许可协议：apache-2.0
许可链接：https://huggingface.co/Qwen/Qwen3-14B-GGUF/blob/main/LICENSE
模型类型：文本生成
基础模型：Qwen/Qwen3-14B

Qwen3-14B-GGUF

Qwen3核心亮点

Qwen3是通义千问系列大语言模型的最新版本，提供全系列的稠密模型与混合专家（MoE）模型。基于大规模训练，Qwen3在推理能力、指令遵循、智能体功能和多语言支持方面实现重大突破，主要特性包括：

• 首创思维模式无缝切换：支持在思维模式（复杂逻辑推理、数学与编程）与非思维模式（高效通用对话）间自由转换，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中，思维模式下的表现超越前代QwQ模型，非思维模式超越Qwen2.5指令模型。
• 卓越的人类偏好对齐：在创意写作、角色扮演、多轮对话和指令遵循方面表现优异，提供更自然、生动且沉浸式的对话体验。
• 专业的智能体能力：支持思维与非思维模式下精准调用外部工具，在开源模型的复杂智能体任务中达到领先水平。
• 支持100+种语言与方言：具备强大的多语言指令理解与翻译能力。

模型概览

Qwen3-14B核心参数：

• 类型：因果语言模型
• 训练阶段：预训练与后训练
• 参数量：148亿
• 非嵌入参数量：132亿
• 层数：40
• 注意力头数（GQA）：查询头40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

更多技术细节（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

llama.cpp

参考llama.cpp使用文档获取完整指南。

建议克隆llama.cpp并按官方指南安装。以下示例假设您在llama.cpp仓库目录下运行命令：

./llama-cli -hf Qwen/Qwen3-14B-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

参考ollama使用文档获取完整指南。

单命令启动模型：

ollama run hf.co/Qwen/Qwen3-14B-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可实时切换思维模式。多轮对话中，模型将遵循最近一条指令。

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"中有几个字母'r'？ /think  

<think>  
好的，让我们看看。用户询问单词"strawberries"中字母'r'出现的次数。[...]  
</think>  

该单词包含3个字母r。[...]  

处理长文本

Qwen3原生支持32,768 tokens上下文窗口。若对话总长度远超此限制，建议使用RoPE缩放技术。我们已通过YaRN方法验证模型在131,072 tokens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]
当前主流开源框架均采用静态YaRN实现，缩放因子固定可能导致短文本性能下降。
建议仅在处理长文本时启用rope_scaling配置，并根据实际需求调整factor参数（如典型上下文长度为65,536 tokens时设为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

推荐配置方案：

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。禁止使用贪婪解码，否则可能导致性能下降与无限重复。
   • 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，可调整范围为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：

   • 常规查询建议输出长度32,768 tokens。
   • 数学/编程竞赛等复杂问题建议最大输出38,912 tokens，确保生成详尽解答。

3. 标准化输出格式：

   • 数学题：提示词包含"请逐步推理，并将最终答案用\boxed{}包裹"。
   • 选择题：提示词添加JSON结构规范响应，如"answer": "C"。

4. 历史对话去思维内容：多轮对话中，历史记录应仅保留最终输出（Jinja2模板已实现该逻辑，其他框架需开发者自行处理）。

引用

如果我们的工作对您有帮助，欢迎引用：

@misc{qwen3,  
    title  = {Qwen3},  
    url    = {https://qwenlm.github.io/blog/qwen3/},  
    author = {Qwen Team},  
    month  = {April},  
    year   = {2025}  
}