base_model: Qwen/Qwen3-235B-A22B language:

• en library_name: transformers license_link: https://huggingface.co/Qwen/Qwen3-235B-A22B/blob/main/LICENSE license: apache-2.0 tags:
• qwen3
• qwen
• unsloth
• transformers

[!NOTE] 通过YaRN技术实现128K上下文长度支持。

查看我们的模型集获取Qwen3所有版本（包括GGUF、4位和16位格式）。

学习如何正确运行Qwen3 - 阅读指南。

Unsloth Dynamic 2.0实现了卓越的精度，超越其他主流量化方案。

✨ 使用Unsloth运行与微调Qwen3！

• 通过我们的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至Ollama、llama.cpp或HF。

思维模式与非思维模式切换

若使用llama.cpp、Ollama、Open WebUI等工具，可在用户提示或系统消息中添加/think和/no_think指令实现逐轮切换。模型在多轮对话中将遵循最新指令。

多轮对话示例：

> 你是谁 /no_think

<think>

</think>

我是Qwen，由阿里云开发的大规模语言模型。[...]

> "strawberries"中有几个'r'字母？ /think

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

该单词包含3个字母r。[...]

Qwen3-235B-A22B

Qwen3核心亮点

Qwen3作为通义千问系列最新一代大语言模型，提供完整的稠密与混合专家（MoE）模型体系。基于海量训练，Qwen3在推理、指令遵循、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：

• 独家支持单模型内无缝切换思维模式（用于复杂逻辑推理、数学与编程）与非思维模式（用于高效通用对话），确保多场景最优表现
• 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前代QwQ（思维模式）与Qwen2.5 instruct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、吸引人的沉浸式对话体验
• 专业的智能体能力，精准支持思维与非思维模式下的外部工具集成，在开源模型复杂智能体任务中保持领先
• 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特性：

• 类型：因果语言模型
• 训练阶段：预训练与后训练
• 参数量：总计235B，激活22B
• 非嵌入参数量：234B
• 层数：94
• 注意力头数（GQA）：Q头64，KV头4
• 专家数：128
• 激活专家数：8
• 原生上下文长度：32,768 tokens，通过YaRN扩展至131,072 tokens

更多细节（包括基准评估、硬件需求与推理性能）请参阅我们的博客、GitHub和文档。

快速开始

Qwen3-MoE代码已集成至最新版Hugging Face transformers，建议使用最新版本。

使用transformers<4.51.0时将报错：

KeyError: 'qwen3_moe'

以下代码示例展示如何基于给定输入生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-235B-A22B"

# 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>标记）
    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("输出内容:", content)

部署时可使用vllm>=0.8.5或sglang>=0.4.5.post2创建OpenAI兼容API端点：

• vLLM:

  vllm serve Qwen/Qwen3-235B-A22B --enable-reasoning --reasoning-parser deepseek_r1
  

• SGLang:

  python -m sglang.launch_server --model-path Qwen/Qwen3-235B-A22B --reasoning-parser deepseek-r1
  

思维与非思维模式切换

[!TIP] enable_thinking开关同样适用于vLLM和SGLang创建的API。 请参阅vLLM和SGLang用户文档。

enable_thinking=True

默认情况下Qwen3启用思维能力（类似QwQ-32B），模型将运用推理能力提升响应质量。当显式设置enable_thinking=True或保持tokenizer.apply_chat_template默认值时，模型进入思维模式。

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，模型会生成包裹在<think>...</think>块中的思维内容，随后输出最终响应。

[!NOTE] 思维模式建议使用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与无限重复。更多细节请参阅最佳实践章节。

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。该模式在需要禁用思维以提升效率的场景尤为重要。

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

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

[!NOTE] 非思维模式建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多细节请参阅最佳实践章节。

高级用法：通过用户输入动态切换

我们提供软开关机制，当enable_thinking=True时允许用户动态控制模型行为。具体可在用户提示或系统消息中添加/think和/no_think指令实现逐轮切换，模型在多轮对话中将遵循最新指令。

多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-235B-A22B"):
        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()

    # 第一轮输入（无/think或/no_think标签，默认启用思维模式）
    user_input_1 = "strawberries中有几个r字母？"
    print(f"用户: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"助手: {response_1}")
    print("----------------------")

    # 第二轮输入带/no_think
    user_input_2 = "那blueberries中有几个r字母？ /no_think"
    print(f"用户: {user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"助手: {response_2}") 
    print("----------------------")

    # 第三轮输入带/think
    user_input_3 = "确定吗？ /think"
    print(f"用户: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"助手: {response_3}")

注意 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（禁用思维时内容可能为空）。 当enable_thinking=False时，软开关失效。无论用户输入何种标签，模型都不会生成思维内容且不包含<think>...</think>块。

智能体应用

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

可通过MCP配置文件定义可用工具，使用Qwen-Agent集成工具或自行集成：

from qwen_agent.agents import Assistant

# 定义LLM
llm_cfg = {
    'model': 'Qwen3-235B-A22B',

    # 使用阿里云Model Studio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长度下的表现。

当前YaRN已获多个推理框架支持，如本地使用的transformers和llama.cpp，部署用的vllm和sglang。通常有两种启用方式：

• 修改模型文件： 在config.json中添加rope_scaling字段：

  {
      ...,
      "rope_scaling": {
          "type": "yarn",
          "factor": 4.0,
          "original_max_position_embeddings": 32768
      }
  }
  

  使用llama.cpp需在修改后重新生成GGUF文件。

• 命令行传参：

  vllm可使用：

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

  sglang可使用：

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"type":"