许可证：Apache-2.0
流水线标签：文本生成
许可证链接：LICENSE
基础模型：

• Qwen/Qwen3-4B-Base
  量化者：bartowski
  标签：
• llamafile
• 聊天

Qwen 3 4B - llamafile

• 模型创建者：Qwen
• 原始模型：Qwen/Qwen3-4B

Mozilla 将 Qwen 3 模型打包成可执行的权重文件，我们称之为 llamafile。这为您提供了在 Linux、MacOS、Windows、FreeBSD、OpenBSD 和 NetBSD 系统上使用模型的最简单、最快速的方式，支持 AMD64 和 ARM64 架构。

软件最后更新：2025-05-14
Llamafile 版本：0.9.3

快速开始

要开始使用，您需要 Qwen 3 的权重文件和 llamafile 软件。两者都包含在一个文件中，可以按以下方式下载并运行：

wget https://huggingface.co/Mozilla/Qwen3-0.6B-llamafile/resolve/main/Qwen_Qwen3-4B-Q4_K_M.llamafile  
chmod +x Qwen_Qwen3-4B-Q4_K_M.llamafile  
./Qwen_Qwen3-4B-Q4_K_M.llamafile  

这些 llamafile 的默认操作模式是我们的新命令行聊天机器人界面。

使用方法

您可以使用三引号在多行上提问。可以通过传递 /stats 和 /context 等命令查看运行时状态信息。您可以通过传递 -p "新的系统提示" 标志来更改系统提示。您可以按 CTRL-C 中断模型生成。最后，按 CTRL-D 可以退出。

如果您更喜欢使用 Web 图形界面，可以启用 --server 模式，这将在浏览器中打开一个带有聊天机器人和补全界面的标签页。如需更多帮助，可以传递 --help 标志。服务器还提供了一个与 OpenAI API 兼容的补全端点，可以通过 Python 使用 openai pip 包访问。

./Qwen_Qwen3-4B-Q4_K_M.llamafile --server  

还提供了一个高级 CLI 模式，适用于 shell 脚本。您可以通过传递 --cli 标志来使用它。如需更多帮助，可以传递 --help 标志。

./Qwen_Qwen3-4B-Q4_K_M.llamafile --cli -p 'four score and seven' --log-disable  

故障排除

遇到问题？ 请参阅 README 中的 "常见问题" 部分。

在 Linux 上，避免运行检测器错误的方法是安装 APE 解释器。

sudo wget -O /usr/bin/ape https://cosmo.zip/pub/cosmos/bin/ape-$(uname -m).elf  
sudo chmod +x /usr/bin/ape  
sudo sh -c "echo ':APE:M::MZqFpD::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"  
sudo sh -c "echo ':APE-jart:M::jartsr::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"  

在 Windows 上，可执行文件的大小限制为 4GB。

上下文窗口

此模型的最大上下文窗口大小为 128k 令牌。默认情况下，使用 8192 令牌的上下文窗口大小。您可以通过传递 -c 0 标志让 llamafile 使用最大上下文大小。这足以容纳一本小书。如果您希望与您的书进行对话，可以使用 -f book.txt 标志。

GPU 加速

在具有足够内存的 GPU 上，可以传递 -ngl 999 标志以使用系统的 NVIDIA 或 AMD GPU。在 Windows 上，如果您拥有 NVIDIA GPU，只需安装显卡驱动程序即可。在 Windows 上，如果您有 AMD GPU，应安装 ROCm SDK v6.1，然后首次运行 llamafile 时传递 --recompile --gpu amd 标志。

在 NVIDIA GPU 上，默认使用预构建的 tinyBLAS 库执行矩阵乘法。这是开源软件，但速度不如闭源的 cuBLAS。如果您的系统上安装了 CUDA SDK，可以传递 --recompile 标志为您的系统构建一个使用 cuBLAS 的 GGML CUDA 库。这确保您获得最佳性能。

更多信息，请参阅 llamafile README。

关于 llamafile

llamafile 是 Mozilla 于 2023 年 11 月 20 日引入的一种新格式。它使用 Cosmopolitan Libc 将 LLM 权重转换为可运行的 llama.cpp 二进制文件，支持六种操作系统的原生安装，适用于 ARM64 和 AMD64 架构。

Qwen3-4B

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模型和混合专家（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）之间无缝切换，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了之前的 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、引人入胜和沉浸式的对话体验。
• 代理能力专家，能够在思考和非思考模式下精确集成外部工具，并在复杂的基于代理的任务中实现领先性能。
• 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

Qwen3-4B 具有以下特性：

• 类型：因果语言模型
• 训练阶段：预训练和后训练
• 参数数量：4.0B
• 非嵌入参数数量：3.6B
• 层数：36
• 注意力头数（GQA）：32 个 Q 头和 8 个 KV 头
• 上下文长度：原生支持 32,768 令牌，通过 YaRN 支持 131,072 令牌。

更多详细信息，包括基准评估、硬件要求和推理性能，请参阅我们的 博客、GitHub 和 文档。

[!提示]
如果遇到严重的无限重复问题，请参阅 最佳实践 部分获取最佳采样参数，并将 presence_penalty 设置为 1.5。

快速开始

Qwen3 的代码已集成到最新版本的 Hugging Face transformers 中，建议您使用最新版本的 transformers。

使用 transformers<4.51.0 时，您会遇到以下错误：

KeyError: 'qwen3'  

以下代码片段展示了如何根据给定输入使用模型生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "Qwen/Qwen3-4B"  

# 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:  
    # 反向查找 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，您可以使用 sglang>=0.4.6.post1 或 vllm>=0.8.5 创建与 OpenAI API 兼容的端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-4B --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-4B --enable-reasoning --reasoning-parser deepseek_r1  
  

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

在思考和非思考模式之间切换

[!提示]
enable_thinking 开关在 SGLang 和 vLLM 创建的 API 中也可用。
请参阅我们的 SGLang 和 vLLM 用户文档。

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提高生成响应的质量。例如，当显式设置 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。

[!注意]
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，请参阅 最佳实践 部分。

enable_thinking=False

我们提供了一个硬开关，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。

[!注意]
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，请参阅 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，您可以在用户提示或系统消息中添加 /think 和 /no_think，以逐轮切换模型的思考模式。在多轮对话中，模型将遵循最近的指令。

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/Qwen3-4B"):  
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)  
        self.model = AutoModelForCausalLM.from_pretrained(model_name