🚀 Qwen3-235B-A22B

本项目包含由JustinJJA将Qwen 3 235B A22B模型量化为INT4 / W4A16的版本，在显著减少内存占用的同时保持了准确性。

🚀 快速开始

Qwen3-MoE的代码已集成在最新的Hugging Face transformers 库中，建议使用最新版本的 transformers。

若使用 transformers<4.51.0，会遇到如下错误：

KeyError: 'qwen3_moe'

以下是一段代码示例，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/Qwen3-235B-A22B"

# 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 = "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 # 在思考模式和非思考模式之间切换。默认为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

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

# 解析思考内容
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("thinking content:", thinking_content)
print("content:", content)

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

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-235B-A22B --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-235B-A22B --enable-reasoning --reasoning-parser deepseek_r1
  

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

✨ 主要特性

Qwen3亮点

Qwen3是通义系列的最新一代大语言模型，提供了一套全面的密集模型和专家混合（MoE）模型。基于大量训练，Qwen3在推理、指令遵循、智能体能力和多语言支持方面取得了突破性进展，具有以下关键特性：

• 单模型内独特支持“思考模式”（用于复杂逻辑推理、数学和编码）和“非思考模式”（用于高效通用对话）的无缝切换，确保在各种场景下都能实现最佳性能。
• 推理能力显著提升，在数学、代码生成和常识逻辑推理方面超越了之前的QwQ（思考模式）和Qwen2.5指令模型（非思考模式）。
• 高度符合人类偏好，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、引人入胜和沉浸式的对话体验。
• 卓越的智能体能力，能够在思考和非思考模式下精确集成外部工具，并在复杂的基于智能体的任务中在开源模型中取得领先性能。
• 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。

Qwen3-235B-A22B模型概述

更多详细信息，包括基准评估、硬件要求和推理性能，请参考博客、GitHub和文档。

💻 使用示例

基础用法

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-235B-A22B"

# 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 = "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 # 在思考模式和非思考模式之间切换。默认为True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

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

# 解析思考内容
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("thinking content:", thinking_content)
print("content:", content)

高级用法

在思考模式和非思考模式之间切换

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高生成响应的质量。例如，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  # enable_thinking的默认值为True
)

在这种模式下，模型将生成包裹在 <think>...</think> 块中的思考内容，随后是最终响应。

⚠️ 重要提示

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）。请勿使用贪心解码，因为这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

提供了一个硬开关来严格禁用模型的思考行为，使其功能与之前的Qwen2.5 - Instruct模型保持一致。这种模式在必须禁用思考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可禁用思考模式
)

在这种模式下，模型不会生成任何思考内容，也不会包含 <think>...</think> 块。

⚠️ 重要提示

对于非思考模式，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。

通过用户输入在思考模式和非思考模式之间切换

提供了一个软开关机制，允许用户在 enable_thinking=True 时动态控制模型的行为。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的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-235B-A22B"):
        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)

        # 更新历史记录
        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（无/think或/no_think标签，默认启用思考模式）
    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("----------------------")

    # 第二次输入带有/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("----------------------")

    # 第三次输入带有/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}")

⚠️ 重要提示

为了保证API兼容性，当 enable_thinking=True 时，无论用户是否使用 /think 或 /no_think，模型都会输出一个包裹在 <think>...</think> 中的块。但是，如果禁用了思考，这个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> 块。

智能体使用

Qwen3在工具调用能力方面表现出色。建议使用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，大大降低了编码复杂度。

要定义可用的工具，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

# 定义大语言模型
llm_cfg = {
    'model': 'Qwen3-235B-A22B',

    # 使用阿里云魔搭平台提供的端点：
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # 使用与OpenAI API兼容的自定义端点：
    '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>this is the thought</think>this is the answer;
    #         # 不添加：当响应已被reasoning_content和content分隔时。
    #         'thought_in_content': True,
    #     },
}

# 定义工具
tools = [
    {'mcpServers': {  # 可以指定MCP配置文件
            'time': {
                'command': 'uvx',
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
            },
            "fetch": {
                "command": "uvx",
                "args": ["mcp-server-fetch"]
            }
        }
    },
  'code_interpreter',  # 内置工具
]

# 定义智能体
bot = Assistant(llm=llm_cfg, function_list=tools)

# 流式生成
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)

处理长文本

Qwen3原生支持长达32,768个标记的上下文长度。对于总长度（包括输入和输出）显著超过此限制的对话，建议使用RoPE缩放技术来有效处理长文本。已使用YaRN方法验证了模型在长达131,072个标记的上下文长度上的性能。

目前，transformers 和 llama.cpp 等几个推理框架支持本地使用YaRN，vllm 和 sglang 支持部署使用。一般来说，对于支持的框架，有两种启用YaRN的方法：

• 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
      }
  }
  

  对于 llama.cpp，修改后需要重新生成GGUF文件。

• 传递命令行参数：

  对于 vllm，可以使用

  vllm serve ... --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' --max-model-len 131072  
  

  对于 sglang，可以使用

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'
  

  对于 llama.cpp 中的 llama-server，可以使用

  llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768
  

⚠️ 重要提示

如果遇到以下警告

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

请将 transformers 升级到 transformers>=4.51.0。

⚠️ 重要提示

所有著名的开源框架都实现了静态YaRN，这意味着缩放因子无论输入长度如何都保持不变，可能会影响较短文本的性能。 建议仅在需要处理长上下文时添加 rope_scaling 配置。 也建议根据需要修改 factor。例如，如果应用程序的典型上下文长度为65,536个标记，最好将 factor 设置为2.0。

⚠️ 重要提示

config.json 中的默认 max_position_embeddings 设置为40,960。此分配包括为输出保留32,768个标记和为典型提示保留8,192个标记，这对于大多数短文本处理场景来说已经足够。如果平均上下文长度不超过32,768个标记，不建议在这种情况下启用YaRN，因为这可能会降低模型性能。

💡 使用建议

阿里云魔搭平台提供的端点默认支持动态YaRN，无需额外配置。

📚 详细文档

最佳实践

为了实现最佳性能，建议遵循以下设置：

1. 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。请勿使用贪心解码，因为这可能导致性能下降和无限重复。
   • 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，可以将 presence_penalty 参数调整在0到2之间，以减少无限重复。但是，使用较高的值可能偶尔会导致语言混合和模型性能略有下降。
2. 足够的输出长度：对于大多数查询，建议使用32,768个标记的输出长度。对于高度复杂问题的基准测试，如数学和编程竞赛中的问题，建议将最大输出长度设置为38,912个标记。这为模型提供了足够的空间来生成详细和全面的响应，从而提高其整体性能。
3. 标准化输出格式：在进行基准测试时，建议使用提示来标准化模型输出。
   • 数学问题：在提示中包含“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显示您的选择，例如 "answer": "C"。”
4. 历史记录中不包含思考内容：在多轮对话中，历史模型输出应仅包括最终输出部分，无需包含思考内容。这在Jinja2提供的聊天模板中已经实现。但是，对于不直接使用Jinja2聊天模板的框架，开发者需要确保遵循此最佳实践。

引用

如果您觉得我们的工作有帮助，请引用：

@misc{qwen3,
    title  = {Qwen3},
    url    = {https://qwenlm.github.io/blog/qwen3/},
    author = {Qwen Team},
    month  = {April},
    year   = {2025}
}

📄 许可证

本项目采用Apache 2.0许可证。

推理说明

使用 vllm>=0.8.5 最大 -tp 4，对于8个GPU，使用 -tp 4 -pp 2

运行以下命令：

VLLM serve justinjja/Qwen3-235B-A22B-INT4-W4A16 -tp 4

量化代码可在此处找到：https://huggingface.co/justinjja/Qwen3-235B-A22B-INT4-W4A16/blob/main/quantization_script.py