库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-235B-A22B-FP8/blob/main/LICENSE
任务标签：文本生成
基础模型：

• Qwen/Qwen3-235B-A22B

Qwen3-235B-A22B-FP8

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供稠密模型和混合专家（MoE）模型的完整套件。基于大规模训练，Qwen3在推理、指令遵循、智能体能力和多语言支持方面实现了突破性进展，主要特点包括：

• 独特支持单一模型内思维模式（用于复杂逻辑推理、数学和编程）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佳表现。
• 显著增强的推理能力，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）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、吸引人且沉浸式的对话体验。
• 专精智能体能力，能在思维与非思维模式下精准整合外部工具，在开源模型的复杂智能体任务中达到领先性能。
• 支持100+种语言和方言，具备强大的多语言指令遵循和翻译能力。

模型概览

本仓库包含Qwen3-235B-A22B的FP8版本，具有以下特性：

• 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为64，KV为4
• 专家数：128
• 激活专家数：8
• 上下文长度：原生支持32,768 token，通过YaRN扩展至131,072 token。

更多细节（包括基准评估、硬件需求和推理性能）请参考我们的博客、GitHub和文档。

快速开始

Qwen3-MoE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_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-FP8"  

# 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/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兼容的API端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-235B-A22B-FP8 --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-235B-A22B-FP8 --enable-reasoning --reasoning-parser deepseek_r1  
  

本地使用支持Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等应用。

FP8说明

为方便使用和提升性能，我们提供了fp8量化模型（名称以-FP8结尾）。量化方法为块大小128的细粒度FP8量化，详见config.json中的quantization_config字段。

可通过transformers、sglang和vllm等框架使用FP8模型，与原版bfloat16模型用法相同。但需注意以下已知问题：

• transformers：
  • 分布式推理时"细粒度FP8"方法存在问题，若使用多设备推理需设置环境变量CUDA_LAUNCH_BLOCKING=1。

思维/非思维模式切换

[!TIP]
enable_thinking开关也适用于SGLang和vLLM创建的API。
详见SGLang和vLLM文档。

enable_thinking=True

默认启用思维模式（类似QwQ-32B），模型将使用推理能力提升生成质量。例如显式设置enable_thinking=True或使用默认值时：

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

此模式下，模型会生成包裹在<think>...</think>中的思维内容，后接最终回复。

[!NOTE]
思维模式建议使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（默认配置）。避免贪婪解码，否则可能导致性能下降和无限重复。

enable_thinking=False

严格禁用思维行为，功能对齐Qwen2.5-Instruct模型，适用于需提升效率的场景：

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

此模式下不生成思维内容。

[!NOTE]
非思维模式建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。

高级用法：通过用户输入动态切换

当enable_thinking=True时，可通过在用户输入或系统消息中添加/think和/no_think实现逐轮切换。示例多轮对话：

# （代码示例详见原文）  

[!NOTE]
API兼容性说明：

• enable_thinking=True时，无论用户输入/think或/no_think，模型始终输出<think>...</think>块（内容可能为空）。
• enable_thinking=False时，软开关无效，不生成思维内容。

智能体应用

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

工具定义示例：

from qwen_agent.agents import Assistant  

# 定义LLM配置  
llm_cfg = {  
    'model': 'Qwen3-235B-A22B-FP8',  
    # （其他配置选项详见原文）  
}  

# 定义工具  
tools = [  
    {'mcpServers': {  
            'time': {'command': 'uvx', 'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']},  
            "fetch": {"command": "uvx", "args": ["mcp-server-fetch"]}  
        }  
    },  
    'code_interpreter',  # 内置工具  
]  

# 创建智能体  
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 token上下文。当总长度远超此限制时，建议使用RoPE缩放技术（如YaRN）扩展至131,072 token。

YaRN支持框架包括transformers、llama.cpp（本地使用）及vllm、sglang（部署）。启用方式有两种：

1. 修改模型文件：
   在config.json中添加：

   {  
       "rope_scaling": {  
           "rope_type": "yarn",  
           "factor": 4.0,  
           "original_max_position_embeddings": 32768  
       }  
   }  
   

   （llama.cpp需重新生成GGUF文件）

2. 命令行参数：

   • vLLM：

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

   • 其他框架命令详见原文。

[!IMPORTANT]
若出现Unrecognized keys in 'rope_scaling'警告，请升级至transformers>=4.51.0。

[!NOTE]

• 当前开源框架均实现静态YaRN（缩放因子固定），可能影响短文本性能，建议仅在需要时启用。
• 默认max_position_embeddings为40,960（保留32,768 token用于输出），短文本处理无需启用YaRN。
• 阿里云模型服务平台默认支持动态YaRN，无需额外配置。

最佳实践

推荐以下设置以获得最佳性能：

1. 采样参数：

   • 思维模式：Temperature=0.6、TopP=0.95、TopK=20、MinP=0，禁用贪婪解码。
   • 非思维模式：Temperature=0.7、TopP=0.8、TopK=20、MinP=0。
   • 支持框架可设置presence_penalty（0-2）减少重复，但过高值可能导致语言混杂。

2. 充足输出长度：

   • 常规查询建议32,768 token。
   • 数学/编程等复杂问题建议38,912 token。

3. 标准化输出格式：

   • 数学题：提示中加入"请逐步推理，最终答案用\boxed{}包裹"。
   • 选择题：提示中加入JSON结构（如"answer": "C"）。

4. 历史记录不包含思维内容：多轮对话中历史输出应仅保留最终回复（Jinja2模板已实现）。

引用

若认为我们的工作有帮助，欢迎引用：

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