库名称：transformers
许可证：apache-2.0
许可证链接：https://huggingface.co/Qwen/Qwen3-30B-A3B/blob/main/LICENSE
任务标签：文本生成
基础模型：

• Qwen/Qwen3-30B-A3B-Base

Qwen3-30B-A3B

Qwen3亮点

Qwen3是通义千问系列大语言模型的最新版本，提供稠密模型与混合专家（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，主要特性包括：

• 独有思维模式切换功能：支持在思维模式（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）间无缝切换，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上，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。
• 顶尖的智能体能力：精准支持外部工具集成（思维/非思维模式均可），在开源模型的复杂智能体任务中保持领先性能。
• 支持100+种语言与方言，具备强大的多语言指令遵循和翻译能力。

模型概览

Qwen3-30B-A3B特性：

• 类型：因果语言模型
• 训练阶段：预训练与后训练
• 参数量：总计30.5B，激活参数量3.3B
• 非嵌入参数量：29.9B
• 层数：48
• 注意力头数（GQA）：查询头32个，键值头4个
• 专家数：128
• 激活专家数：8
• 上下文长度：原生支持32,768 token，通过YaRN扩展至131,072 token。

完整技术细节（包括基准测试、硬件需求与推理性能）请参阅博客、GitHub和文档。

快速开始

Qwen3-MoE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_moe'  

以下代码演示如何基于给定输入生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer  

model_name = "Qwen/Qwen3-30B-A3B"  

# 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>标签）  
    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端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-30B-A3B --reasoning-parser qwen3  
  

• vLLM：

  vllm serve Qwen/Qwen3-30B-A3B --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开关也适用于SGLang和vLLM的API配置。
详见SGLang文档和vLLM文档。

enable_thinking=True

默认启用思维模式（类似QwQ-32B），模型将增强生成质量。例如显式设置enable_thinking=True或保留默认值时：

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

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和无限重复。详见最佳实践。

enable_thinking=False

严格禁用思维行为（对齐Qwen2.5-Instruct），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>区块。

[!NOTE]
非思维模式建议参数：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实现动态切换。多轮对话中以最新指令为准。

示例对话：

from transformers import AutoModelForCausalLM, AutoTokenizer  

class QwenChatbot:  
    def __init__(self, model_name="Qwen/Qwen3-30B-A3B"):  
        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（默认启用思维模式）  
    user_input_1 = "草莓中有几个字母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（禁用思维）  
    user_input_2 = "蓝莓中有几个字母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（启用思维）  
    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]
API兼容性说明：

• 当enable_thinking=True时，无论用户是否使用/think或/no_think，模型始终会输出<think>区块（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具备卓越的工具调用能力，推荐使用Qwen-Agent框架：

from qwen_agent.agents import Assistant  

# 定义LLM配置  
llm_cfg = {  
    'model': 'Qwen3-30B-A3B',  

    # 使用阿里云模型服务：  
    # 'model_type': 'qwen_dashscope',  
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),  

    # 使用自定义OpenAI兼容端点：  
    'model_server': 'http://localhost:8000/v1',  # api_base  
    'api_key': 'EMPTY',  

    # 其他参数：  
    # 'generate_cfg': {  
    #         'thought_in_content': True,  # 当响应包含<think>时需设为True  
    #     },  
}  

# 定义工具  
tools = [  
    {'mcpServers': {  # 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  
]  

# 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。当输入输出总长度显著超过该限制时，建议使用RoPE扩展技术。我们通过YaRN方法验证了131,072 token长文本处理能力。

当前支持YaRN的推理框架包括transformers、llama.cpp（本地使用）以及vllm、sglang（部署）。启用方式有两种：

1. 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需在修改后重新生成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}}'  
     

   • 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]
当前开源框架均采用静态YaRN（缩放因子固定），可能影响短文本性能。
建议仅在需要处理长文本时启用，并根据典型上下文长度调整factor值（如典型长度65,536 token时设为2.0）。

[!TIP]
阿里云模型服务默认支持动态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
   • 支持框架中可设置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：

   • 常规查询建议32,768 token
   • 数学/编程等复杂问题建议38,912 token

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结构如"answer": "C"

4. 历史记录不包含思维内容：多轮对话中仅保留最终输出部分

引用

若认为我们的工作有帮助，欢迎引用：

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