license: apache-2.0 pipeline_tag: text-generation license_link: LICENSE base_model:

• Qwen/Qwen3-0.6B-Base quantized_by: bartowski tags:
• llamafile
• chat

Qwen3-0.6B - llamafile

• 模型创建者: Qwen
• 原始模型: Qwen/Qwen3-0.6B

Mozilla将Qwen3模型打包成可执行权重文件，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快捷的方式，适用于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Qwen3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_Qwen3-0.6B-Q4_K_M.llamafile
chmod +x Qwen_Qwen3-0.6B-Q4_K_M.llamafile
./Qwen_Qwen3-0.6B-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上提问。您可以传递命令如/stats和/context来查看运行时状态信息。您可以通过传递-p "新系统提示"标志来更改系统提示。您可以按CTRL-C中断模型。最后，CTRL-D可用于退出。

如果您更喜欢使用Web GUI，则提供了一个--server模式，将在浏览器中打开一个带有聊天机器人和完成接口的标签页。如需更多帮助，可以传递--help标志。服务器还有一个与OpenAI API兼容的完成端点，可以通过Python使用openai pip包访问。

./Qwen_Qwen3-0.6B-Q4_K_M.llamafile --server

提供了一个高级CLI模式，适用于shell脚本。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_Qwen3-0.6B-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run-detector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，可执行文件大小有4GB的限制。

上下文窗口

此模型的最大上下文窗口大小为128k tokens。默认情况下，使用8192 tokens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，然后第一次运行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，则可以传递--recompile标志以构建一个专门为您的系统使用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，这些二进制文件可以在六个操作系统的标准安装上运行，支持ARM64和AMD64架构。

Qwen3-0.6B

Qwen3亮点

Qwen3是Qwen系列最新一代的大语言模型，提供了一套全面的密集和混合专家（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：

• 独特支持在思考模式（用于复杂的逻辑推理、数学和编码）和非思考模式（用于高效的通用对话）之间无缝切换，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、多轮对话和指令遵循方面表现出色，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领先性能。
• 支持100多种语言和方言，具有强大的多语言指令遵循和翻译能力。

模型概述

Qwen3-0.6B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：0.6B
• 非嵌入参数数量：0.44B
• 层数：28
• 注意力头数（GQA）：Q为16，KV为8
• 上下文长度：32,768

更多详情，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。

[!TIP] 如果遇到严重的无限重复问题，请参阅最佳实践部分以获取最佳采样参数，并将presence_penalty设置为1.5。

快速开始

Qwen3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。

使用transformers<4.51.0时，您会遇到以下错误：

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/Qwen3-0.6B"

# 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/Qwen3-0.6B --reasoning-parser qwen3
  

• vLLM:

  vllm serve Qwen/Qwen3-0.6B --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。

在思考和非思考模式之间切换

[!TIP] enable_thinking开关在SGLang和vLLM创建的API中也可用。 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中保留为默认值时，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，后跟最终响应。

[!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，因为这会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，严格禁用模型的思考行为，将其功能与之前的Qwen2.5-Instruct模型对齐。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，请参阅最佳实践部分。

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时动态控制模型的行为。具体来说，您可以在用户提示或系统消息中添加/think和/no_think，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/Qwen3-0.6B"):
        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}")

[!NOTE] 为了API兼容性，当enable_thinking=True时，无论用户使用/think还是/no_think，模型总是会输出一个包裹在<think>...</think>中的块。然而，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、使用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': 'Qwen3-0.6B',

    # 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reasoning_content和content分离时。
    #         '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']
            },
            "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的最新发展'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

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，因为这会导致性能下降和无限重复。
   • 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：对于大多数查询，建议使用32,768 tokens的输出长度。对于高度复杂的问题（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 tokens。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：在基准测试时，建议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}
}