库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-30B-A3B-FP8/blob/main/LICENSE
任务标签：文本生成
基础模型：

• Qwen/Qwen3-30B-A3B

Qwen3-30B-A3B-FP8

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供稠密模型与混合专家（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，主要特性包括：

• 独家支持单模型内思维模式（用于复杂逻辑推理、数学与编程）与非思维模式（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任务上超越前代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，支持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

本仓库包含Qwen3-30B-A3B的FP8量化版本，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30.5B，激活3.3B
• 非嵌入参数量：29.9B
• 层数：48
• 注意力头数（GQA）：查询头32个，键值头4个
• 专家数：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。

更多细节（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: 'qwen3moe'

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/Qwen3-30B-A3B-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 = "请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>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("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/Qwen3-30B-A3B-FP8 --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-30B-A3B-FP8 --enable-reasoning --reasoning-parser deepseek_r1  
  

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

FP8量化说明

为便于使用与提升性能，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。

该模型可与transformers、sglang、vllm等框架兼容使用，但需注意以下已知问题：

• transformers：
  • 分布式推理时存在细粒度FP8问题，多设备推理需设置环境变量CUDA_LAUNCH_BLOCKING=1。

思维与非思维模式切换

[!TIP]
enable_thinking开关同样适用于SGLang和vLLM的API，详见SGLang文档和vLLM文档。

enable_thinking=True

默认启用思维模式（类似QwQ-32B），模型将增强生成质量。例如显式设置或默认使用enable_thinking=True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]
思维模式建议参数：Temperature=0.6、TopP=0.95、TopK=20、MinP=0（默认配置）。禁止使用贪婪解码，否则可能导致性能下降与无限重复。

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]
非思维模式建议参数：Temperature=0.7、TopP=0.8、TopK=20、MinP=0。

高级用法：通过用户输入动态切换

当enable_thinking=True时，可通过/think和/no_think指令动态控制行为。模型会遵循最近指令，示例如下：

# 多轮对话示例  
user_input_1 = "草莓中有多少个字母r？"  # 默认思维模式  
user_input_2 = "蓝莓呢？/no_think"     # 禁用思维  
user_input_3 = "真的吗？/think"        # 重新启用  

[!NOTE]
API兼容性说明：enable_thinking=True时始终输出<think>块（内容可能为空）；enable_thinking=False时软开关无效。

智能体应用

Qwen3具备卓越的工具调用能力，推荐使用Qwen-Agent框架：

from qwen_agent.agents import Assistant  

# 配置模型与工具  
llm_cfg = {'model': 'Qwen3-30B-A3B-FP8'}  
tools = ['code_interpreter', {'mcpServers': {...}}]  

# 创建智能体  
bot = Assistant(llm=llm_cfg, function_list=tools)  

# 流式生成  
for responses in bot.run([{'role': 'user', 'content': '介绍Qwen最新进展'}]):  
    pass  
print(responses)  

处理长文本

原生支持32,768 tokens上下文，超长文本建议使用YaRN扩展至131,072 tokens。支持框架包括transformers、llama.cpp、vllm和sglang，启用方式：

• 修改config.json：

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

• 命令行参数（示例）：

  vllm serve ... --rope-scaling '{"rope_type":"yarn","factor":4.0}'  
  

[!IMPORTANT]
出现Unrecognized keys警告时请升级transformers>=4.51.0。

[!NOTE]
当前开源框架均采用静态YaRN，短文本性能可能受影响，建议按需调整factor值。

最佳实践

1. 采样参数：

   • 思维模式：Temperature=0.6、TopP=0.95、TopK=20、MinP=0
   • 非思维模式：Temperature=0.7、TopP=0.8、TopK=20、MinP=0
   • 可调整presence_penalty（0-2）减少重复

2. 充足输出长度：

   • 常规查询：32,768 tokens
   • 复杂问题（如数学竞赛）：38,912 tokens

3. 标准化输出格式：

   • 数学题：提示包含"逐步推理，最终答案用\boxed{}包裹"
   • 选择题：提示要求JSON格式"answer": "C"

4. 历史记录处理：多轮对话中仅保留最终输出（不含思维内容）。

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}  
}