Qwen3-8B

Qwen3 亮点

Qwen3 是通义千问系列大语言模型的最新版本，提供了一系列密集型和混合专家（MoE）模型。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实现了突破性进展，主要特点包括：

独特支持思维模式（用于复杂逻辑推理、数学和编程）与非思维模式（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表现。
显著增强的推理能力，在数学、代码生成和常识逻辑推理方面超越前代 QwQ（思维模式）和 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突出，提供更自然、引人入胜的对话体验。
专业的智能体能力，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表现领先。
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。

模型概览

Qwen3-8B 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
参数量：82 亿
非嵌入参数量：69.5 亿
层数：36
注意力头数（GQA）：查询头 32，键值头 8
上下文长度：原生支持 32,768 tokens，通过 YaRN 扩展至 131,072 tokens。

更多细节，包括基准评估、硬件需求和推理性能，请参阅我们的博客、GitHub 和文档。

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，您将遇到以下错误：

KeyError: 'qwen3'

以下代码片段展示了如何基于给定输入使用该模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B"

# 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 创建兼容 OpenAI 的 API 服务端点：

SGLang 方式：

python -m sglang.launch_server --model-path Qwen/Qwen3-8B --reasoning-parser qwen3

vLLM 方式：

vllm serve Qwen/Qwen3-8B --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 模型。

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 服务。具体使用方法请参阅 SGLang 和 vLLM 的官方文档。

`enable_thinking=True`（默认启用）

Qwen3 默认开启思维推理能力（与 QwQ-32B 类似），这意味着模型会运用推理能力提升生成内容质量。例如在 tokenizer.apply_chat_template 中显式设置 enable_thinking=True 或保持默认值时，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，模型会生成包含在 <think>...</think> 块中的思考内容，随后输出最终响应。

[!注意] 思考模式推荐使用参数 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。

高级用法：通过用户输入在思考与非思考模式间切换

我们提供了一种软切换机制，当 enable_thinking=True 时，允许用户动态控制模型的行为。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，模型将遵循最近的指令。

以下是一个多轮对话的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-8B"):
        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，模型始终会输出一个用 <think>...</think> 包裹的区块。但若思考功能被禁用，该区块内容可能为空。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': 'Qwen3-8B',

    # 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 32,768 tokens 的上下文长度。对于输入输出总长度远超该限制的对话场景，我们推荐使用 RoPE 插值技术来高效处理长文本。通过 YaRN 方法，我们已验证模型在 131,072 tokens 上下文长度下的性能表现。

目前，transformers 和 llama.cpp 等本地推理框架，以及 vllm 和 sglang 等部署框架均已支持 YaRN。对于已支持该技术的框架，通常有两种启用方式：

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。

命令行传参：

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 transformers>=4.51.0。

[!NOTE] 当前主流开源框架均采用静态 YaRN 实现，即无论输入长度如何，缩放因子始终保持不变，这可能影响短文本场景的性能表现。
建议仅在需要处理长上下文时添加 rope_scaling 配置，并根据实际需求调整 factor 参数。例如，若典型上下文长度为 65,536 tokens，更推荐设置 factor 为 2.0。

[!NOTE] config.json 中默认的 max_position_embeddings 为 40,960，该设计预留了 32,768 tokens 用于输出和 8,192 tokens 用于常规提示，足以覆盖大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，以免潜在影响模型性能。

[!TIP] 阿里云模型服务平台（Model Studio）提供的端点默认支持动态 YaRN，无需额外配置。

最佳实践

为获得最优性能，我们推荐以下设置：

采样参数：
- 思考模式（enable_thinking=True）：建议 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。
- 非思考模式（enable_thinking=False）：推荐 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。
- 对于支持框架，可将 presence_penalty 参数设为 0 至 2 以缓解无限重复问题，但过高值可能偶尔导致语言混杂和轻微性能下降。
充足输出长度：
- 常规查询建议输出长度设为 32,768 tokens。
- 针对数学竞赛、编程竞赛等高复杂度问题的基准测试，建议将最大输出长度设为 38,912 tokens，为模型提供充分生成空间以输出详尽解答，从而提升整体表现。
标准化输出格式：
基准测试时推荐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：提示词中加入 JSON 结构规范输出，例如：“请在 answer 字段中仅填写选项字母，如 "answer": "C"”。
历史对话不包含思考内容：
在多轮对话中，历史模型输出应仅包含最终回答部分，无需保留思考过程。该逻辑已通过 Jinja2 聊天模板实现。对于未直接使用该模板的框架，需开发者自行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{qwen3,
    title  = {Qwen3},
    url    = {https://qwenlm.github.io/blog/qwen3/},
    author = {Qwen Team},
    month  = {April},
    year   = {2025}
}

Qwen3-8B

Qwen3 亮点

独特支持思维模式（用于复杂逻辑推理、数学和编程）与非思维模式（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表现。
显著增强的推理能力，在数学、代码生成和常识逻辑推理方面超越前代 QwQ（思维模式）和 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突出，提供更自然、引人入胜的对话体验。
专业的智能体能力，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表现领先。
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。

模型概览

Qwen3-8B 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
参数量：82 亿
非嵌入参数量：69.5 亿
层数：36
注意力头数（GQA）：查询头 32，键值头 8
上下文长度：原生支持 32,768 tokens，通过 YaRN 扩展至 131,072 tokens。

更多细节，包括基准评估、硬件需求和推理性能，请参阅我们的博客、GitHub 和文档。

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，您将遇到以下错误：

KeyError: 'qwen3'

以下代码片段展示了如何基于给定输入使用该模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B"

# 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 创建兼容 OpenAI 的 API 服务端点：

SGLang 方式：

python -m sglang.launch_server --model-path Qwen/Qwen3-8B --reasoning-parser qwen3

vLLM 方式：

vllm serve Qwen/Qwen3-8B --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 模型。

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 服务。具体使用方法请参阅 SGLang 和 vLLM 的官方文档。

`enable_thinking=True`（默认启用）

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>...</think> 块中的思考内容，随后输出最终响应。

[!注意] 思考模式推荐使用参数 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。

高级用法：通过用户输入在思考与非思考模式间切换

以下是一个多轮对话的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-8B"):
        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，模型始终会输出一个用 <think>...</think> 包裹的区块。但若思考功能被禁用，该区块内容可能为空。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，模型都不会生成思考内容，也不会包含 <think>...</think> 区块。

智能体应用

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': 'Qwen3-8B',

    # 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

目前，transformers 和 llama.cpp 等本地推理框架，以及 vllm 和 sglang 等部署框架均已支持 YaRN。对于已支持该技术的框架，通常有两种启用方式：

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。

命令行传参：

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 transformers>=4.51.0。

[!NOTE] 当前主流开源框架均采用静态 YaRN 实现，即无论输入长度如何，缩放因子始终保持不变，这可能影响短文本场景的性能表现。
建议仅在需要处理长上下文时添加 rope_scaling 配置，并根据实际需求调整 factor 参数。例如，若典型上下文长度为 65,536 tokens，更推荐设置 factor 为 2.0。

[!NOTE] config.json 中默认的 max_position_embeddings 为 40,960，该设计预留了 32,768 tokens 用于输出和 8,192 tokens 用于常规提示，足以覆盖大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，以免潜在影响模型性能。

[!TIP] 阿里云模型服务平台（Model Studio）提供的端点默认支持动态 YaRN，无需额外配置。

最佳实践

为获得最优性能，我们推荐以下设置：

采样参数：
- 思考模式（enable_thinking=True）：建议 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。
- 非思考模式（enable_thinking=False）：推荐 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。
- 对于支持框架，可将 presence_penalty 参数设为 0 至 2 以缓解无限重复问题，但过高值可能偶尔导致语言混杂和轻微性能下降。
充足输出长度：
- 常规查询建议输出长度设为 32,768 tokens。
- 针对数学竞赛、编程竞赛等高复杂度问题的基准测试，建议将最大输出长度设为 38,912 tokens，为模型提供充分生成空间以输出详尽解答，从而提升整体表现。
标准化输出格式：
基准测试时推荐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：提示词中加入 JSON 结构规范输出，例如：“请在 answer 字段中仅填写选项字母，如 "answer": "C"”。
历史对话不包含思考内容：
在多轮对话中，历史模型输出应仅包含最终回答部分，无需保留思考过程。该逻辑已通过 Jinja2 聊天模板实现。对于未直接使用该模板的框架，需开发者自行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{qwen3,
    title  = {Qwen3},
    url    = {https://qwenlm.github.io/blog/qwen3/},
    author = {Qwen Team},
    month  = {April},
    year   = {2025}
}

Qwen3-8B

Qwen3 亮点

模型概览

快速开始

思维模式与非思维模式切换

enable_thinking=True（默认启用）

enable_thinking=False

高级用法：通过用户输入在思考与非思考模式间切换

智能体应用

长文本处理

最佳实践

引用

Qwen3-8B

Qwen3 亮点

模型概览

快速开始

思维模式与非思维模式切换

enable_thinking=True（默认启用）

enable_thinking=False

高级用法：通过用户输入在思考与非思考模式间切换

智能体应用

长文本处理

最佳实践

引用

`enable_thinking=True`（默认启用）

`enable_thinking=False`

`enable_thinking=True`（默认启用）

`enable_thinking=False`