库名称: transformers
许可证: apache-2.0
许可证链接: https://huggingface.co/Qwen/Qwen3-14B-FP8/blob/main/LICENSE
任务标签: 文本生成
基础模型:

• Qwen/Qwen3-14B

Qwen3-14B-FP8

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供全系列稠密模型和混合专家（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取得突破性进展，主要特点包括：

• 独特支持单模型内思维模式（复杂逻辑推理、数学与编程）与常规模式（高效通用对话）无缝切换，确保各类场景下的最优表现。
• 显著增强推理能力，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）和Qwen2.5指令模型（常规模式）。
• 卓越的人类偏好对齐，在创意写作、角色扮演、多轮对话和指令跟随中表现优异，提供更自然、引人入胜的交互体验。
• 专业级智能体能力，支持思维与非思维模式下精准工具调用，在开源模型的复杂智能体任务中领先。
• 支持100+种语言与方言，具备强大的多语言指令跟随和翻译能力。

模型概览

本仓库包含Qwen3-14B的FP8量化版本，具有以下特征：

• 类型：因果语言模型
• 训练阶段：预训练与后训练
• 参数量：148亿
• 非嵌入参数量：132亿
• 层数：40
• 注意力头数（GQA）：查询头40个，键值头8个
• 原生上下文长度：32,768 token，通过YaRN扩展至131,072 token。

更多细节（包括基准测试、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，将遇到以下错误：

KeyError: 'qwen3'

以下代码示例展示如何基于给定输入生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "Qwen/Qwen3-14B-FP8"  

# 加载分词器与模型  
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 = "简要介绍大语言模型。"  
messages = [  
    {"role": "user", "content": prompt}  
]  
text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True,  
    enable_thinking=True # 切换思维/常规模式，默认为True  
)  
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)  

# 执行文本补全  
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:  
    # 反向查找151668（</think>标签）  
    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("回复内容:", content)  

部署时，可使用sglang>=0.4.6.post1或vllm>=0.8.5创建OpenAI兼容API端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-14B-FP8 --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-14B-FP8 --enable-reasoning --reasoning-parser deepseek_r1  
  

本地使用支持Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等框架。

FP8量化说明

为便于使用和提升性能，我们提供了以-FP8结尾的细粒度FP8量化模型（块大小128）。详情参见config.json中的quantization_config字段。

该模型可与transformers、sglang和vllm等推理框架兼容，但需注意以下已知问题：

• transformers：
  • 分布式推理时存在细粒度FP8方法问题，多设备推理需设置环境变量CUDA_LAUNCH_BLOCKING=1。

思维与常规模式切换

[!TIP]
enable_thinking开关在SGLang和vLLM的API中同样可用。
详见SGLang和vLLM文档。

enable_thinking=True

默认启用思维模式（类似QwQ-32B），模型将增强生成质量。例如显式设置或默认使用tokenizer.apply_chat_template时：

text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True,  
    enable_thinking=True  # 默认值  
)  

此模式下，模型会生成包裹在<think>...</think>中的思维内容及最终回复。

[!NOTE]
思维模式建议使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（默认配置）。禁用贪心解码，否则可能导致性能下降和无限重复。

enable_thinking=False

严格禁用思维行为，功能对齐Qwen2.5-Instruct，适用于效率优先场景：

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

此模式不生成思维内容。

[!NOTE]
常规模式建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。

高级用法：通过用户输入动态切换

当enable_thinking=True时，可通过在用户输入或系统消息中添加/think和/no_think实现逐轮切换。多轮对话中以最近指令为准。

示例：

# ...（省略初始化代码）  
# 第一轮输入（默认启用思维）  
user_input_1 = "草莓中有几个字母r？"  
# 第二轮输入禁用思维  
user_input_2 = "蓝莓中有几个字母r？ /no_think"  
# 第三轮输入启用思维  
user_input_3 = "确定吗？ /think"  

[!NOTE]
API兼容性说明：

• enable_thinking=True时，无论用户使用/think或/no_think，模型始终输出<think>...</think>块（内容可能为空）。
• enable_thinking=False时，软开关无效，模型不生成思维内容。

智能体应用

Qwen3具备卓越的工具调用能力，推荐使用Qwen-Agent框架。该框架内置工具调用模板和解析器，大幅降低编码复杂度。

工具定义示例：

from qwen_agent.agents import Assistant  

# 定义LLM配置  
llm_cfg = {  
    'model': 'Qwen3-14B-FP8',  
    'model_server': 'http://localhost:8000/v1',  
    'api_key': 'EMPTY',  
}  

# 定义工具集  
tools = [  
    {'mcpServers': {  # 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  
]  

# 创建智能体  
bot = Assistant(llm=llm_cfg, function_list=tools)  

# 流式生成  
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ 介绍Qwen最新进展'}]  
for responses in bot.run(messages=messages):  
    pass  
print(responses)  

处理长文本

Qwen3原生支持32,768 token上下文。当总长度远超此限制时，建议使用RoPE缩放技术。通过YaRN方法已验证131,072 token的上下文处理能力。

支持YaRN的框架包括transformers、llama.cpp（本地）、vllm和sglang（部署）。启用方式有两种：

1. 修改模型文件：
   在config.json中添加：

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

   llama.cpp需修改后重新生成GGUF文件。

2. 命令行参数：

   • vLLM：

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

   • SGLang：

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

   • llama.cpp：

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

[!IMPORTANT]
若出现警告Unrecognized keys in 'rope_scaling' for 'rope_type'='yarn'，请升级transformers>=4.51.0。

[!NOTE]
当前开源框架均采用静态YaRN（缩放因子固定），可能影响短文本性能。
建议仅在处理长文本时启用，并根据典型上下文长度调整factor值。

[!TIP]
阿里云Model Studio端点默认支持动态YaRN，无需额外配置。

最佳实践

推荐以下设置以获得最优性能：

1. 采样参数：

   • 思维模式：Temperature=0.6、TopP=0.95、TopK=20、MinP=0，禁用贪心解码。
   • 常规模式：Temperature=0.7、TopP=0.8、TopK=20、MinP=0。
   • 支持框架中可将presence_penalty设为0-2以减少重复（过高值可能导致语言混杂）。

2. 充足输出长度：

   • 常规查询建议32,768 token。
   • 数学/编程等复杂问题建议38,912 token。

3. 标准化输出格式：

   • 数学题：提示词包含"逐步推理，最终答案用\boxed{}包裹"。
   • 选择题：提示词添加JSON结构如"answer": "C"。

4. 历史记录排除思维内容：多轮对话中历史响应应仅含最终输出（Jinja2模板已实现）。

引用

如果我们的工作对您有帮助，请引用：

@misc{qwen3,  
    title  = {Qwen3},  
    url