许可证：Apache-2.0
流水线标签：文本生成
许可证链接：LICENSE
基础模型：

• Qwen/Qwen3-30B-A3B-Base
  量化者：bartowski
  标签：
• llamafile
• 聊天

Qwen3-30B-A3B - llamafile

• 模型创建者：Qwen
• 原始模型：Qwen/Qwen3-30B-A3B

Mozilla将Qwen 3模型打包成可执行的权重文件，我们称之为llamafile。这为您提供了在Linux、MacOS、Windows、FreeBSD、OpenBSD和NetBSD系统上使用模型的最简单、最快捷的方式，支持AMD64和ARM64架构。

软件最后更新：2025-05-14
Llamafile版本：0.9.3

快速开始

要开始使用，您需要Qwen 3的权重文件和llamafile软件。两者都包含在一个文件中，可以按以下方式下载并运行：

wget https://huggingface.co/Mozilla/Qwen3-0.6B-llamafile/resolve/main/Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile  
chmod +x Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile  
./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile  

这些llamafile的默认操作模式是我们的新命令行聊天机器人界面。

使用方法

您可以使用三引号在多行中提问。可以通过传递/stats和/context等命令查看运行时状态信息。您可以通过传递-p "新的系统提示"标志来更改系统提示。按CTRL-C可以中断模型生成。最后，按CTRL-D可以退出。

如果您更喜欢使用Web图形界面，可以启用--server模式，这将在浏览器中打开一个带有聊天机器人和补全界面的标签页。如需更多帮助，可以传递--help标志。服务器还提供了一个与OpenAI API兼容的补全端点，可以通过Python使用openai pip包访问。

./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile --server  

还提供了一个高级CLI模式，适用于脚本编写。您可以通过传递--cli标志来使用它。如需更多帮助，可以传递--help标志。

./Qwen_Qwen3-30B-A3B-Q4_K_M.llamafile --cli -p 'four score and seven' --log-disable  

故障排除

遇到问题？请参阅README中的"常见问题"部分。

在Linux上，避免运行检测器错误的方法是安装APE解释器。

sudo wget -O /usr/bin/ape https://cosmo.zip/pub/cosmos/bin/ape-$(uname -m).elf  
sudo chmod +x /usr/bin/ape  
sudo sh -c "echo ':APE:M::MZqFpD::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"  
sudo sh -c "echo ':APE-jart:M::jartsr::/usr/bin/ape:' >/proc/sys/fs/binfmt_misc/register"  

在Windows上，可执行文件的大小限制为4GB。

上下文窗口

该模型的最大上下文窗口大小为128k token。默认情况下，使用8192 token的上下文窗口大小。您可以通过传递-c 0标志让llamafile使用最大上下文大小。这足以容纳一本小书。如果您想与您的书进行对话，可以使用-f book.txt标志。

GPU加速

在具有足够RAM的GPU上，可以传递-ngl 999标志以使用系统的NVIDIA或AMD GPU。在Windows上，如果您拥有NVIDIA GPU，只需安装显卡驱动程序即可。在Windows上，如果您有AMD GPU，应安装ROCm SDK v6.1，然后首次运行llamafile时传递--recompile --gpu amd标志。

在NVIDIA GPU上，默认使用预构建的tinyBLAS库执行矩阵乘法。这是开源软件，但速度不如闭源的cuBLAS。如果您的系统上安装了CUDA SDK，可以传递--recompile标志为您的系统构建一个使用cuBLAS的GGML CUDA库。这确保您获得最佳性能。

更多信息，请参阅llamafile README。

关于llamafile

llamafile是Mozilla于2023年11月20日引入的一种新格式。它使用Cosmopolitan Libc将LLM权重转换为可运行的llama.cpp二进制文件，支持在六个操作系统的标准安装上运行，兼容ARM64和AMD64架构。

Qwen3-30B-A3B

Qwen3亮点

Qwen3是Qwen系列最新一代的大语言模型，提供了一系列密集和混合专家（MoE）模型。基于广泛的训练，Qwen3在推理、指令遵循、代理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：

• 独特支持在单一模型中无缝切换思维模式（用于复杂逻辑推理、数学和编码）和非思维模式（用于高效通用对话），确保在各种场景下的最佳性能。
• 显著增强推理能力，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、引人入胜的对话体验。
• 擅长代理能力，能够在思维和非思维模式下精确集成外部工具，在复杂的基于代理的任务中实现领先性能。
• 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。

模型概述

Qwen3-30B-A3B具有以下特性：

• 类型：因果语言模型
• 训练阶段：预训练和后训练
• 参数数量：总计30.5B，激活3.3B
• 非嵌入参数数量：29.9B
• 层数：48
• 注意力头数（GQA）：Q为32，KV为4
• 专家数量：128
• 激活专家数量：8
• 上下文长度：原生32,768 token，通过YaRN支持131,072 token。

更多细节，包括基准评估、硬件要求和推理性能，请参阅我们的博客、GitHub和文档。

快速开始

Qwen3-MoE的代码已集成到最新版本的Hugging Face transformers中，建议您使用最新版本的transformers。

如果使用transformers<4.51.0，您会遇到以下错误：

KeyError: 'qwen3_moe'  

以下代码片段展示了如何根据给定输入使用模型生成内容：

from transformers import AutoModelForCausalLM, AutoTokenizer  

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

# 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 = "给我一个关于大语言模型的简短介绍。"  
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("思维内容：", thinking_content)  
print("内容：", content)  

对于部署，您可以使用sglang>=0.4.6.post1或vllm>=0.8.5创建与OpenAI兼容的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  
  

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

在思维和非思维模式之间切换

[!TIP]
enable_thinking开关也可在SGLang和vLLM创建的API中使用。
请参阅我们的SGLang和vLLM用户文档。

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高生成响应的质量。例如，当显式设置enable_thinking=True或在tokenizer.apply_chat_template中保留其默认值时，模型将进入思维模式。

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

在此模式下，模型将生成包裹在<think>...</think>块中的思维内容，然后是最终响应。

[!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，因为它可能导致性能下降和无限重复。更多详细指导，请参阅最佳实践部分。

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，我们建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多详细指导，请参阅最佳实践部分。

高级用法：通过用户输入在思维和非思维模式之间切换

我们提供了一个软开关机制，允许用户在enable_thinking=True时动态控制模型行为。具体来说，您可以在用户提示或系统消息中添加/think和/no_think，在多轮对话中逐轮切换模型的思维模式。模型将遵循最近一次指令。

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/Qwen3-30B-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  

# 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 = "草莓中有多少个r？"  
    print(f"用户：{user_input_1}")  
    response_1 = chatbot.generate_response(user_input_1)  
    print(f"机器人：{response_1}")  
    print("----------------------")  

    # 第二次输入带/no_think  
    user_input_2 = "那么，蓝莓中有多少个r？ /no_think"  
    print(f"用户：{user_input_2}")  
    response_2 = chatbot.generate_response(user_input_2)  
    print(f"机器人：{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"机器人：{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，模型始终会输出一个包裹在<think>...</think>中的块。但是，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。

代理使用

Qwen3在工具调用能力方面表现出色。我们推荐使用Qwen-Agent以充分利用Qwen3的代理能力。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。

要定义可用工具，您可以使用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': 'Qwen3-30B-A3B',  

    # 使用Alibaba Model Studio提供的端点：  
    # 'model_type': 'qwen_dashscope',  
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),  

    # 使用与OpenAI API兼容的自定义端点：  
    '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>这是思考</think>这是答案`时；  
    #         # 不添加：当响应已被解析为thinking_content和content时。  
    #         'thought_in_content': True,  
    #     },  
}  

# 定义工具  
tools = [  
    {'mcpServers': {  # 您可以指定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  
]  

# 定义代理  
bot = Assistant(llm=llm_cfg, function_list=tools)  

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

处理长文本

Qwen3原生支持高达32,768 token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，我们建议使用RoPE缩放技术来有效处理长文本。我们已验证模型在使用YaRN方法时支持高达131,072 token的上下文长度。

YaRN目前由多个推理框架支持，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，您需要在修改后重新生成GGUF文件。

• 传递命令行参数：

  对于vllm，您可以使用

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

  对于sglang，您可以使用

  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，您可以使用

  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，这意味着缩放因子与输入长度无关，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，如果您的应用程序典型上下文长度为65,536 token，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 token和为典型提示保留8,192 token，足以满足大多数涉及短文本处理的场景。如果平均上下文长度不超过32,768 token，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，因为它可能导致性能下降和无限重复。
   • 对于非思维模式（enable_thinking=False），我们建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。
   • 对于支持的框架，您可以将presence_penalty参数设置在0到2之间以减少无限重复。然而，使用较高的值偶尔会导致语言混合和模型性能轻微下降。

2. 足够的输出长度：我们建议大多数查询使用32,768 token的输出长度。对于高度复杂问题的基准测试，如数学和编程竞赛中的问题，我们建议将最大输出长度设置为38,912 token。这为模型提供了足够的空间生成详细和全面的响应，从而提高其整体性能。

3. 标准化输出格式：我们建议在基准测试时使用提示来标准化模型输出。

   • 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。”
   • 多项选择题：在提示中添加以下JSON结构以标准化响应：“请在answer字段中仅显示您的选择字母，例如"answer": "C"。”

4. 历史记录中不包含思维内容：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，请随时引用我们。

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