library_name: transformers license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-32B/blob/main/LICENSE pipeline_tag: text-generation

Qwen3-32B

Qwen3 亮点

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

• 独特支持在单个模型中无缝切换思维模式（用于复杂逻辑推理、数学和编程）和非思维模式（用于高效通用对话），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。
• 擅长智能体能力，能够在思维和非思维模式下精确集成外部工具，并在基于智能体的复杂任务中达到开源模型的领先性能。
• 支持 100 多种语言和方言，具备强大的多语言指令遵循和翻译能力。

模型概览

Qwen3-32B 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
• 参数数量：32.8B
• 非嵌入参数数量：31.2B
• 层数：64
• 注意力头数（GQA）：Q 为 64，KV 为 8
• 上下文长度：原生支持 32,768，通过 YaRN 支持 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。

快速开始

Qwen3 的代码已集成到最新版的 Hugging Face transformers 中，建议使用最新版本的 transformers。

如果使用 transformers<4.51.0，会遇到以下错误：

KeyError: 'qwen3'

以下代码片段展示了如何基于给定输入使用模型生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-32B"

# 加载 tokenizer 和模型
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 = "Give me a short introduction to large language model."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True # 在思维和非思维模式之间切换。默认为 True。
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 进行文本补全
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:
    # rindex 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("thinking content:", thinking_content)
print("content:", content)

对于部署，可以使用 sglang>=0.4.6.post1 或 vllm>=0.8.5 创建兼容 OpenAI 的 API 端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-32B --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-32B --enable-reasoning --reasoning-parser deepseek_r1
  

对于本地使用，Ollama、LMStudio、MLX-LM、llama.cpp 和 KTransformers 等应用也已支持 Qwen3。

思维与非思维模式切换

[!TIP] enable_thinking 开关在 SGLang 和 vLLM 创建的 API 中同样可用。 请参考我们的文档了解 SGLang 和 vLLM 用户的使用方法。

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升生成回答的质量。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  # True 是 enable_thinking 的默认值
)

在此模式下，模型将生成包含在 <think>...</think> 块中的思维内容，随后是最终回答。

[!NOTE] 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，这可能导致性能下降和无限重复。更多详细指导，请参考最佳实践部分。

enable_thinking=False

我们提供了一个硬开关来严格禁用模型的思维行为，使其功能与之前的 Qwen2.5-Instruct 模型一致。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维内容，也不会包含 <think>...</think> 块。

[!NOTE] 对于非思维模式，建议使用 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。更多详细指导，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 来逐轮切换模型的思维模式。在多轮对话中，模型将遵循最近的指令。

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/Qwen3-32B"):
        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 = "How many r's in strawberries?"
    print(f"User: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"Bot: {response_1}")
    print("----------------------")

    # 第二次输入带 /no_think
    user_input_2 = "Then, how many r's in blueberries? /no_think"
    print(f"User: {user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"Bot: {response_2}") 
    print("----------------------")

    # 第三次输入带 /think
    user_input_3 = "Really? /think"
    print(f"User: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"Bot: {response_3}")

[!NOTE] 为了 API 兼容性，当 enable_thinking=True 时，无论用户使用 /think 还是 /no_think，模型总会输出一个包裹在 <think>...</think> 中的块。然而，如果思维被禁用，该块中的内容可能为空。 当 enable_thinking=False 时，软开关无效。无论用户输入任何 /think 或 /no_think 标签，模型都不会生成思维内容，也不会包含 <think>...</think> 块。

智能体使用

Qwen3 在工具调用能力方面表现出色。我们推荐使用 Qwen-Agent 来充分利用 Qwen3 的智能体能力。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。

要定义可用的工具，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': 'Qwen3-32B',

    # 使用 Alibaba 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>this is the thought</think>this is the answer;
    #         # 不添加：当响应已被推理内容和内容分离。
    #         '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
]

# 定义智能体
bot = Assistant(llm=llm_cfg, function_list=tools)

# 流式生成
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ Introduce the latest developments of Qwen'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

处理长文本

Qwen3 原生支持高达 32,768 tokens 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，我们推荐使用 RoPE 缩放技术来有效处理长文本。我们已验证模型在使用 YaRN 方法时，在高达 131,072 tokens 的上下文长度上的性能。

YaRN 目前被多个推理框架支持，例如本地使用的 transformers 和 llama.cpp，以及部署使用的 vllm 和 sglang。一般来说，有两种方法可以为支持的框架启用 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
      }
  }
  

  对于 llama.cpp，需要在修改后重新生成 GGUF 文件。

• 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}}'
  

  对于 llama.cpp 的 llama-server，可以使用：

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

[!IMPORTANT] 如果遇到以下警告：

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

请升级 transformers>=4.51.0。

[!NOTE] 所有知名的开源框架都实现了静态 YaRN，这意味着缩放因子不随输入长度变化，可能会影响短文本的性能。 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 tokens，最好将 factor 设置为 2.0。

[!NOTE] 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 tokens 和为典型提示保留 8,192 tokens，这对于大多数涉及短文本处理的场景已经足够。如果平均上下文长度不超过 32,768 tokens，我们不建议在此场景中启用 YaRN，因为它可能会降低模型性能。

[!TIP] Alibaba Model Studio 提供的端点默认支持动态 YaRN，无需额外配置。

最佳实践

为了获得最佳性能，我们推荐以下设置：

1. 采样参数：

   • 对于思维模式（enable_thinking=True），使用 Temperature=0.6、TopP=0.95、TopK=20 和 MinP=0。不要使用贪婪解码，这可能导致性能下降和无限重复。
   • 对于非思维模式（enable_thinking=False），建议使用 Temperature=0.7、TopP=0.8、TopK=20 和 MinP=0。
   • 对于支持的框架，可以将 presence_penalty 参数设置在 0 到 2 之间以减少无限重复。然而，使用较高值可能会偶尔导致语言混合和模型性能轻微下降。

2. 足够的输出长度：对于大多数查询，建议使用 32,768 tokens 的输出长度。对于高度复杂的问题（如数学和编程竞赛中的问题），建议将最大输出长度设置为 38,912 tokens。这为模型提供了足够的空间生成详细和全面的回答，从而提升其整体性能。

3. 标准化输出格式：建议使用提示来标准化模型输出，以便进行基准测试。

   • 数学问题：在提示中包含“请逐步推理，并将最终答案放在 \boxed{} 中。”
   • 选择题：在提示中添加以下 JSON 结构以标准化回答：“请在 answer 字段中仅显示选择的字母，例如 "answer": "C"。”

4. 历史中不包含思维内容：在多轮对话中，历史模型输出应仅包含最终输出部分，不需要包含思维内容。这在 Jinja2 提供的聊天模板中已实现。然而，对于不直接使用 Jinja2 聊天模板的框架，开发者需要确保遵循最佳实践。

引用

如果您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}
}