license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-235B-A22B-GGUF/blob/main/LICENSE pipeline_tag: text-generation base_model: Qwen/Qwen3-235B-A22B

Qwen3-235B-A22B-GGUF

Qwen3核心亮点

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）模型的完整套件。基于海量训练数据，Qwen3在推理能力、指令遵循、智能体功能及多语言支持方面实现突破性进展，主要特性包括：

• 独创性支持思维模式（适用于复杂逻辑推理、数学与编程）与非思维模式（适用于高效通用对话）的单模型无缝切换，确保各类场景下的最优表现
• 显著增强的推理能力，在数学解题、代码生成与常识逻辑推理方面超越前代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，在创意写作、角色扮演、多轮对话及指令遵循方面表现优异，提供更自然、引人入胜的沉浸式对话体验
• 专业的智能体功能，支持思维与非思维模式下与外部工具的精准集成，在开源模型的复杂智能体任务中保持领先性能
• 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

Qwen3-235B-A22B核心参数：

• 类型：因果语言模型

• 训练阶段：预训练&后训练

• 参数量：总参数量235B，激活参数量22B

• 非嵌入参数量：234B

• 层数：94

• 注意力头数（GQA）：查询头64个，键值头4个

• 专家数量：128

• 激活专家数：8

• 上下文长度：原生支持32,768 tokens，通过YaRN扩展至131,072 tokens

• 量化版本：q4_K_M、q5_0、q5_K_M、q6_K、q8_0

更多技术细节（包括基准测试、硬件需求与推理性能）请参阅我们的博客、GitHub与文档。

快速开始

llama.cpp

详细使用指南请参阅llama.cpp文档。

建议克隆llama.cpp并按官方指南安装。我们适配最新版llama.cpp，以下演示假设在llama.cpp仓库目录下操作。

由于克隆仓库效率较低，您可手动下载所需GGUF文件，或使用huggingface-cli（需pip install huggingface_hub）：

huggingface-cli download Qwen/Qwen3-235B-A22B-GGUF Q4_K_M/Qwen3-235B-A22B-Q4_K_M-00001-of-00005.gguf --local-dir . --local-dir-use-symlinks False

受限于50G单文件上传限制，大文件会被分割为多段。分割文件共享前缀，后缀标注索引。例如Q4_K_M量化文件：

Qwen3-235B-A22B-Q4_K_M-00001-of-00005.gguf
Qwen3-235B-A22B-Q4_K_M-00002-of-00005.gguf
Qwen3-235B-A22B-Q4_K_M-00003-of-00005.gguf
Qwen3-235B-A22B-Q4_K_M-00004-of-00005.gguf
Qwen3-235B-A22B-Q4_K_M-00005-of-00005.gguf

使用分割文件需先通过llama-gguf-split合并：

./llama-gguf-split --merge Qwen3-235B-A22B-Q4_K_M-00001-of-00005.gguf Qwen3-235B-A22B-Q4_K_M.gguf

思维模式切换

通过在用户提示或系统消息中添加/think和/no_think实现轮次间思维模式切换。多轮对话中模型将遵循最近指令。

多轮对话示例：

> 你是谁 /no_think

<think>

</think>

我是通义千问，由阿里云研发的大规模语言模型。[...]

> "strawberries"里有几个'r'? /think

<think>
好的，用户询问单词"strawberries"中字母'r'的出现次数。[...]
</think>

该单词包含3个字母r。[...]

处理长文本

Qwen3原生支持32,768 tokens上下文长度。当对话总长度（含输入输出）远超此限制时，建议使用RoPE缩放技术。我们已通过YaRN方法验证模型在131,072 tokens长度下的性能。

在llama.cpp启用YARN：

./llama-cli ... -c 131072 --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

[!注意] 当前主流开源框架均采用静态YaRN实现，缩放因子不随输入长度变化，可能影响短文本性能。 建议仅在处理长文本时启用rope_scaling配置，并根据需求调整factor参数。例如典型上下文长度为65,536 tokens时，建议设置factor为2.0。

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

最佳实践

推荐配置方案：

1. 采样参数：

   • 思维模式（enable_thinking=True）：Temperature=0.6、TopP=0.95、TopK=20、MinP=0、PresencePenalty=1.5。禁止使用贪婪解码，否则可能导致性能下降与无限重复
   • 非思维模式（enable_thinking=False）：建议Temperature=0.7、TopP=0.8、TopK=20、MinP=0、PresencePenalty=1.5
   • 量化模型建议设置presence_penalty=1.5抑制重复输出。该参数可调范围为0-2，过高值可能导致语言混杂与轻微性能下降

2. 充足输出长度：常规查询建议32,768 tokens输出长度。数学/编程竞赛等复杂问题评测时，建议最大输出长度设为38,912 tokens，为模型提供充分响应空间

3. 标准化输出格式：基准测试时推荐使用提示词规范输出：

   • 数学题：提示词中加入"请逐步推理，并将最终答案用\boxed{}包裹"
   • 选择题：添加JSON结构规范响应："请在answer字段中仅显示选项字母，如"answer": "C""

4. 历史记录排除思维内容：多轮对话中，历史模型输出应仅包含最终结果（已通过Jinja2聊天模板实现）。未使用该模板的框架需开发者自行确保实现该机制

引用

如果我们的工作对您有帮助，欢迎引用：

@misc{qwen3,
    title  = {Qwen3},
    url    = {https://qwenlm.github.io/blog/qwen3/},
    author = {Qwen Team},
    month  = {April},
    year   = {2025}
}