库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-4B/blob/main/LICENSE
任务标签：文本生成
基础模型：

• Qwen/Qwen3-4B-Base

QuantFactory/Qwen3-4B-GGUF

这是使用llama.cpp对Qwen/Qwen3-4B进行量化后的版本

原模型卡片

Qwen3-4B

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供了一系列密集和混合专家（MoE）模型。基于广泛的训练，Qwen3在推理、指令遵循、代理能力和多语言支持方面取得了突破性进展，具有以下关键特性：

• 独特支持在单一模型中无缝切换思维模式（用于复杂逻辑推理、数学和编码）和非思维模式（用于高效通用对话），确保在各种场景下获得最佳性能。
• 显著增强推理能力，在数学、代码生成和常识逻辑推理方面超越之前的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优异，提供更自然、引人入胜和沉浸式的对话体验。
• 擅长代理能力，能够在思维和非思维模式下精确集成外部工具，并在复杂的基于代理的任务中达到开源模型的领先性能。
• 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

Qwen3-4B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
• 参数量：4.0B
• 非嵌入参数量：3.6B
• 层数：36
• 注意力头数（GQA）：32个Q头和8个KV头
• 上下文长度：原生支持32,768个token，通过YaRN支持131,072个token。

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

[!TIP]
如果遇到严重的无限重复问题，请参考最佳实践部分获取最佳采样参数，并将presence_penalty设置为1.5。

快速开始

Qwen3的代码已集成到最新版的Hugging Face transformers中，建议使用最新版本的transformers。

使用transformers<4.51.0时，会遇到以下错误：

KeyError: 'qwen3'  

以下代码片段展示了如何基于给定输入使用模型生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "Qwen/Qwen3-4B"  

# 加载分词器和模型  
tokenizer = AutoTokenizer.from_pretrained(model_name)  
model = AutoModelForCausalLM.from_pretrained(  
    model_name,  
    torch_dtype="auto",  
    device_map="auto"  
)  

# 准备模型输入  
prompt = "给我一个关于大语言模型的简短介绍。"  
messages = [  
    {"role": "user", "content": prompt}  
]  
text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True,  
    enable_thinking=True # 在思维和非思维模式之间切换。默认为True。  
)  
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)  

# 进行文本补全  
generated_ids = model.generate(  
    **model_inputs,  
    max_new_tokens=32768  
)  
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist()   

# 解析思维内容  
try:  
    # rindex查找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("思维内容：", thinking_content)  
print("内容：", content)  

对于部署，可以使用sglang>=0.4.6.post1或vllm>=0.8.5创建兼容OpenAI的API端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-4B --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-4B --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。

思维与非思维模式切换

[!TIP]
enable_thinking开关在SGLang和vLLM创建的API中也可用。
请参考我们的SGLang和vLLM用户文档。

enable_thinking=True

默认情况下，Qwen3启用了思维能力，类似于QwQ-32B。这意味着模型将使用其推理能力来提升生成响应的质量。例如，当显式设置enable_thinking=True或在tokenizer.apply_chat_template中保留默认值时，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是enable_thinking的默认值  
)  

在此模式下，模型将生成包裹在<think>...</think>块中的思维内容，随后是最终响应。

[!NOTE]
对于思维模式，使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（generation_config.json中的默认设置）。不要使用贪婪解码，否则可能导致性能下降和无限重复。更多详细指导，请参考最佳实践部分。

enable_thinking=False

我们提供了一个硬开关来严格禁用模型的思维行为，使其功能与之前的Qwen2.5-Instruct模型对齐。此模式在需要禁用思维以提高效率的场景中特别有用。

text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True,  
    enable_thinking=False  # 设置enable_thinking=False禁用思维模式  
)  

在此模式下，模型不会生成任何思维内容，也不会包含<think>...</think>块。

[!NOTE]
对于非思维模式，建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多详细指导，请参考最佳实践部分。

高级用法：通过用户输入切换思维和非思维模式

我们提供了一个软开关机制，允许用户在enable_thinking=True时动态控制模型行为。具体来说，可以在用户提示或系统消息中添加/think和/no_think来逐轮切换模型的思维模式。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/Qwen3-4B"):  
        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)  

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

        return response  

# 示例用法  
if __name__ == "__main__":  
    chatbot = QwenChatbot()  

    # 第一次输入（不带/think或/no_think标签，默认启用思维模式）  
    user_input_1 = "草莓中有多少个r？"  
    print(f"用户：{user_input_1}")  
    response_1 = chatbot.generate_response(user_input_1)  
    print(f"机器人：{response_1}")  
    print("----------------------")  

    # 第二次输入带/no_think  
    user_input_2 = "那么，蓝莓中有多少个r？/no_think"  
    print(f"用户：{user_input_2}")  
    response_2 = chatbot.generate_response(user_input_2)  
    print(f"机器人：{response_2}")   
    print("----------------------")  

    # 第三次输入带/think  
    user_input_3 = "真的吗？/think"  
    print(f"用户：{user_input_3}")  
    response_3 = chatbot.generate_response(user_input_3)  
    print(f"机器人：{response_3}")  

[!NOTE]
为了API兼容性，当enable_thinking=True时，无论用户使用/think还是/no_think，模型始终会输出包裹在<think>...</think>块中的内容。但如果思维被禁用，该块中的内容可能为空。
当enable_thinking=False时，软开关无效。无论用户输入任何/think或/no_think标签，模型都不会生成思维内容，也不会包含<think>...</think>块。

代理使用

Qwen3在工具调用能力方面表现出色。我们推荐使用Qwen-Agent以充分利用Qwen3的代理能力。Qwen-Agent内部封装了工具调用模板和工具调用解析器，大大降低了编码复杂度。

要定义可用工具，可以使用MCP配置文件、Qwen-Agent的集成工具或自行集成其他工具。

from qwen_agent.agents import Assistant  

# 定义LLM  
llm_cfg = {  
    'model': 'Qwen3-4B',  

    # 使用阿里云模型服务提供的端点：  
    # 'model_type': 'qwen_dashscope',  
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),  

    # 使用兼容OpenAI API的自定义端点：  
    'model_server': 'http://localhost:8000/v1',  # api_base  
    'api_key': 'EMPTY',  

    # 其他参数：  
    # 'generate_cfg': {  
    #         # 添加：当响应内容为`<think>这是思考内容</think>这是答案`时；  
    #         # 不添加：当响应已被分离为thinking_content和content时。  
    #         'thought_in_content': True,  
    #     },  
}  

# 定义工具  
tools = [  
    {'mcpServers': {  # 可以指定MCP