Qwen3-4B-MLX-6bit

Qwen3 亮点特性

Qwen3 是 Qwen 系列的最新一代大语言模型，提供了全面的稠密模型和混合专家（MoE）模型套件。经过大规模训练，Qwen3 在推理能力、指令遵循、智能体能力和多语言支持方面实现了突破性进展，主要特性如下：

单模型内无缝切换思考模式（适用于复杂逻辑推理、数学和编程任务）与非思考模式（适用于高效的通用对话），确保在不同场景下均能发挥最佳性能。
推理能力显著增强，在数学、代码生成和常识逻辑推理任务上超越了前代 QwQ（思考模式）和 Qwen2.5 指令模型（非思考模式）。
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出色，提供更自然、更具吸引力和沉浸感的对话体验。
强大的智能体能力，支持在思考与非思考模式下与外部工具精准集成，在复杂智能体任务中达到开源模型领先水平。
支持 100 余种语言及方言，具备强大的多语言指令遵循和翻译能力。

模型概述

Qwen3-4B 具有以下特性：

类型：因果语言模型
训练阶段：预训练与后训练
参数数量：40 亿
非嵌入层参数数量：36 亿
层数：36
注意力头数量（GQA）：Q 头 32 个，KV 头 8 个
上下文长度：原生支持 32,768 tokens，通过 YaRN 可扩展至 131,072 tokens。

更多详情，包括基准测试评估、硬件要求和推理性能，请参考我们的博客、GitHub 和文档。

快速入门

Qwen3 的代码已包含在 transformers（≥ 4.52.4） 和 mlx_lm（≥ 0.25.2） 的最新版本中，建议您使用 transformers 和 mlx_lm 的最新版本。旧版本（例如 transformers<4.51.0）可能会引发如下错误：

KeyError: 'qwen3'

安装或升级这两个软件包：

pip install --upgrade transformers mlx_lm

以下是一段代码片段，展示了如何使用模型根据给定输入生成内容。

from mlx_lm import load, generate

model, tokenizer = load("Qwen/Qwen3-4B-MLX-6bit")
prompt = "Hello, please introduce yourself and tell me what you can do."

if tokenizer.chat_template is not None:
    messages = [{"role": "user", "content": prompt}]
    prompt = tokenizer.apply_chat_template(
        messages,
        add_generation_prompt=True
    )

response = generate(
    model,
    tokenizer,
    prompt=prompt,
    verbose=True,
    max_tokens=1024
)

print(response)

在思考模式与非思考模式之间切换

[!TIP] enable_thinking 开关在由 SGLang 和 vLLM 创建的 API 中同样可用。 SGLang 和 vLLM 用户请参考我们的文档：SGLang 和 vLLM。

`enable_thinking=True`

默认情况下，Qwen3 已启用思考能力，与 QwQ-32B 类似。这意味着模型会运用其推理能力来提升生成回复的质量。例如，当在 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，模型会生成包含在 </think>...</RichMediaReference> 块中的思考内容，随后输出最终回复。

[!NOTE] 对于思考模式，请使用 Temperature=0.6、TopP=0.95、TopK=20 和 MinP=0（generation_config.json 中的默认设置）。请勿使用贪婪解码，因为这可能导致性能下降和无限重复。有关更详细的指导，请参阅最佳实践部分。

`enable_thinking=False`

我们提供了一个硬开关，用于严格禁用模型的思考行为，使其功能与早期的 Qwen2.5-Instruct 模型保持一致。此模式在必须禁用思考以提高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>...superscript: 块。

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

高级用法：通过用户输入切换思考与非思考模式

我们提供了一种软切换机制，当 enable_thinking=True 时，用户可以动态控制模型的行为。具体而言，您可以在用户提示词或系统消息中添加 /think 和 /no_think，以逐轮切换模型的思考模式。在多轮对话中，模型将遵循最新的指令。

以下是一个多轮对话示例：

from mlx_lm import load, generate


class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-4B-MLX-6bit"):
        self.model, self.tokenizer = load(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
        )

        response = generate(
            self.model,
            self.tokenizer,
            prompt=text,
            verbose=True,
            max_tokens=32768
        )
        # 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 are 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 are 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}")

[!NOTE] 为保证 API 兼容性，当 enable_thinking=True 时，无论用户使用 /think 还是 /no_think，模型始终会输出一个用 </think>...</RichMediaReference> 包裹的区块。不过，若禁用思考功能，该区块内的内容可能为空。当 enable_thinking=False 时，软开关失效。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>...superscript: 区块。

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 以充分发挥 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，大幅降低了编码复杂度。

要定义可用工具，您可以使用 MCP 配置文件、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-MLX-6bit",

    # 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

Qwen3 原生支持最长 32,768 个 token 的上下文长度。对于总长度（包含输入和输出）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。我们已通过 YaRN 方法验证了模型在最长 131,072 个 token 上下文长度下的性能。

目前已有多个推理框架支持 YaRN，例如本地使用的 transformers 和 llama.cpp，以及用于部署的 vllm 和 sglang。通常，在支持的框架中启用 YaRN 有以下两种方法：

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
    }
}

[!IMPORTANT] 若遇到以下警告
Unrecognized keys in `rope_scaling` for 'rope_type'='yarn': {'original_max_position_embeddings'}
请将 transformers 升级至 4.51.0 或更高版本。

[!NOTE] 所有主流开源框架均实现了静态 YaRN，这意味着缩放因子不随输入长度变化，可能会影响短文本的处理性能。我们建议仅在需要处理长上下文时才添加 rope_scaling 配置。同时，建议根据实际需求调整 factor。例如，如果您的应用场景中典型的上下文长度为 65,536 个 token，则将 factor 设置为 2.0 更为合适。

[!NOTE] config.json 中的默认 max_position_embeddings 为 40,960。此配置预留了 32,768 个 token 用于输出，8,192 个 token 用于一般提示词，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。

最佳实践

为实现最佳性能，我们建议采用以下设置：

采样参数：
- 对于思考模式（enable_thinking=True），使用 Temperature=0.6、TopP=0.95、TopK=20 和 MinP=0。请勿使用贪婪解码，因其可能导致性能下降和无尽重复。
- 对于非思考模式（enable_thinking=False），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 参数在 0 到 2 之间调整，以减少无尽重复。但使用较高值偶尔可能导致语言混杂及模型性能轻微下降。
足够的输出长度：对于大多数查询，建议使用 32,768 个 token 的输出长度。在数学和编程竞赛等高度复杂问题的基准测试中，建议将最大输出长度设置为 38,912 个 token。这为模型生成详细全面的响应提供了充足空间，从而提升整体性能。
标准化输出格式：在进行基准测试时，建议通过提示词标准化模型输出。
- 数学问题：在提示词中包含“请逐步推理，并将最终答案放在 \boxed{} 内。”
- 多项选择题：在提示词中添加以下 JSON 结构以标准化响应：“请在 answer 字段中仅用选项字母展示您的选择，例如："answer": "C"。”
历史记录中不含思考内容：在多轮对话中，历史模型输出应仅包含最终输出部分，无需包含思考内容。这在提供的 Jinja2 对话模板中已实现。但对于未直接使用 Jinja2 对话模板的框架，需由开发者确保遵循此最佳实践。

引用

如果您觉得我们的工作有帮助，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}, 
}