library_name: transformers
license: apache-2.0
license_link: https://huggingface.co/Qwen/Qwen3-8B/blob/main/LICENSE
pipeline_tag: text-generation
base_model:

• Qwen/Qwen3-8B-Base

Qwen3-8B

Qwen3 核心亮点

Qwen3 是通义千问系列大语言模型的最新迭代，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 在推理能力、指令遵循、智能体功能及多语言支持方面实现突破性进展，主要特性包括：

• 独家支持单模型内思维模式（用于复杂逻辑推理、数学与编程）与非思维模式（高效通用对话）无缝切换，确保各类场景最优表现
• 推理能力显著增强，在数学、代码生成与常识逻辑推理任务上全面超越前代 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、生动且沉浸的对话体验
• 专业级智能体能力，支持思维/非思维模式下精准调用外部工具，在开源模型复杂智能体任务中保持领先
• 支持超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

Qwen3-8B 核心参数：

• 类型：因果语言模型
• 训练阶段：预训练 & 后训练
• 参数量：8.2B
• 非嵌入参数量：6.95B
• 层数：36
• 注意力头数（GQA）：查询头32组，键值头8组
• 原生上下文长度：32,768 token，通过YaRN扩展至131,072 token

完整技术报告、硬件需求与推理性能详见博客、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将报错：

KeyError: 'qwen3'  

以下代码演示基础文本生成流程：

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "Qwen/Qwen3-8B"  

# 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 = "用中文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 # 思维模式开关，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:  
    # 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("最终回复：", content)  

部署推荐使用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/Qwen3-8B --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-8B --enable-reasoning --reasoning-parser deepseek_r1  
  

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

思维/非思维模式切换

[!TIP]
enable_thinking开关同样适用于SGLang与vLLM创建的API。
具体配置参考SGLang文档与vLLM文档。

enable_thinking=True（默认）

默认启用类QwQ-32B的思维增强能力，模型将生成包含<think>...</think>的推理过程：

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

[!NOTE]
思维模式推荐参数：Temperature=0.6、TopP=0.95、TopK=20、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，适合需要极致效率的场景：

text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True,  
    enable_thinking=False  # 显式关闭  
)  

[!NOTE]
非思维模式推荐参数：Temperature=0.7、TopP=0.8、TopK=20、MinP=0。

高级用法：通过用户输入动态切换

当enable_thinking=True时，可通过在用户输入中添加/think或/no_think实现逐轮切换。多轮对话中以最新指令为准：

# 示例对话流程  
chatbot = QwenChatbot()  

# 第一轮（默认思维模式）  
user_input_1 = "草莓英文有几个r？"  
print(f"用户：{user_input_1}")  
response_1 = chatbot.generate_response(user_input_1)  # 包含<think>  

# 第二轮（强制关闭）  
user_input_2 = "那蓝莓呢？/no_think"  
response_2 = chatbot.generate_response(user_input_2)  # 无<think>  

# 第三轮（重新激活）  
user_input_3 = "确定吗？/think"  
response_3 = chatbot.generate_response(user_input_3)  # 恢复<think>  

[!NOTE]
API兼容性说明：当enable_thinking=True时，无论用户是否使用切换标签，输出始终包含<think>标签（内容可能为空）。若enable_thinking=False，所有软开关失效。

智能体应用

Qwen3具备顶尖的工具调用能力，推荐使用Qwen-Agent框架：

from qwen_agent.agents import Assistant  

# 配置LLM  
llm_cfg = {  
    'model': 'Qwen3-8B',  
    'model_server': 'http://localhost:8000/v1',  
    'api_key': 'EMPTY'  
}  

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

# 创建智能体  
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 token上下文。当输入输出总长显著超过该限制时，推荐使用YaRN扩展至131,072 token。主流推理框架支持两种启用方式：

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  
   }  
   

   （llama.cpp需重新生成GGUF文件）

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

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

[!NOTE]

• 当前开源框架均采用静态YaRN，短文本场景可能影响性能，建议仅在处理长文本时启用
• 默认max_position_embeddings=40960已预留32K输出+8K提示空间，常规短文本无需启用
• 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
   • 非思维模式：Temperature=0.7、TopP=0.8、TopK=20、MinP=0
   • 支持框架可设置presence_penalty=0~2减少重复（过高可能导致语言混杂）

2. 充足输出长度：

   • 常规任务建议32,768 token
   • 数学/编程竞赛类复杂问题建议38,912 token

3. 标准化输出格式：

   • 数学题：提示词加入"请逐步推理，最终答案用\boxed{}包裹"
   • 选择题：提示词要求输出标准化JSON格式（如"answer": "C"）

4. 历史记录规范：多轮对话历史应仅保留最终回复（Jinja2模板已自动处理）

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}  
}