Q
Qwen/Qwen3-4B-FP8
模型介绍文件和版本分析
下载使用量0

Qwen3-4B-FP8

Chat

Qwen3 亮点

Qwen3 是通义千问系列最新一代大规模语言模型，提供全面的稠密模型与混合专家（MoE）模型组合。基于大规模训练，Qwen3 在推理、指令遵循、智能体能力和多语言支持方面取得突破性进展，主要特性包括：

  • 独家支持单模型内思维模式（适用于复杂逻辑推理、数学与编程）与非思维模式（适用于高效通用对话）无缝切换，确保各类场景下的最优表现。
  • 推理能力显著增强，在数学、代码生成和常识逻辑推理任务上，超越前代 QwQ（思维模式）与 Qwen2.5 指令模型（非思维模式）。
  • 卓越的人类偏好对齐，在创意写作、角色扮演、多轮对话和指令遵循方面表现优异，提供更自然、引人入胜的沉浸式对话体验。
  • 专业级智能体能力，可在思维与非思维模式下精准整合外部工具，在开源模型的复杂智能体任务中保持领先性能。
  • 支持 100+ 种语言与方言，具备强大的多语言指令遵循与翻译能力。

模型概览

本仓库包含 Qwen3-4B 的 FP8 版本，具有以下特性：

  • 类型：因果语言模型
  • 训练阶段：预训练 & 后训练
  • 参数量：40 亿
  • 非嵌入参数量：36 亿
  • 层数：36
  • 注意力头数（GQA）：查询头 32 个，键值头 8 个
  • 上下文长度：原生支持 32,768 token，通过 YaRN 扩展至 131,072 token

更多细节（包括基准评估、硬件需求与推理性能）请参阅我们的博客、GitHub 和文档。

[!提示] 若遇到严重重复生成问题，请参考最佳实践章节获取最优采样参数，并将 presence_penalty 设置为 1.5。

快速开始

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

若使用 transformers<4.51.0，将出现以下错误：

KeyError: 'qwen3'

以下包含一段代码示例，展示如何基于给定输入使用模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B-FP8"

# 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)

部署时，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/Qwen3-4B-FP8 --reasoning-parser qwen3
  • vLLM： 
    vllm serve Qwen/Qwen3-4B-FP8 --enable-reasoning --reasoning-parser deepseek_r1

对于本地使用，Ollama、LMStudio、MLX-LM、llama.cpp 和 KTransformers 等应用也已支持 Qwen3。

关于 FP8 的说明

为了方便和性能考虑，我们为 Qwen3 提供了 fp8 量化的模型检查点，其名称以 -FP8 结尾。量化方法为块大小为 128 的细粒度 fp8 量化。您可以在 config.json 的 quantization_config 字段中找到更多详细信息。

您可以像使用原始的 bfloat16 模型一样，在 transformers、sglang 和 vllm 等多个推理框架中使用 Qwen3-4B-FP8 模型。但请注意以下已知问题：

  • transformers：
    • 目前 transformers 在分布式推理中对“细粒度 fp8”方法存在问题。如果推理中使用多设备，可能需要设置环境变量 CUDA_LAUNCH_BLOCKING=1。

思维模式与非思维模式切换

[!TIP] enable_thinking 开关同样适用于 SGLang 和 vLLM 创建的 API。 请参阅我们的文档了解 SGLang 和 vLLM 用户的使用方法。

enable_thinking=True

默认情况下，Qwen3 启用了思维功能，类似于 QwQ-32B。这意味着模型会利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，模型将进入思维模式。

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，模型会生成包裹在 <think>...</think> 标签中的思考内容，随后输出最终响应。

[!注意] 启用思考模式时，请使用 Temperature=0.6、TopP=0.95、TopK=20 和 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循环。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开关，使其功能与之前的 Qwen2.5-Instruct 模型保持一致。该模式在需要禁用思考以提升效率的场景中尤为实用。

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> 区块。

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

进阶用法：通过用户输入切换思考与非思考模式

我们提供了一种软切换机制，允许用户在 enable_thinking=True 时动态控制模型行为。具体来说，您可以在用户提示或系统消息中添加 /think 和 /no_think，以逐轮切换模型的思考模式。在多轮对话中，模型会遵循最新的指令。

以下是一个多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-4B-FP8"):
        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] 出于 API 兼容性考虑，当 enable_thinking=True 时，无论用户使用 /think 还是 /no_think，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> 区块。

智能体应用

Qwen3 在工具调用能力上表现卓越。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': 'Qwen3-4B-FP8',

    # 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)

长文本处理技术

Qwen3 原生支持 32,768 tokens 的上下文长度。当对话总长度（包含输入与输出）远超该限制时，建议使用 RoPE 缩放技术高效处理长文本。我们已通过 YaRN 方法验证模型在 131,072 tokens 上下文长度下的性能表现。

目前 transformers、llama.cpp（本地使用）以及 vllm、sglang（部署场景）等主流推理框架均已支持 YaRN。对于兼容框架，通常可通过两种方式启用 YaRN：

  • 修改模型文件：
    在 config.json 中添加 rope_scaling 字段：

    {
    ...,
    "rope_scaling": {
        "rope_type": "yarn",
        "factor": 4.0,
        "original_max_position_embeddings": 32768
    }
}

    若使用 llama.cpp，修改后需重新生成 GGUF 文件。

  • 命令行参数传递：

    • vllm 用户可执行： 
      vllm serve ... --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' --max-model-len 131072
    • sglang 用户可执行： 
      python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'
    • llama.cpp 的 llama-server 用户可执行： 
      llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

[!IMPORTANT] 若出现以下警告：

Unrecognized keys in `rope_scaling` for 'rope_type'='yarn': {'original_max_position_embeddings'}

请升级至 transformers>=4.51.0。

[!NOTE] 当前主流开源框架均采用静态 YaRN 实现，即缩放因子与输入长度无关，可能影响短文本处理性能。
建议仅在需要处理长上下文时添加 rope_scaling 配置，并依据实际需求调整 factor 值。例如应用场景典型上下文长度为 65,536 tokens 时，建议设为 2.0。

[!NOTE] config.json 中默认 max_position_embeddings 为 40,960，其中 32,768 tokens 预留给输出，8,192 tokens 用于常规提示，可满足多数短文本处理场景。若平均上下文长度未超过 32,768 tokens，不建议启用 YaRN，以免潜在性能下降。

[!TIP] 阿里云模型服务默认支持动态 YaRN，无需额外配置。

最佳实践指南

为获得最优性能，推荐以下设置：

  1. 采样参数配置：

    • 思考模式（enable_thinking=True）：建议 Temperature=0.6、TopP=0.95、TopK=20、MinP=0。禁用贪心解码，否则可能导致性能下降与无限重复。
    • 非思考模式（enable_thinking=False）：建议 Temperature=0.7、TopP=0.8、TopK=20、MinP=0。
    • 兼容框架可调整 presence_penalty 参数（0-2）以减少重复，但过高值可能导致偶发语言混杂与轻微性能下降。

  2. 充足输出长度：

    • 常规查询建议输出长度设为 32,768 tokens。
    • 数学/编程竞赛等高复杂度问题评测时，建议最大输出长度设为 38,912 tokens，为模型提供充分生成空间以提升综合表现。

  3. 标准化输出格式：
    评测时建议通过提示词规范输出格式：

    • 数学题：提示词中加入「请逐步推理，并将最终答案用 \boxed{} 包裹」。
    • 选择题：提示词中添加 JSON 结构规范响应，如「请在 answer 字段中仅填写选项字母，例如 "answer": "C"」。

  4. 历史对话去思考内容：
    多轮对话中，历史模型输出应仅保留最终回答部分（无需包含思考过程）。Jinja2 聊天模板已实现该逻辑，未直接使用该模板的框架需开发者自行确保遵循此实践。

引用说明

若我们的工作对您有所帮助，欢迎引用。

@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}, 
}