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

Qwen3-235B-A22B-GPTQ-Int4

Qwen3亮点

Qwen3是Qwen系列最新一代的大语言模型，提供了一系列密集和混合专家（MoE）模型。基于广泛的训练，Qwen3在推理、指令遵循、代理能力和多语言支持方面取得了突破性进展，具有以下关键特点：

• 独特支持在单一模型内无缝切换思维模式（用于复杂的逻辑推理、数学和编码）和非思维模式（用于高效的通用对话），确保在各种场景下获得最佳性能。
• 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出色，提供更自然、吸引人和沉浸式的对话体验。
• 擅长代理能力，能够在思维和非思维模式下精确集成外部工具，并在复杂的基于代理的任务中达到开源模型的领先性能。
• 支持100多种语言和方言，具有强大的多语言指令遵循和翻译能力。

模型概述

Qwen3-235B-A22B具有以下特点：

• 类型：因果语言模型

• 训练阶段：预训练和后训练

• 参数数量：总计235B，激活22B

• 非嵌入参数数量：234B

• 层数：94

• 注意力头数（GQA）：Q为64，KV为4

• 专家数量：128

• 激活专家数量：8

• 上下文长度：原生32,768，使用YaRN可达131,072个标记。

• 量化：GPTQ 4位

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

[!重要] 目前，transformers在多GPU推理GPTQ量化模型时存在问题。我们建议使用SGLang或vLLM进行部署。

对于部署，可以使用sglang>=0.4.6.post1或vllm==0.8.4创建兼容OpenAI的API端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-235B-A22B-GPTQ-Int4 --reasoning-parser qwen3 --tp 4
  

• vLLM：

  vllm serve Qwen/Qwen3-235B-A22B-GPTQ-Int4 --enable-reasoning --reasoning-parser deepseek_r1 -tp 4
  

也可查看我们的GPTQ文档获取更多使用指南。

切换思维与非思维模式

[!提示] enable_thinking开关在SGLang和vLLM创建的API中也可用。 请参考我们的SGLang和vLLM用户文档。

enable_thinking=True

默认情况下，Qwen3启用了思维能力，类似于QwQ-32B。这意味着模型将使用其推理能力来提高生成响应的质量。例如，当显式设置enable_thinking=True或在tokenizer.apply_chat_template中保留默认值时，模型将进入思维模式。

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

在此模式下，模型将生成包裹在<think>...</think>块中的思考内容，后跟最终响应。

[!注意] 对于思维模式，使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（generation_config.json中的默认设置）。不要使用贪婪解码，因为它可能导致性能下降和无限重复。更多详细指南，请参考最佳实践部分。

enable_thinking=False

我们提供了一个硬开关，严格禁用模型的思维行为，使其功能与之前的Qwen2.5-Instruct模型对齐。此模式在需要禁用思维以提高效率的场景中特别有用。

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
)

在此模式下，模型不会生成任何思考内容，也不会包含<think>...</think>块。

[!注意] 对于非思维模式，我们建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多详细指南，请参考最佳实践部分。

高级用法：通过用户输入切换思维与非思维模式

我们提供了一个软开关机制，允许用户在enable_thinking=True时动态控制模型的行为。具体来说，可以在用户提示或系统消息中添加/think和/no_think，以在多轮对话中逐轮切换模型的思维模式。模型将遵循最近一次指令。

以下是一个多轮对话的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-235B-A22B-GPTQ-Int4"):
        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()

    # 第一次输入（不带/think或/no_think标签，默认启用思维模式）
    user_input_1 = "草莓中有多少个r？"
    print(f"用户：{user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"机器人：{response_1}")
    print("----------------------")

    # 第二次输入带/no_think
    user_input_2 = "那么，蓝莓中有多少个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("----------------------")

    # 第三次输入带/think
    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] 为了API兼容性，当enable_thinking=True时，无论用户使用/think还是/no_think，模型总是会输出包裹在<think>...</think>块中的内容。但是，如果思维被禁用，该块内的内容可能为空。 当enable_thinking=False时，软开关无效。无论用户输入任何/think或/no_think标签，模型都不会生成思考内容，也不会包含<think>...</think>块。

代理使用

Qwen3在工具调用能力方面表现出色。我们推荐使用Qwen-Agent以充分利用Qwen3的代理能力。Qwen-Agent内部封装了工具调用模板和工具调用解析器，大大降低了编码复杂度。

要定义可用工具，可以使用MCP配置文件、Qwen-Agent的集成工具或自行集成其他工具。

from qwen_agent.agents import Assistant

# 定义LLM
llm_cfg = {
    'model': 'Qwen3-235B-A22B-GPTQ-Int4',

    # 使用阿里云Model Studio提供的端点：
    # '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>这是思考</think>这是答案`时；
    #         # 不添加：当响应已被推理内容和内容分离时。
    #         'thought_in_content': True,
    #     },
}

# 定义工具
tools = [
    {'mcpServers': {  # 可以指定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
]

# 定义代理
bot = Assistant(llm=llm_cfg, function_list=tools)

# 流式生成
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ 介绍Qwen的最新发展'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

处理长文本

Qwen3原生支持高达32,768个标记的上下文长度。对于总长度（包括输入和输出）显著超过此限制的对话，我们建议使用RoPE缩放技术有效处理长文本。我们已验证模型在使用YaRN方法时，在高达131,072个标记的上下文长度上的性能。

YaRN目前由多个推理框架支持，例如本地使用的transformers、部署用的vllm和sglang。一般来说，有两种方法为支持的框架启用YaRN：

• 修改模型文件： 在config.json文件中添加rope_scaling字段：

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

• 传递命令行参数：

  对于vllm，可以使用

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

  对于sglang，可以使用

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'
  

[!重要] 如果遇到以下警告

在'rope_type'='yarn'的`rope_scaling`中无法识别的键：{'original_max_position_embeddings'}

请升级transformers>=4.51.0。

[!注意] 所有知名的开源框架都实现了静态YaRN，这意味着缩放因子与输入长度无关，可能影响短文本的性能。 我们建议仅在需要处理长上下文时添加rope_scaling配置。 还建议根据需要修改factor。例如，如果应用程序的典型上下文长度为65,536个标记，最好将factor设置为2.0。

[!注意] config.json中的默认max_position_embeddings设置为40,960。此分配包括为输出保留32,768个标记和为典型提示保留8,192个标记，对于大多数涉及短文本处理的场景足够。如果平均上下文长度不超过32,