库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-0.6B-FP8/blob/main/LICENSE
任务标签：文本生成
基础模型：

• Qwen/Qwen3-0.6B

Qwen3-0.6B-FP8

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供稠密模型与混合专家（MoE）模型的完整组合。基于大规模训练，Qwen3在推理、指令跟随、智能体能力和多语言支持方面实现突破性进展，主要特性包括：

• 独家支持思维模式与非思维模式无缝切换：单模型内可切换思维模式（用于复杂逻辑推理、数学与编程）与非思维模式（高效通用对话），确保各类场景最优表现。
• 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，超越前代QwQ（思维模式）与Qwen2.5指令模型（非思维模式）。
• 卓越的人类偏好对齐：擅长创意写作、角色扮演、多轮对话和指令跟随，提供更自然、沉浸的交互体验。
• 专业级智能体能力：支持思维/非思维模式下精准调用外部工具，在开源模型中实现复杂智能体任务领先性能。
• 支持100+种语言与方言，具备强大的多语言指令跟随与翻译能力。

模型概览

本仓库包含Qwen3-0.6B的FP8量化版本，特性如下：

• 类型：因果语言模型
• 训练阶段：预训练与后训练
• 参数量：0.6B
• 非嵌入参数量：0.44B
• 层数：28
• 注意力头数（GQA）：查询头16个，键值头8个
• 上下文长度：32,768

更多细节（包括基准测试、硬件需求与推理性能）请参阅博客、GitHub和文档。

[!TIP]
若出现严重重复生成，请参考最佳实践调整采样参数，并将presence_penalty设为1.5。

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会报错：

KeyError: 'qwen3'  

以下代码演示如何基于输入生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "Qwen/Qwen3-0.6B-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/非思维模式，默认为True  
)  
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)  

# 生成文本  
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:  
    # 查找151668 (</think>)的逆向索引  
    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)  

部署时可用sglang>=0.4.6.post1或vllm>=0.8.5创建OpenAI兼容API：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-0.6B-FP8 --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-0.6B-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说明

为便于高效部署，我们提供了细粒度FP8量化模型（名称含-FP8后缀），块大小为128。详情见config.json中的quantization_config字段。

该模型可与transformers、sglang和vllm等框架兼容使用，但需注意：

• transformers：
  • 分布式推理时需设置环境变量CUDA_LAUNCH_BLOCKING=1

思维模式切换

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

enable_thinking=True

默认启用思维模式（类似QwQ-32B），模型会生成包含<think>...</think>的推理过程。

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

[!NOTE]
此模式建议使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0。禁用贪心解码，否则可能导致性能下降或重复生成。

enable_thinking=False

严格禁用思维模式（功能对齐Qwen2.5-Instruct），适合需要高效响应的场景。

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

[!NOTE]
此模式建议使用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，可通过在用户输入中添加/think或/no_think实现逐轮切换。示例：

# 首次输入（默认启用思维模式）  
user_input_1 = "草莓英文有几个r？"  
# 第二次输入禁用思维  
user_input_2 = "那蓝莓呢？ /no_think"  
# 第三次输入重新启用  
user_input_3 = "确定吗？ /think"  

[!NOTE]
API兼容性说明：

• enable_thinking=True时总会输出<think>标签（内容可能为空）
• enable_thinking=False时软开关无效

智能体应用

推荐使用Qwen-Agent充分发挥工具调用能力。示例：

from qwen_agent.agents import Assistant  

# 定义LLM配置  
llm_cfg = {  
    'model': 'Qwen3-0.6B-FP8',  
    'model_server': 'http://localhost:8000/v1',  
    'api_key': 'EMPTY'  
}  

# 定义工具（MCP配置/内置工具）  
tools = [  
    {'mcpServers': {  
        'time': {'command': 'uvx', 'args': ['mcp-server-time']}  
    }},  
    'code_interpreter'  
]  

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

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

最佳实践

1. 采样参数：

   • 思维模式：Temperature=0.6，TopP=0.95，TopK=20，MinP=0
   • 非思维模式：Temperature=0.7，TopP=0.8，TopK=20，MinP=0
   • 可调整presence_penalty（0-2）减少重复

2. 充足输出长度：

   • 常规任务建议32,768 tokens
   • 复杂数学/编程问题建议38,912 tokens

3. 标准化输出格式：

   • 数学题：提示包含"逐步推理，最终答案用\boxed{}包裹"
   • 选择题：提示要求JSON格式输出"answer": "C"

4. 历史记录不包含思维内容：多轮对话中仅保留最终输出

引用

若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}  
}