library_name: transformers license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-8B/blob/main/LICENSE pipeline_tag: text-generation base_model: Qwen/Qwen3-8B

Qwen3-8B-AWQ

Qwen3核心亮点

Qwen3是通义千问系列大语言模型的最新迭代版本，提供稠密模型与混合专家（MoE）模型的完整套件。基于大规模训练构建的Qwen3，在推理能力、指令遵循、智能体功能和多语言支持方面实现突破性进展，主要特性包括：

• 独创性支持单一模型内思维模式（用于复杂逻辑推理、数学与编程）与非思维模式（用于高效通用对话）无缝切换，确保各类场景下的最优表现
• 推理能力显著增强，在数学、代码生成和常识逻辑推理方面超越前代QwQ（思维模式）和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、多轮对话和指令遵循方面表现优异，提供更自然、引人入胜的对话体验
• 专业级智能体能力，可在思维与非思维模式下精准集成外部工具，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

Qwen3-8B具备以下特征：

• 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

• 量化方式：AWQ 4-bit

更多细节包括基准评估、硬件需求和推理性能，请参阅我们的博客、GitHub和文档。

快速开始

Qwen3的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'

以下代码片段展示如何基于给定输入生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-8B-AWQ"

# 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 = "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>）
    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-AWQ --reasoning-parser qwen3
  

• vLLM：

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

更多使用指南请查阅AWQ文档。

思维与非思维模式切换

[!TIP] enable_thinking开关同样适用于SGLang和vLLM创建的API。 具体用法请参考SGLang和vLLM用户文档。

enable_thinking=True

默认情况下Qwen3启用思维能力，类似QwQ-32B。这意味着模型将运用推理能力提升生成质量。例如在tokenizer.apply_chat_template中显式设置enable_thinking=True或保持默认值时，模型将进入思维模式。

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

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

[!NOTE] 思维模式下建议使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（generation_config.json默认设置）。禁止使用贪婪解码，否则可能导致性能下降和无限重复。更多细节请参考最佳实践。

enable_thinking=False

我们提供硬开关严格禁用模型思维行为，使其功能对齐前代Qwen2.5-Instruct模型。此模式在需要禁用思维以提升效率的场景尤为实用。

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

此模式下，模型不会生成任何思维内容，也不包含<think>...</think>块。

[!NOTE] 非思维模式下建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多细节请参考最佳实践。

进阶用法：通过用户输入动态切换

我们提供软开关机制，允许用户在enable_thinking=True时动态控制模型行为。具体可通过在用户提示或系统消息中添加/think和/no_think实现多轮对话中的逐轮切换。模型将遵循最近一次指令。

以下是多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

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

    # 首次输入（无/think或/no_think标签，默认启用思维模式）
    user_input_1 = "strawberries中有多少个r？"
    print(f"用户：{user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"助手：{response_1}")
    print("----------------------")

    # 第二次输入带/no_think
    user_input_2 = "那么blueberries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"助手：{response_2}") 
    print("----------------------")

    # 第三次输入带/think
    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] 为保持API兼容性，当enable_thinking=True时，无论用户使用/think或/no_think，模型始终会输出包裹在<think>...</think>中的内容块。但若思维被禁用，该块内容可能为空。 当enable_thinking=False时，软开关无效。无论用户输入何种标签，模型都不会生成思维内容或包含<think>...</think>块。

智能体应用

Qwen3在工具调用方面表现卓越。推荐使用Qwen-Agent充分发挥Qwen3的智能体能力。Qwen-Agent内置工具调用模板和解析器，大幅降低编码复杂度。

定义可用工具时，可使用MCP配置文件、Qwen-Agent集成工具或自行集成其他工具。

from qwen_agent.agents import Assistant

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

    # 使用阿里云模型服务提供的端点：
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # 使用兼容OpenAI API的自定义端点：
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # 其他参数：
    # 'generate_cfg': {
    #         # 添加：当响应内容为`<think>思考内容</think>回答内容`时
    #         # 不添加：当响应已分离为thinking_content和content时
    #         'thought_in_content': True,
    #     },
}

# 定义工具
tools = [
    {'mcpServers': {  # 可指定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
]

# 定义智能体
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的上下文长度。当对话总长度（含输入输出）远超此限制时，建议使用RoPE缩放技术有效处理长文本。我们已通过YaRN方法验证模型在131,072 tokens上下文长度下的性能。

当前多个推理框架支持YaRN，例如本地使用的transformers，部署用的vllm和sglang。通常有两种启用YaRN的方式：

• 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
      }
  }
  

• 传递命令行参数：

  对于vllm可使用：

  vllm serve ... --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' --max-model-len 131072  
  

  对于sglang可使用：

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'
  

[!IMPORTANT] 若遇到以下警告

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

请升级至transformers>=4.51.0。

[!NOTE] 所有知名开源框架均实现静态YaRN，即缩放因子不随输入长度变化，可能影响短文本性能。 建议仅在需要处理长文本时添加rope_scaling配置。 同时建议按需调整factor。例如若应用典型上下文长度为65,536 tokens，建议设为2.0。

[!NOTE] config.json中默认max_position_embeddings为40,960。该分配保留32,768 tokens用于输出，8,192 tokens用于典型提示，足以满足大多数短文本处理场景。若平均上下文长度不超过32,768 tokens，不建议在此场景启用YaRN，可能降低模型性能。

[!TIP] 阿里云模型服务提供的端点默认支持动态YaRN，无需额外配置。

性能表现

最佳实践

为获得最佳性能，建议采用以下设置：

1. 采样参数：

   • 思维模式（enable_thinking=True）使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0。禁止使用贪婪解码，否则可能导致性能下降和无限重复。
   • 非思维模式（enable_thinking=False）建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。
   • 支持框架中可调整presence_penalty参数至0-2间以减少无限重复。强烈建议量化模型设为1.5。但过高值可能导致语言混杂和轻微性能下降。

2. 充足输出长度：建议多数查询使用32,768 tokens输出长度。针对数学编程竞赛等高复杂度问题基准测试时，建议设置最大输出长度为38,912 tokens，为模型提供充足空间生成详尽回答，从而提升整体表现。

3. 标准化输出格式：基准测试时建议使用提示词标准化输出。

   • 数学问题：提示中加入"请逐步推理，并将最终答案置于\boxed{}中。"
   • 选择题：添加以下JSON结构标准化响应："请在answer字段中仅显示选项字母，如"answer": "C"。"

4. 历史记录不含思维内容：多轮对话中历史模型输出应仅含最终输出部分，无需包含思维内容。提供的Jinja2聊天模板已实现此规范。但未直接使用Jinja2聊天模板的框架，需开发者自行确保遵循最佳实践。

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}
}