license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-8B-GGUF/blob/main/LICENSE pipeline_tag: text-generation base_model: Qwen/Qwen3-8B

Qwen3-8B-GGUF

Qwen3核心亮点

Qwen3是通义千问系列大语言模型的最新迭代，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在推理能力、指令遵循、智能体功能及多语言支持方面实现突破性进展，主要特性包括：

• 首创思维模式无缝切换：单模型内支持思维模式（复杂逻辑推理/数学运算/代码生成）与非思维模式（高效通用对话）自由切换，确保各类场景最优表现
• 推理能力显著增强：在数学、代码生成与常识逻辑推理任务中，思维模式超越前代QwQ模型，非思维模式优于Qwen2.5指令模型
• 卓越的人类偏好对齐：在创意写作、角色扮演、多轮对话及指令遵循方面表现突出，提供更自然、沉浸的对话体验
• 专业级智能体能力：思维/非思维模式下均可精准对接外部工具，在开源模型的复杂智能体任务中保持领先
• 支持超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

Qwen3-8B核心参数：

• 类型：因果语言模型

• 训练阶段：预训练+后训练

• 参数量：82亿

• 非嵌入参数量：69.5亿

• 层数：36

• 注意力头数（GQA）：Q头32个/KV头8个

• 原生上下文长度：32,768 token，通过YaRN扩展至131,072 token

• 量化版本：q4_K_M/q5_0/q5_K_M/q6_K/q8_0

完整技术细节（基准测试/硬件需求/推理性能）请参阅技术博客、GitHub及文档。

快速开始

llama.cpp

详细指南请查阅llama.cpp文档。

建议克隆llama.cpp并按官方指引安装。以下演示假设在llama.cpp仓库目录执行：

./llama-cli -hf Qwen/Qwen3-8B-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

使用指南详见ollama文档。

单命令运行：

ollama run hf.co/Qwen/Qwen3-8B-GGUF:Q8_0

思维模式切换

在用户提示或系统消息中添加/think或/no_think即可实现回合制模式切换。多轮对话中将遵循最近指令。

示例对话：

> 你是谁 /no_think

<think>

</think>

我是通义千问，由阿里云研发的大语言模型[...]

> "strawberries"里有几个'r'？ /think

<think>
开始分析：用户询问单词"strawberries"中字母'r'的出现次数[...]
</think>

该单词包含3个字母r[...]

长文本处理

Qwen3原生支持32,768 token上下文窗口。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。我们已通过YaRN方法验证模型在131,072 token长度下的性能。

在llama.cpp启用YaRN：

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

[!注意] 当前开源框架均采用静态YaRN实现，缩放因子不随输入长度变化，可能影响短文本性能。 建议仅在处理长文本时添加rope_scaling配置，并根据需求调整factor值。例如典型上下文长度为65,536 token时，建议设置factor=2.0。

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

最佳实践

推荐参数配置：

1. 采样参数：

   • 思维模式（enable_thinking=True）：Temperature=0.6/TopP=0.95/TopK=20/MinP=0/PresencePenalty=1.5。禁用贪婪解码，否则可能导致性能下降与重复输出
   • 非思维模式（enable_thinking=False）：建议Temperature=0.7/TopP=0.8/TopK=20/MinP=0/PresencePenalty=1.5
   • 量化模型建议设置presence_penalty=1.5抑制重复输出。可调整范围0-2，过高值可能导致语言混杂与轻微性能下降

2. 充足输出长度：常规查询建议32,768 token输出长度。数学/编程竞赛等复杂问题评估时，建议最大输出长度设为38,912 token以获得更完整解答

3. 标准化输出格式：基准测试时推荐使用提示词规范输出

   • 数学题：提示词中加入"请逐步推理，并将最终答案用\boxed{}包裹"
   • 选择题：添加JSON结构规范输出，如"answer": "C"

4. 历史记录去思维过程：多轮对话中，历史记录应仅保留最终输出（Jinja2聊天模板已实现该逻辑）。未使用Jinja2模板的框架需开发者自行确保该实践

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}
}