWQ-int459.853.185.6-

最佳实践

为获得最佳性能,我们推荐以下设置:

  1. 采样参数:

    • 思维模式(enable_thinking=True)下,建议使用 Temperature=0.6、TopP=0.95、TopK=20 和 MinP=0。切勿使用贪心解码,否则可能导致性能下降和无限重复。
    • 非思维模式(enable_thinking=False)下,建议使用 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。
    • 对于支持的框架,可将 presence_penalty 参数设置在 0 到 2 之间以减少无限重复。强烈建议为量化模型将该值设为 1.5。但需注意,较高值偶尔可能导致语言混用和模型性能轻微下降。
  2. 充足的输出长度:对于大多数查询,建议输出长度设为 32,768 个词元。针对数学和编程竞赛等高复杂度问题的基准测试时,建议将最大输出长度设置为 38,912 个词元。这能为模型提供充足空间生成详细全面的回答,从而提升整体性能。

  3. 标准化输出格式:建议在基准测试时使用提示词规范模型输出:

    • 数学问题:在提示词中加入"请逐步推理,并将最终答案置于 \boxed{} 中"。
    • 选择题:在提示词中添加以下 JSON 结构以标准化响应:"请在 answer 字段中仅显示选项字母,例如 "answer": "C""。
  4. 历史记录中排除思维内容:在多轮对话中,历史模型输出应仅包含最终输出部分,无需包含思维内容。该功能已在提供的 Jinja2 聊天模板中实现。对于未直接使用 Jinja2 聊天模板的框架,需由开发者自行确保遵循此最佳实践。

引用说明

如果您认为我们的工作对您有所帮助,欢迎随时引用。

@misc{qwen3technicalreport,
      title={Qwen3 Technical Report}, 
      author={Qwen Team},
      year={2025},
      eprint={2505.09388},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2505.09388}, 
}