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

Qwen3-30B-A3B-GPTQ-Int4

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）模型的完整组合。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：

• 独特支持单模型内思维模式（用于复杂逻辑推理、数学和代码）与非思维模式（高效通用对话）的无缝切换，确保各类场景下的最优表现。
• 显著增强的推理能力，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）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。
• 专业的智能体能力，支持思维与非思维模式下与外部工具精准集成，在开源模型的复杂智能体任务中达到领先水平。
• 支持 100+ 种语言和方言，具备强大的多语言指令遵循与翻译能力。

模型概览

Qwen3-30B-A3B 特性：

• 类型：因果语言模型
• 训练阶段：预训练 & 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）：Q 头 32，KV 头 4
• 专家数：128
• 激活专家数：8
• 上下文长度：原生支持 32,768 词元，通过 YaRN 扩展至 131,072 词元。
• 量化方式：GPTQ 4-bit

更多细节（包括基准测试、硬件需求和推理性能）请参阅博客、GitHub 和文档。

快速开始

Qwen3-MoE 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 将报错：

KeyError: 'qwen3_moe'

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-GPTQ-Int4"  

# 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>)  
    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==0.8.4 创建 OpenAI 兼容 API 端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-30B-A3B-GPTQ-Int4 --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-30B-A3B-GPTQ-Int4 --enable-reasoning --reasoning-parser deepseek_r1  
  

更多使用指南请参阅 GPTQ 文档。

思维与非思维模式切换

[!TIP]
enable_thinking 开关同样适用于 SGLang 和 vLLM 创建的 API。
具体配置请参考 SGLang 和 vLLM 文档。

enable_thinking=True

默认启用思维模式（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 或保持 tokenizer.apply_chat_template 默认值时：

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

此模式下，模型会生成包裹在 <think>...</think> 中的思维内容，随后输出最终回复。

[!NOTE]
思维模式建议使用 Temperature=0.6、TopP=0.95、TopK=20 和 MinP=0（generation_config.json 默认配置）。禁止使用贪婪解码，否则可能导致性能下降和无限重复。详见最佳实践。

enable_thinking=False

严格禁用思维行为，功能对齐前代 Qwen2.5-Instruct 模型，适用于需要提升效率的场景：

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，模型不会生成思维内容或 <think>...</think> 块。

[!NOTE]
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。

进阶用法：通过用户输入动态切换

当 enable_thinking=True 时，可通过在用户提示或系统消息中添加 /think 和 /no_think 实现逐轮切换。模型会遵循多轮对话中最近的指令。

多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer  

class QwenChatbot:  
    def __init__(self, model_name="Qwen/Qwen3-30B-A3B-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  

# 使用示例  
if __name__ == "__main__":  
    chatbot = QwenChatbot()  

    # 第一轮输入（无标签，默认启用思维模式）  
    user_input_1 = "草莓中有多少个字母 r？"  
    print(f"用户：{user_input_1}")  
    response_1 = chatbot.generate_response(user_input_1)  
    print(f"助手：{response_1}")  
    print("----------------------")  

    # 第二轮输入（/no_think）  
    user_input_2 = "蓝莓中有多少个字母 r？ /no_think"  
    print(f"用户：{user_input_2}")  
    response_2 = chatbot.generate_response(user_input_2)  
    print(f"助手：{response_2}")   
    print("----------------------")  

    # 第三轮输入（/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"助手：{response_3}")  

[!NOTE]
为保持 API 兼容性，当 enable_thinking=True 时，无论用户使用 /think 或 /no_think，模型始终会输出 <think>...</think> 包裹块（禁用思维时内容可能为空）。
当 enable_thinking=False 时，软开关无效，模型不会生成思维内容。

智能体应用

Qwen3 具备出色的工具调用能力，推荐使用 Qwen-Agent 充分发挥其智能体能力。Qwen-Agent 内置工具调用模板和解析器，大幅降低编码复杂度。

定义可用工具时，可使用 MCP 配置文件、Qwen-Agent 集成工具或自定义工具：

from qwen_agent.agents import Assistant  

# 定义大模型  
llm_cfg = {  
    'model': 'Qwen3-30B-A3B-GPTQ-Int4',  

    # 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': {  
    #         # 当响应含 `<think>思考内容</think>回复内容` 时添加  
    #         # 若响应已分离为 reasoning_content 和 content 则无需添加  
    #         '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)  

处理长文本

Qwen3 原生支持 32,768 词元的上下文长度。若输入输出总长远超此限制，推荐使用 RoPE 缩放技术。我们已通过 YaRN 方法验证模型在 131,072 词元长度下的性能。

当前 transformers（本地使用）、vllm 和 sglang