库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-4B/blob/main/LICENSE
任务标签：文本生成
基础模型：

• Qwen/Qwen3-4B-Base

Qwen3-4B

Qwen3 亮点

Qwen3 是通义千问系列大语言模型的最新版本，提供密集型和混合专家（MoE）模型的完整套件。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，主要特点包括：

• 独特支持单一模型内思维模式（用于复杂逻辑推理、数学和编程）与非思维模式（用于高效通用对话）无缝切换，确保各类场景下的最佳性能。
• 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，支持在思维与非思维模式下精准集成外部工具，在开源模型的复杂智能体任务中领先。
• 支持 100+ 种语言和方言，具备强大的多语言指令遵循和翻译能力。

模型概览

Qwen3-4B 具有以下特性：

• 类型：因果语言模型
• 训练阶段：预训练与后训练
• 参数量：4.0B
• 非嵌入参数量：3.6B
• 层数：36
• 注意力头数（GQA）：Q 为 32，KV 为 8
• 上下文长度：原生支持 32,768，通过 YaRN 扩展至 131,072 tokens。

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。

[!TIP]
若遇到严重重复生成问题，请参考最佳实践优化采样参数，并将 presence_penalty 设为 1.5。

快速开始

Qwen3 的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'  

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/Qwen3-4B"  

# 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 = "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>=0.8.5 创建 OpenAI 兼容的 API 端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-4B --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-4B --enable-reasoning --reasoning-parser deepseek_r1  
  

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

思维与非思维模式切换

[!TIP]
enable_thinking 开关也适用于 SGLang 和 vLLM 创建的 API。
详见 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（generation_config.json 默认设置）。禁用贪心解码，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 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，模型不会生成 <think>...</think> 内容。

[!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。

高级用法：通过用户输入动态切换

当 enable_thinking=True 时，可通过在用户提示或系统消息中添加 /think 和 /no_think 动态控制行为。多轮对话中，模型遵循最近指令。

多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer  

class QwenChatbot:  
    def __init__(self, model_name="Qwen/Qwen3-4B"):  
        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()  

    # 首次输入（无标签，默认启用思维模式）  
    user_input_1 = "strawberries 中有几个 r？"  
    print(f"用户：{user_input_1}")  
    response_1 = chatbot.generate_response(user_input_1)  
    print(f"助手：{response_1}")  
    print("----------------------")  

    # 第二次输入带 /no_think  
    user_input_2 = "blueberries 中有几个 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"助手：{response_3}")  

[!NOTE]
为兼容 API，当 enable_thinking=True 时，无论用户使用 /think 或 /no_think，模型总会输出 <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 在工具调用方面表现卓越，推荐使用 Qwen-Agent 最大化其能力。Qwen-Agent 封装了工具调用模板和解析器，大幅降低编码复杂度。

定义可用工具可通过 MCP 配置文件、集成工具或自定义工具实现：

from qwen_agent.agents import Assistant  

# 定义 LLM  
llm_cfg = {  
    'model': 'Qwen3-4B',  

    # 使用阿里云灵积端点：  
    # '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：当响应含 `<think>思考内容</think>回复`  
    #         # 不添加：当响应已分离为 reasoning_content 和 content  
    #         'thought_in_content': True,  
    #     },  
}  

# 定义工具  
tools = [  
    {'mcpServers': {  # 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 tokens 上下文长度。若输入输出总长度远超此限制，推荐使用 RoPE 缩放技术（如 YaRN）扩展至 131,072 tokens。

YaRN 当前支持 transformers、llama.cpp（本地）、vllm 和 sglang（部署）。启用方式有两种：

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

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

  llama.cpp 需修改后重新生成 GGUF 文件。

• 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":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'  
    

  • llama.cpp：

    llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768  
    

[!IMPORTANT]
若出现警告：

Unrecognized keys in `rope_scaling` for 'rope_type'='yarn': {'original_max_position_embeddings'}  

请升级至 transformers>=4.51.0。

[!NOTE]
主流开源框架均实现静态 YaRN，缩放因子固定，可能影响短文本性能。
建议仅在处理长文本时启用，并根据典型上下文长度调整 factor（如 65,536 tokens 时设为 2.0）。

[!NOTE]
config.json 中默认 max_position_embeddings 为 40,960（保留 32,768 tokens 输出 + 8,192 tokens 典型输入）。若平均上下文长度不超 32,768 tokens，不建议启用 YaRN。

[!TIP]
阿里云灵积端点默认支持动态 YaRN，无需额外配置。

最佳实践

推荐以下设置以获得最优性能：

1. 采样参数：

   • 思维模式：Temperature=0.6、TopP=0.95、TopK=20、MinP=0，禁用贪心解码。
   • 非思维模式：Temperature=0.7、TopP=0.8、TopK=20、MinP=0。
   • 支持框架中，presence_penalty 设为 0-2 可减少重复（过高可能导致语言混杂）。

2. 充足输出长度：

   • 常规查询建议 32,768 tokens。
   • 数学/编程竞赛等复杂问题建议 38,912 tokens。

3. 标准化输出格式：

   • 数学题：提示中加入“请逐步推理，并将最终答案放入 \boxed{}。”
   • 选择题：提示中加入 JSON 结构如 "answer": "C"。

4. 历史记录不含思维内容：多轮对话中，历史输出应仅含最终回复（Jinja2 模板已实现，其他框架需开发者确保）。

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}  
}