base_model: Qwen/Qwen3-4B language:

• 英文 library_name: transformers license_link: https://huggingface.co/Qwen/Qwen3-4B/blob/main/LICENSE license: apache-2.0 tags:
• qwen3
• qwen
• unsloth
• transformers

查看我们的合集获取Qwen3所有版本，包括GGUF、4位和16位格式。

学习如何正确运行Qwen3 - 阅读我们的指南。

Unsloth Dynamic 2.0实现了卓越的准确性，并优于其他领先的量化方法。

✨ 使用Unsloth运行和微调Qwen3！

• 使用我们的Google Colab笔记本免费微调Qwen3（14B）！
• 阅读我们关于Qwen3支持的博客：unsloth.ai/blog/qwen3
• 在我们的文档中查看其他笔记本。
• 运行并将微调后的模型导出到Ollama、llama.cpp或HF。

Qwen3-4B

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、指令跟随、代理能力和多语言支持方面取得了突破性进展，具有以下关键特点：

• 独特支持在单一模型中无缝切换思考模式（用于复杂逻辑推理、数学和编码）和非思考模式（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（思考模式）和Qwen2.5指令模型（非思考模式）。
• 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出色，提供更自然、引人入胜和沉浸式的对话体验。
• 擅长代理能力，能够在思考和非思考模式下精确集成外部工具，并在复杂的基于代理的任务中实现开源模型的领先性能。
• 支持100多种语言和方言，具有强大的多语言指令跟随和翻译能力。

模型概述

Qwen3-4B具有以下特点：

• 类型：因果语言模型
• 训练阶段：预训练和后训练
• 参数数量：4.0B
• 非嵌入参数数量：3.6B
• 层数：36
• 注意力头数（GQA）：32个Q头和8个KV头
• 上下文长度：原生支持32,768，使用YaRN支持131,072个token。

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本的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根据给定输入使用模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-4B"

# 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 # 在思考和非思考模式之间切换。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() 

# 解析思考内容
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("思考内容:", thinking_content)
print("内容:", content)

对于部署，可以使用vllm>=0.8.5或sglang>=0.4.5.post2创建兼容OpenAI的API端点：

• vLLM:

  vllm serve Qwen/Qwen3-4B --enable-reasoning --reasoning-parser deepseek_r1
  

• SGLang:

  python -m sglang.launch_server --model-path Qwen/Qwen3-4B --reasoning-parser deepseek-r1
  

在思考和非思考模式之间切换

[!TIP] enable_thinking开关在vLLM和SGLang创建的API中也可用。 更多详情请参考我们的文档。

enable_thinking=True

默认情况下，Qwen3启用了思考能力，类似于QwQ-32B。这意味着模型将使用其推理能力来增强生成响应的质量。例如，当显式设置enable_thinking=True或在tokenizer.apply_chat_template中保留默认值时，模型将进入思考模式。

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>块中的思考内容，然后是最终响应。

[!NOTE] 对于思考模式，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，因为这可能导致性能下降和无尽重复。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考行为，使其功能与之前的Qwen2.5-Instruct模型一致。此模式在需要禁用思考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禁用思考模式
)

在此模式下，模型不会生成任何思考内容，也不会包含<think>...</think>块。

[!NOTE] 对于非思考模式，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：通过用户输入在思考和非思考模式之间切换

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，可以在用户提示或系统消息中添加/think和/no_think，以在多轮对话中逐轮切换模型的思考模式。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/Qwen3-4B"):
        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，思考模式默认启用）
    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}")

注意 为了API兼容性，当enable_thinking=True时，无论用户使用/think还是/no_think，模型始终会输出包裹在<think>...</think>中的块。但是，如果思考被禁用，此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，模型都不会生成思考内容，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，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。

import os
from qwen_agent.agents import Assistant

# 定义LLM
llm_cfg = {
    'model': 'Qwen3-4B',

    # 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>这是思考</think>这是答案`时；
    #         # 不添加：当响应已被分离为thinking_content和content时。
    #         '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']
            },
        }
    },
  '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': '现在几点？'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

处理长文本

Qwen3原生支持最多32,768个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，建议使用RoPE缩放技术有效处理长文本。我们已验证模型在使用YaRN方法时，在最多131,072个token的上下文长度上的性能。

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": {
          "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 '{"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":{"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] 所有著名的开源框架都实现了静态YaRN，这意味着缩放因子无论输入长度如何都保持不变，可能影响短文本的性能。 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个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个token和为典型提示保留8,192个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个token，不建议在此场景中启用YaRN，因为它可能降低模型性能。

[!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，建议以下设置：

1. 采样参数：

   • 对于思考模式（enable_thinking=True），使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0。不要使用贪婪解码，因为这可能导致性能下降和无尽重复。
   • 对于非思考模式（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参数调整在0到2之间以减少无尽重复。然而，使用较高值偶尔可能导致语言混合和模型性能轻微下降。

2. 足够的输出长度：建议大多数查询使用32,768个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，建议将最大输出长度设置为38,912个token。这为模型提供了足够的空间生成详细和全面的响应，从而提升其整体性能。

3. 标准化输出格式：建议在基准测试时使用提示标准化模型输出。

   • 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。”
   • 多选题：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. 历史中不包含思考内容：在多轮对话中，历史模型输出应仅包含最终输出部分，不需要包含思考内容。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

如果您发现我们的工作有帮助，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}
}