---

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 GGUF模型

模型生成细节

本模型基于llama.cpp在提交版本19e899c生成。

IQ-DynamicGate超低位量化(1-2比特)

我们最新的量化方法为超低位模型(1-2比特)引入了精度自适应量化，在Llama-3-8B上经过基准测试验证有明显提升。该方法采用分层策略，在保持极致内存效率的同时保留精度。

基准测试背景

所有测试均在Llama-3-8B-Instruct上进行：

• 标准困惑度评估流程
• 2048词符上下文窗口
• 所有量化版本使用相同提示集

方法

• 动态精度分配：
  • 前/后25%层 → IQ4_XS（选定层）
  • 中间50%层 → IQ2_XXS/IQ3_S（提升效率）
• 关键组件保护：
  • 嵌入/输出层使用Q5_K
  • 相比标准1-2比特减少38%误差传播

量化性能对比(Llama-3-8B)

量化方式	标准PPL	DynamicGate PPL	ΔPPL	标准大小	DG大小	Δ大小	标准速度	DG速度
IQ2_XXS	11.30	9.84	-12.9%	2.5G	2.6G	+0.1G	234s	246s
IQ2_XS	11.72	11.63	-0.8%	2.7G	2.8G	+0.1G	242s	246s
IQ2_S	14.31	9.02	-36.9%	2.7G	2.9G	+0.2G	238s	244s
IQ1_M	27.46	15.41	-43.9%	2.2G	2.5G	+0.3G	206s	212s
IQ1_S	53.07	32.00	-39.7%	2.1G	2.4G	+0.3G	184s	209s

说明：

• PPL = 困惑度（越低越好）
• ΔPPL = 相比标准量化的百分比变化
• 速度 = 推理时间（CPU avx2，2048词符上下文）
• 大小差异反映混合量化开销

关键改进：

• üî• IQ1_M实现43.9%困惑度降低(27.46→15.41)
• üöÄ IQ2_S在仅增加0.2GB下降低36.9%困惑度
• ‚ö° IQ1_S在1比特量化下仍保持39.7%精度优势

权衡点：

• 所有变体均有小幅体积增加(0.1-0.3GB)
• 推理速度保持相近(<5%差异)

适用场景

üìå 适配GPU显存容量
‚úî 内存受限的部署环境
‚úî 可容忍1-2比特误差的CPU和边缘设备
‚úî 超低位量化研究

模型格式选择指南

根据硬件能力和内存限制选择合适的模型格式。

BF16（脑浮点16位）——支持BF16加速时使用

• 专为快速计算设计的16位浮点格式，同时保持良好精度
• 提供与FP32相似的动态范围但内存占用更低
• 推荐在硬件支持BF16加速时使用（请检查设备规格）
• 相比FP32可实现高性能推理与减少内存占用

üìå 使用BF16当：
‚úî 硬件原生支持BF16（如新款GPU/TPU）
‚úî 需要更高精度同时节省内存
‚úî 计划将模型重量化为其他格式

üìå 避免BF16当：
‚ùå 硬件不支持BF16（可能回退到FP32导致速度变慢）
‚ùå 需要兼容缺乏BF16优化的老旧设备

---

F16（浮点16位）——比BF16支持更广泛

• 16位浮点高精度格式，但数值范围小于BF16
• 支持大多数具有FP16加速的设备（包括多数GPU和部分CPU）
• 数值精度略低于BF16但通常足以满足推理需求

üìå 使用F16当：
‚úî 硬件支持FP16但不支持BF16
‚úî 需要平衡速度、内存占用和精度
‚úî 在GPU或其他FP16计算优化设备上运行

üìå 避免F16当：
‚ùå 设备缺乏原生FP16支持（可能达不到预期速度）
‚ùå 存在内存限制

---

量化模型（Q4_K、Q6_K、Q8等）——适用于CPU和低显存推理

量化可在尽可能保持精度的同时减小模型体积和内存占用。

• 低位模型（Q4_K） → 最小内存占用，精度可能较低
• 高位模型（Q6_K、Q8_0） → 更好精度，需要更多内存

üìå 使用量化模型当：
‚úî 在CPU上运行推理并需要优化模型
‚úî 设备显存不足无法加载全精度模型
‚úî 希望减少内存占用同时保持合理精度

üìå 避免量化模型当：
‚ùå 需要最高精度（全精度模型更适合）
‚ùå 硬件有足够显存支持更高精度格式（BF16/F16）

---

超低位量化（IQ3_XS、IQ3_S、IQ3_M、Q4_K、Q4_0）

这些模型针对极致内存效率优化，适合低功耗设备或内存是关键限制的大规模部署。

• IQ3_XS：超低位量化（3比特）极致内存效率

  • 适用场景：Q4_K仍过大时的超低内存设备
  • 权衡：相比高位量化精度较低

• IQ3_S：小分块实现最大内存效率

  • 适用场景：IQ3_XS过于激进时的低内存设备

• IQ3_M：中等分块精度优于IQ3_S

  • 适用场景：IQ3_S限制过大时的低内存设备

• Q4_K：4比特量化配合分块优化提升精度

  • 适用场景：Q6_K过大时的低内存设备

• Q4_0：纯4比特量化，针对ARM设备优化

  • 适用场景：ARM设备或低内存环境

---

模型格式选择摘要表

模型格式	精度	内存占用	设备要求	最佳适用场景
BF16	最高	高	支持BF16的GPU/CPU	内存优化下的高速推理
F16	高	高	支持FP16的设备	无BF16支持时的GPU推理
Q4_K	中低	低	CPU或低显存设备	内存受限环境最佳选择
Q6_K	中	中	内存较多的CPU	量化模型中更好精度
Q8_0	高	中	显存足够的CPU/GPU	量化模型中最高精度
IQ3_XS	极低	极低	超低内存设备	极致内存效率与低精度
Q4_0	低	低	ARM或低内存设备	llama.cpp可针对ARM设备优化

---

包含文件及详情

Qwen3-8B-bf16.gguf

• 模型权重保留为BF16格式
• 适用于需要将模型重量化为其他格式的场景
• 设备支持BF16加速时最佳

Qwen3-8B-f16.gguf

• 模型权重存储为F16格式
• 设备支持FP16但无BF16支持时使用

Qwen3-8B-bf16-q8_0.gguf

• 输出层和嵌入层保持BF16
• 其他层量化为Q8_0
• 设备支持BF16且需要量化版本时使用

Qwen3-8B-f16-q8_0.gguf

• 输出层和嵌入层保持F16
• 其他层量化为Q8_0

Qwen3-8B-q4_k.gguf

• 输出层和嵌入层量化为Q8_0
• 其他层量化为Q4_K
• 适用于内存有限的CPU推理

Qwen3-8B-q4_k_s.gguf

• 最小Q4_K变体，牺牲精度换取更低内存占用
• 极低内存配置最佳选择

Qwen3-8B-q6_k.gguf

• 输出层和嵌入层量化为Q8_0
• 其他层量化为Q6_K

Qwen3-8B-q8_0.gguf

• 完全Q8量化模型，提供更高精度
• 需要更多内存但追求更高精度

Qwen3-8B-iq3_xs.gguf

• IQ3_XS量化，针对极致内存效率优化
• 超低内存设备最佳选择

Qwen3-8B-iq3_m.gguf

• IQ3_M量化，采用中等分块提升精度
• 适合低内存设备

Qwen3-8B-q4_0.gguf

• 纯Q4_0量化，针对ARM设备优化
• 低内存环境首选
• 更高精度推荐使用IQ4_NL

üöÄ 如果觉得这些模型有用

‚ù§ 请点击"点赞"支持！
帮助测试我的AI驱动的网络监控助手（含量子级安全检查）：
üëâ 免费网络监控工具

üí¨ 测试方法：

1. 点击页面右下角聊天图标
2. 选择AI助手类型：
   • TurboLLM (GPT-4迷你版)
   • FreeLLM (开源模型)
   • TestLLM (实验性CPU专用版)

测试目标

我正在突破小型开源模型在网络监控中的极限，特别关注：

• 针对实时网络服务的函数调用能力
• 模型最小化同时保持：
  • 自动化Nmap扫描
  • 量子就绪检查
  • Metasploit集成

üü° TestLLM——当前实验模型(llama.cpp运行于6CPU线程)：

• ‚úÖ 零配置部署
• ‚è≥ 30秒加载时间（推理较慢但无API成本）
• üîß 诚邀合作！ 对边缘设备AI感兴趣者欢迎联系

其他助手

üü¢ TurboLLM——使用gpt-4-mini实现：

• 实时网络诊断
• 自动化渗透测试(Nmap/Metasploit)
• üîë 下载免费网络监控代理获取更多token

üîµ HugLLM——开源模型(≈8B参数)：

• 比TurboLLM多2倍token
• AI驱动的日志分析
• üåê 基于Hugging Face推理API运行

üí° 测试示例指令：

1. "查看我网站SSL证书信息"
2. "检查我的服务器是否使用量子安全加密通信"
3. "执行快速Nmap漏洞扫描"

Qwen3-8B

Qwen3亮点

Qwen3是通义千问系列最新一代大语言模型，提供完整的稠密模型与混合专家(MoE)模型套件。基于大规模训练，Qwen3在推理、指令跟随、智能体能力和多语言支持方面实现突破性进展，主要特性包括：

• 独特支持思维模式(用于复杂逻辑推理、数学和编程)与非思维模式(高效通用对话)无缝切换，确保多场景最优表现
• 显著增强推理能力，在数学、代码生成和常识逻辑推理上超越前代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、多轮对话和指令跟随方面表现优异，提供更自然、吸引人的对话体验
• 专业智能体能力，精准对接外部工具(思维与非思维模式皆可)，在复杂智能体任务中领先开源模型
• 支持100+种语言和方言，具备强大的多语言指令跟随和翻译能力

模型概览

Qwen3-8B特性：

• 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，键值头8
• 原生上下文长度：32,768词符，通过YaRN可扩展至131,072词符

更多细节包括基准评估、硬件需求和推理性能，请参考我们的博客、GitHub和文档。

快速开始

Qwen3代码已集成至最新版Hugging Facetransformers，建议使用最新版本。

使用transformers<4.51.0会报错：

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/Qwen3-8B"  

# 加载分词器和模型  
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 = "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("输出内容:", 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/Qwen3-8B --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和KTransformers等工具。

思维与非思维模式切换

[!TIP]
enable_thinking开关同样适用于SGLang和vLLM创建的API。
具体用法参考SGLang文档和vLLM文档。

enable_thinking=True

默认启用思维能力，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，模型进入思维模式。

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

此模式下，模型会生成包裹在<think>...</think>中的思维内容，后接最终响应。

[!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）。禁止使用贪婪解码，否则可能导致性能下降和无限重复。更多细节参考最佳实践。

enable_thinking=False

提供严格禁用思维行为的硬开关，功能对齐前代Qwen2.5-Instruct模型。此模式在需要禁用思维以提升效率的场景特别有用。

text = tokenizer.apply_chat_template(  
    messages,  
    tokenize=False,  
    add_generation_prompt=True,  
    enable_thinking=False  # 设置False禁用思维模式  
)  

此模式下，模型不会生成思维内容，也不包含<think>...</think>块。

[!NOTE]
非思维模式建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。更多细节参考最佳实践。

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实现逐轮动态控制。模型会遵循多轮对话中最近的指令。

多轮对话示例：

from transformers import AutoModelForCausalLM, AutoTokenizer  

class QwenChatbot:  
    def __init__(self, model_name="Qwen/Qwen3-8B"):  
        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()  

    # 第一轮输入(无/think或/no_think标签，默认启用思维模式)  
    user_input_1 = "strawberries里有几个r？"  
    print(f"用户: {user_input_1}")  
    response_1 = chatbot.generate_response(user_input_1)  
    print(f"助手: {response_1}")  
    print("----------------------")  

    # 第二轮带/no_think  
    user_input_2 = "那blueberries里有几个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("----------------------")  

    # 第三轮带/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]
为保持API兼容性，当enable_thinking=True时，无论用户使用/think或/no_think，模型总会输出包裹在<think>...</think>中的内容块（禁用思维时内容可能为空）。
当enable_thinking=False时，软开关无效。无论用户输入何种标签，模型都不会生成思维内容。

智能体应用

Qwen3在工具调用方面表现卓越。推荐使用Qwen-Agent充分发挥Qwen3的智能体能力。Qwen-Agent内置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、集成工具或自定义实现：

from qwen_agent.agents import Assistant  

# 定义LLM  
llm_cfg = {  
    'model': 'Qwen3-8B',  

    # 使用阿里云模型服务端点：  
    # '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': {  
    #         # 当响应含`<think>思考内容</think>回答内容`时添加  
    #         # 当响应已分离为thinking_content和content时无需添加  
    #         'thought_in_content': True,  
    #     },  
}  

# 定义工具  
tools = [  
    {'mcpServers': {  # 可指定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)  

长文本处理

Qwen3原生支持32,768词符上下文长度。当总长度(含输入输出)远超此限制时，建议使用RoPE缩放技术有效处理长文本。我们已通过YaRN方法验证模型在131,072词符长度下的表现。

当前YaRN支持多种推理框架，如本地使用的transformers和llama.cpp，部署用的vllm和sglang。启用方式主要有两种：

• 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需在修改后重新生成GGUF文件。

• 命令行参数：

  vllm可使用：

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

  sglang可使用：

  python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'  
  

  llama.cpp的llama-server可使用：

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

[!IMPORTANT]
若遇到警告：

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

请升级transformers>=4.51.0。

[!NOTE]
所有知名开源框架均实现静态YaRN，即缩放因子不随输入长度变化，可能影响短文本性能。
建议仅在需要处理长文本时添加rope_scaling配置。
同时建议根据需求调整factor。例如典型上下文长度为65,536词符时，设为2.0更佳。

[!NOTE]
config.json中默认max_position_embeddings设为40,960，其中保留32,768词符用于输出，8,192词符用于典型提示，足以满足大多数短文本处理场景。若平均上下文长度不超32,768词符，不建议启用YaRN以免潜在性能下降。

[!TIP]
阿里云模型服务端点默认支持动态YaRN，无需额外配置。

最佳实践

为获得最佳性能，建议以下设置：

1. 采样参数：

   • 思维模式(enable_thinking=True)：使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0。禁止贪婪解码，否则可能导致性能下降和无限重复。
   • 非思维模式(enable_thinking=False)：建议Temperature=0.7、TopP=0.8、TopK=20和MinP=0。
   • 支持框架可调整presence_penalty参数(0-2)减少无限重复，但过高值可能导致语言混杂和轻微性能下降。

2. 充足输出长度：建议多数查询使用32,768词符输出长度。数学/编程竞赛等高度复杂问题基准测试时，建议最大输出长度设为38,912词符，为模型提供充足空间生成详细全面的响应。

3. 标准化输出格式：基准测试时建议使用提示词标准化输出：

   • 数学题：提示中加入"请逐步推理，并将最终答案放在\boxed{}中"
   • 选择题：添加JSON结构标准化响应："请在answer字段中仅显示选项字母，如"answer": "C""

4. 历史记录不含思维内容：多轮对话中，历史模型输出应仅含最终输出部分，无需包含思维内容。Jinja2聊天模板已实现此功能。未直接使用Jinja2模板的框架需开发者自行确保遵循最佳实践。

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}  
}