许可证：Apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-4B-GGUF/blob/main/LICENSE
任务标签：文本生成
基础模型：Qwen/Qwen3-4B

Qwen3-4B-GGUF

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供了一系列密集型和混合专家（MoE）模型。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取得了突破性进展，主要特点包括：

• 独特支持单模型内思维模式（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，确保在各种场景下获得最佳性能。
• 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了之前的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。
• 擅长智能体能力，能在思维和非思维模式下精准集成外部工具，在开源模型中实现复杂智能体任务的领先性能。
• 支持100多种语言和方言，具备强大的多语言指令遵循和翻译能力。

模型概览

Qwen3-4B具有以下特点：

• 类型：因果语言模型

• 训练阶段：预训练与后训练

• 参数量：40亿

• 非嵌入参数量：36亿

• 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。

• 量化版本：q4_K_M、q5_0、q5_K_M、q6_K、q8_0

更多细节，包括基准评估、硬件要求和推理性能，请参考我们的博客、GitHub和文档。

快速开始

llama.cpp

查看我们的llama.cpp文档获取更多使用指南。

建议克隆llama.cpp并按官方指南安装。我们遵循llama.cpp的最新版本。
以下演示假设您在llama.cpp仓库中运行命令。

./llama-cli -hf Qwen/Qwen3-4B-GGUF:Q8_0 --jinja --color -ngl 99 -fa -sm row --temp 0.6 --top-k 20 --top-p 0.95 --min-p 0 --presence-penalty 1.5 -c 40960 -n 32768 --no-context-shift

ollama

查看我们的ollama文档获取更多使用指南。

通过一条命令即可运行Qwen3：

ollama run hf.co/Qwen/Qwen3-4B-GGUF:Q8_0

思维模式与非思维模式切换

您可以在用户提示或系统消息中添加/think和/no_think来逐轮切换模型的思维模式。在多轮对话中，模型会遵循最近的指令。

以下是一个多轮对话示例：

> 你是谁 /no_think

<think>

</think>

我是通义千问，由阿里云开发的大规模语言模型。[...]

> "strawberries"中有多少个'r'？ /think

<think>
好的，让我们看看。用户问单词"strawberries"中字母'r'出现了多少次。[...]
</think>

单词strawberries包含3个字母r。[...]

处理长文本

Qwen3原生支持高达32,768 tokens的上下文长度。对于输入输出总长度远超此限制的对话，建议使用RoPE缩放技术有效处理长文本。我们已验证模型通过YaRN方法在131,072 tokens上下文长度下的性能。

在llama.cpp中启用YARN：

./llama-cli ... -c 131072 --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

[!注意] 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上下文时添加rope_scaling配置。
同时建议根据需要调整factor。例如，若应用典型上下文长度为65,536 tokens，设置factor为2.0更佳。

[!提示] 阿里云Model Studio提供的端点默认支持动态YaRN，无需额外配置。

最佳实践

为获得最佳性能，建议以下设置：

1. 采样参数：

   • 思维模式（enable_thinking=True）使用Temperature=0.6、TopP=0.95、TopK=20、MinP=0和PresencePenalty=1.5。勿用贪心解码，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、MinP=0和PresencePenalty=1.5。
   • 量化模型建议设置presence_penalty为1.5以抑制重复输出。可调整presence_penalty参数至0-2之间。较高值偶尔可能导致语言混杂和轻微性能下降。

2. 充足输出长度：建议大多数查询使用32,768 tokens输出长度。对于数学和编程竞赛等高复杂度问题基准测试，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细全面的回答，从而提升整体性能。

3. 标准化输出格式：基准测试时建议使用提示词标准化模型输出。

   • 数学问题：提示中加入"请逐步推理，并将最终答案放在\boxed{}中。"
   • 选择题：提示中添加以下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. 历史记录中不含思维内容：多轮对话中，历史模型输出应仅包含最终输出部分，无需包含思维内容。提供的Jinja2聊天模板已实现此功能。对于未直接使用Jinja2聊天模板的框架，需开发者自行确保遵循最佳实践。

引用

如果您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  = {四月},
    year   = {2025}
}