库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-14B/blob/main/LICENSE
任务类型：文本生成
基础模型：

• Qwen/Qwen3-14B-Base

Qwen3-14B

Qwen3核心亮点

Qwen3是通义千问系列大语言模型的最新版本，提供全系列稠密模型与混合专家（MoE）模型。基于大规模训练，Qwen3在推理、指令遵循、智能体能力及多语言支持方面实现突破性进展，主要特性包括：

• 独创思维模式切换：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）间无缝切换，确保各类场景最优表现。
• 显著增强推理能力：在数学、代码生成与常识逻辑推理任务上，超越前代QwQ（思维模式）与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、多轮对话及指令遵循方面表现优异，提供更自然、沉浸的对话体验。
• 顶尖智能体能力：支持思维/非思维模式下精准调用外部工具，在开源模型中实现复杂智能体任务领先性能。
• 支持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

Qwen3-14B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
• 原生上下文长度：32,768 tokens，通过YaRN扩展至131,072 tokens。

更多细节（基准测试、硬件需求、推理性能）请参阅博客、GitHub与文档。

快速开始

Qwen3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会报错：

KeyError: 'qwen3'  

以下代码演示如何基于输入生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "Qwen/Qwen3-14B"  

# 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"  
)  

# 准备输入  
prompt = "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)  

# 生成文本  
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:  
    # 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>=0.8.5创建OpenAI兼容API：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-14B --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-14B --enable-reasoning --reasoning-parser deepseek_r1  
  

本地使用支持Ollama、LMStudio、MLX-LM、llama.cpp和KTransformers等工具。

思维模式切换

[!TIP]
enable_thinking开关同样适用于SGLang和vLLM的API，详见SGLang文档与vLLM文档。

enable_thinking=True

默认启用思维模式（类似QwQ-32B），模型将增强推理能力提升回复质量。例如显式设置enable_thinking=True或使用默认值时：

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

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

[!NOTE]
思维模式建议使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0（默认配置）。禁止使用贪婪解码，否则可能导致性能下降与无限重复。

enable_thinking=False

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

text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True,  
    enable_thinking=False  # 禁用思维模式  
)  

此模式下不会生成<think>块。

[!NOTE]
非思维模式建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。

高级用法：通过用户输入动态切换

当enable_thinking=True时，可通过在用户输入或系统消息中添加/think和/no_think实现逐轮切换。示例：

# 首次输入（默认思维模式）  
user_input_1 = "草莓中有多少个字母r？"  
# 第二次输入禁用思维  
user_input_2 = "蓝莓中有多少个字母r？ /no_think"  
# 第三次输入启用思维  
user_input_3 = "确定吗？ /think"  

[!NOTE]
API兼容性说明：

• enable_thinking=True时，无论用户输入如何都会输出<think>块（内容可能为空）。
• enable_thinking=False时，软开关无效，始终不生成思维内容。

智能体应用

Qwen3具备卓越的工具调用能力，推荐使用Qwen-Agent最大化其智能体潜力。示例：

from qwen_agent.agents import Assistant  

# 配置模型  
llm_cfg = {  
    'model': 'Qwen3-14B',  
    'model_server': 'http://localhost:8000/v1',  
    'api_key': 'EMPTY'  
}  

# 定义工具（含MCP配置与内置代码解释器）  
tools = [  
    {'mcpServers': {  
        'time': {'command': 'uvx', 'args': ['mcp-server-time']},  
        "fetch": {"command": "uvx", "args": ["mcp-server-fetch"]}  
    }},  
    'code_interpreter'  
]  

# 创建智能体  
bot = Assistant(llm=llm_cfg, function_list=tools)  

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

处理长文本

Qwen3原生支持32,768 tokens上下文。当输入输出总长显著超过该限制时，建议使用YaRN扩展至131,072 tokens。支持框架包括transformers、llama.cpp、vllm和sglang。

启用方式：

1. 修改模型文件：在config.json中添加：

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

2. 命令行参数：
   • vLLM：

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

   • SGLang：

     python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{...}}'  
     

[!IMPORTANT]
若出现Unrecognized keys in 'rope_scaling'警告，请升级至transformers>=4.51.0。

[!NOTE]

• 当前开源框架均采用静态YaRN，可能影响短文本性能，建议仅在处理长文本时启用。
• 默认max_position_embeddings为40,960（保留32,768 tokens用于输出），常规短文本处理无需启用YaRN。
• 阿里云模型服务平台默认支持动态YaRN，无需额外配置。

最佳实践

1. 采样参数：

   • 思维模式：Temperature=0.6、TopP=0.95、TopK=20、MinP=0，禁用贪婪解码。
   • 非思维模式：Temperature=0.7、TopP=0.8、TopK=20、MinP=0。
   • 可调整presence_penalty（0-2）减少重复，但过高值可能导致语言混杂。

2. 充足输出长度：

   • 常规问题建议32,768 tokens。
   • 复杂数学/编程问题建议38,912 tokens。

3. 标准化输出格式：

   • 数学题：提示词包含"逐步推理，最终答案用\boxed{}包裹"。
   • 选择题：提示词要求以"answer": "C"格式回复。

4. 历史记录不包含思维内容：多轮对话中历史记录应仅保留最终回复。

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}  
}