库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-8B-FP8/blob/main/LICENSE
任务标签：文本生成
基础模型：

• Qwen/Qwen3-8B

Qwen3-8B-FP8

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供全系列的稠密模型与混合专家（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，主要特性包括：

• 首创思维模式与非思维模式无缝切换：单模型内支持思维模式（用于复杂逻辑推理、数学与代码生成）与非思维模式（用于高效通用对话），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任务上，思维模式超越前代QwQ模型，非思维模式超越Qwen2.5指令模型。
• 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、沉浸的对话体验。
• 专业的智能体能力：支持思维与非思维模式下精准调用外部工具，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遵循与翻译能力。

模型概览

本仓库包含Qwen3-8B的FP8量化版本，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：8.2B
• 非嵌入参数量：6.95B
• 层数：36
• 注意力头数（GQA）：查询头32个，键值头8个
• 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（包括基准测试、硬件需求与推理性能）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/Qwen3-8B-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 = "请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 # 切换思维与非思维模式，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>标记）  
    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/Qwen3-8B-FP8 --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-8B-FP8 --enable-reasoning --reasoning-parser deepseek_r1  
  

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

FP8量化说明

为便于使用与提升性能，我们提供了FP8量化模型（名称以-FP8结尾）。量化方法为块大小128的细粒度FP8量化，详见config.json中的quantization_config字段。

Qwen3-8B-FP8支持transformers、sglang和vllm等推理框架，与原版bfloat16模型用法相同。但需注意以下已知问题：

• transformers：
  • 分布式推理时"细粒度FP8"方法存在兼容性问题，多设备推理需设置环境变量CUDA_LAUNCH_BLOCKING=1。

思维与非思维模式切换

[!TIP]
enable_thinking开关也适用于SGLang和vLLM创建的API。
详见SGLang与vLLM文档。

enable_thinking=True

默认启用思维模式（类似QwQ-32B），模型将增强生成内容的逻辑性。例如显式设置enable_thinking=True或使用默认值时：

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

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

[!NOTE]
思维模式建议使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（默认配置）。禁止使用贪婪解码，否则可能导致性能下降与重复生成。详见最佳实践。

enable_thinking=False

严格禁用思维行为，功能对齐Qwen2.5-Instruct模型，适用于需要提升效率的场景：

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

此模式下，模型不会生成<think>...</think>内容。

[!NOTE]
非思维模式建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。详见最佳实践。

进阶用法：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。以下多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer  

class QwenChatbot:  
    def __init__(self, model_name="Qwen/Qwen3-8B-FP8"):  
        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  

# 使用示例  
if __name__ == "__main__":  
    chatbot = QwenChatbot()  

    # 第一轮输入（无标签，默认启用思维模式）  
    user_input_1 = "草莓英文有几个r？"  
    print(f"用户：{user_input_1}")  
    response_1 = chatbot.generate_response(user_input_1)  
    print(f"助手：{response_1}")  
    print("----------------------")  

    # 第二轮输入（禁用思维）  
    user_input_2 = "那蓝莓呢？/no_think"  
    print(f"用户：{user_input_2}")  
    response_2 = chatbot.generate_response(user_input_2)  
    print(f"助手：{response_2}")   
    print("----------------------")  

    # 第三轮输入（启用思维）  
    user_input_3 = "真的吗？/think"  
    print(f"用户：{user_input_3}")  
    response_3 = chatbot.generate_response(user_input_3)  
    print(f"助手：{response_3}")  

[!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，模型不会生成思维内容。

智能体应用

Qwen3具备出色的工具调用能力，推荐使用Qwen-Agent框架。该框架内置工具调用模板与解析器，大幅降低编码复杂度。

定义可用工具示例：

from qwen_agent.agents import Assistant  

# 定义LLM配置  
llm_cfg = {  
    'model': 'Qwen3-8B-FP8',  

    # 使用阿里云模型服务平台：  
    # 'model_type': 'qwen_dashscope',  
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),  

    # 使用自定义OpenAI兼容端点：  
    'model_server': 'http://localhost:8000/v1',  # api_base  
    'api_key': 'EMPTY',  

    # 其他参数：  
    # 'generate_cfg': {  
    #         # 当响应含`<think>思考内容</think>回复内容`时设为True  
    #         'thought_in_content': True,  
    #     },  
}  

# 定义工具  
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 tokens上下文。当输入输出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 tokens的上下文处理能力。

当前支持YaRN的推理框架包括transformers、llama.cpp（本地使用）以及vllm、sglang（部署）。启用方式有两种：

• 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  
      }  
  }  
  

  llama.cpp需修改后重新生成GGUF文件。

• 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]
若出现以下警告：

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

请升级至transformers>=4.51.0。

[!NOTE]
现有开源框架均实现静态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（如典型长度65,536 tokens时设为2.0）。

[!NOTE]
config.json中默认max_position_embeddings为40,960（保留32,768 tokens输出+8,192 tokens典型输入）。若平均上下文不超过32,768 tokens，不建议启用YaRN。

[!TIP]
阿里云模型服务平台默认支持动态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，禁用贪婪解码。
   • 非思维模式：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 tokens。
   • 数学/编程竞赛等复杂问题建议38,912 tokens。

3. 标准化输出格式：

   • 数学题：提示词加入"请逐步推理，并将最终答案用\boxed{}包裹"。
   • 选择题：提示词加入JSON结构如"answer": "C"。

4. 历史记录不包含思维内容：多轮对话中历史输出应仅保留最终回复（Jinja2模板已实现，其他框架需开发者自行处理）。

引用

如果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}  
}