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:
Qwen3-32B 具备以下特性:
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。
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:
python -m sglang.launch_server --model-path Qwen/Qwen3-32B-AWQ --reasoning-parser qwen3vllm 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。
[!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。
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。
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)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。
| 模式 | 量化类型 | LiveBench 2024-11-25 | GPQA | MMLU-Redux | AIME24 |
|---|---|---|---|---|---|
| 思维模式 | bf16 | 74.9 | 68.4 | 90.9 | 81.4 |
| 思维模式 | AWQ-int4 | 73.1 | 69.0 | 90.8 | 79.4 |
| 非思维模式 | bf16 | 59.8 | 54.6 | 85.7 | - |
| 非思维模式 | AWQ-int4 | 59.8 | 53.1 | 85.6 | - |
为获得最佳性能,我们推荐以下设置:
采样参数:
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。enable_thinking=False)下,建议使用 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。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。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。
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:
answer 字段中仅显示选项字母,例如 "answer": "C""。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。
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},
}