库名称：transformers 许可证：apache-2.0 许可证链接：https://huggingface.co/Qwen/Qwen3-0.6B/blob/main/LICENSE 管道标签：文本生成 基础模型：Qwen/Qwen3-0.6B

Qwen3-0.6B-GPTQ-Int8

Qwen3亮点

Qwen3是通义千问系列最新一代大语言模型，提供密集型和混合专家（MoE）模型的完整套件。基于广泛训练，Qwen3在推理、指令遵循、智能体能力和多语言支持方面取得突破性进展，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、数学和编码）与非思维模式（高效通用对话）无缝切换，确保各类场景最优表现。
• 显著增强推理能力，在数学、代码生成和常识逻辑推理上超越前代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，精准整合外部工具于思维与非思维模式，在开源模型中实现复杂智能体任务的领先性能。
• 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

Qwen3-0.6B特点：

• 类型：因果语言模型

• 训练阶段：预训练与后训练

• 参数量：0.6B

• 非嵌入参数量：0.44B

• 层数：28

• 注意力头数（GQA）：查询16，键值8

• 上下文长度：32,768

• 量化：GPTQ 8位

更多详情，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。

[!提示] 如遇严重无限重复，请参考最佳实践获取最优采样参数，并设置presence_penalty为1.5。

快速开始

Qwen3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将报错：

KeyError: 'qwen3'

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/Qwen3-0.6B-GPTQ-Int8"

# 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("内容：", content)

部署可使用sglang>=0.4.6.post1或vllm==0.8.4创建OpenAI兼容API端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-0.6B-GPTQ-Int8 --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-0.6B-GPTQ-Int8 --enable-reasoning --reasoning-parser deepseek_r1
  

另请参阅GPTQ文档获取更多使用指南。

思维与非思维模式切换

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

enable_thinking=True

默认启用思维能力，类似QwQ-32B。模型将运用推理能力提升生成质量。例如显式设置enable_thinking=True或保留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  # True为enable_thinking默认值
)

此模式下，模型生成包裹在<think>...</think>块中的思维内容，后接最终响应。

[!注意] 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）。勿用贪婪解码，可能导致性能下降和无限重复。详见最佳实践。

enable_thinking=False

提供硬开关严格禁用思维行为，功能对齐前代Qwen2.5-Instruct模型。此模式在需禁用思维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，模型不生成思维内容且不含<think>...</think>块。

[!注意] 非思维模式建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。详见最佳实践。

高级用法：通过用户输入动态切换

提供软开关机制，当enable_thinking=True时，用户可通过在提示或系统消息中添加/think和/no_think动态控制模型行为。多轮对话中模型遵循最近指令。

多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-0.6B-GPTQ-Int8"):
        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

# 示例用法
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 = "草莓中有几个r？"
    print(f"用户：{user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"机器人：{response_1}")
    print("----------------------")

    # 带/no_think的第二次输入
    user_input_2 = "蓝莓中有几个r？ /no_think"
    print(f"用户：{user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"机器人：{response_2}") 
    print("----------------------")

    # 带/think的第三次输入
    user_input_3 = "真的吗？ /think"
    print(f"用户：{user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"机器人：{response_3}")

[!注意] 为API兼容性，当enable_thinking=True时，无论用户使用/think或/no_think，模型始终输出包裹在<think>...</think>中的块。但若思维禁用，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，模型不生成思维内容且不含<think>...</think>块。

智能体应用

Qwen3在工具调用能力上表现卓越。推荐使用Qwen-Agent充分发挥Qwen3的智能体能力。Qwen-Agent内部封装工具调用模板和解析器，大幅降低编码复杂度。

定义可用工具可通过MCP配置文件、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': 'Qwen/Qwen3-0.6B-GPTQ-Int8',

    # 使用阿里云模型服务端点：
    # '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`;
    #         # 不添加：当响应已分离为reasoning_content和content。
    #         '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)

性能

最佳实践

为达最优性能，推荐以下设置：

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。勿用贪婪解码，可能导致性能下降和无限重复。
   • 非思维模式（enable_thinking=False）：建议Temperature=0.7、TopP=0.8、TopK=20和`MinP=