base_model: Qwen/Qwen3-32B language:

• en library_name: transformers license_link: https://huggingface.co/Qwen/Qwen3-32B/blob/main/LICENSE license: apache-2.0 tags:
• qwen3
• qwen
• unsloth
• transformers

查看我们的合集获取Qwen3所有版本，包括GGUF、4位和16位格式。

学习如何正确运行Qwen3 - 阅读我们的指南。

Unsloth Dynamic 2.0实现卓越精度，超越其他领先量化方法。

✨ 使用Unsloth运行和微调Qwen3！

• 使用我们的Google Colab笔记本免费微调Qwen3 (14B)！
• 阅读我们关于Qwen3支持的博客：unsloth.ai/blog/qwen3
• 在我们的文档中查看其他笔记本。
• 运行并将微调后的模型导出到Ollama、llama.cpp或HF。

Qwen3-32B

Qwen3亮点

Qwen3是Qwen系列最新一代的大语言模型，提供了一套全面的密集和混合专家（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），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（思考模式）和Qwen2.5指令模型（非思考模式）。
• 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出色，提供更自然、吸引人和沉浸式的对话体验。
• 擅长代理能力，能够在思考和非思考模式下精确集成外部工具，在复杂基于代理的任务中实现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。

模型概述

Qwen3-32B具有以下特性：

• 类型：因果语言模型
• 训练阶段：后训练
• 参数数量：32.8B
• 非嵌入参数数量：31.2B
• 层数：64
• 注意力头数（GQA）：Q为64，KV为8
• 上下文长度：原生32,768，使用YaRN可达131,072个标记。

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。

快速开始

Qwen3的代码已集成到最新版本的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/Qwen3-32B"

# 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 # 在思考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("思考内容:", thinking_content)
print("内容:", content)

对于部署，可以使用vllm>=0.8.5或sglang>=0.4.5.post2创建兼容OpenAI的API端点：

• vLLM:

  vllm serve Qwen/Qwen3-32B --enable-reasoning --reasoning-parser deepseek_r1
  

• SGLang:

  python -m sglang.launch_server --model-path Qwen/Qwen3-32B --reasoning-parser deepseek-r1
  

在思考和非思考模式之间切换

[!TIP] enable_thinking开关在vLLM和SGLang创建的API中也可用。 更多详情请参考我们的文档。

enable_thinking=True

默认情况下，Qwen3启用了思考能力，类似于QwQ-32B。这意味着模型将使用其推理能力来增强生成响应的质量。例如，当明确设置enable_thinking=True或在tokenizer.apply_chat_template中保留默认值时，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
)

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

[!NOTE] 对于思考模式，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，因为它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考行为，使其功能与之前的Qwen2.5-Instruct模型一致。此模式在需要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禁用思考模式
)

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

[!NOTE] 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。

高级用法：通过用户输入在思考和非思考模式之间切换

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，在多轮对话中逐轮切换模型的思考模式。模型将遵循最近一次指令。

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/Qwen3-32B"):
        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（没有/think或/no_think标签，默认启用思考模式）
    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: