library_name: transformers license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-30B-A3B/blob/main/LICENSE pipeline_tag: text-generation base_model: Qwen/Qwen3-30B-A3B

Qwen3-30B-A3B-GPTQ-Int4

Qwen3 亮点特性

Qwen3 是 Qwen 系列的最新一代大语言模型，提供了全面的密集型和混合专家（MoE）模型套件。经过大规模训练，Qwen3 在推理能力、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，主要特性如下：

• 模型内部支持思考模式与非思考模式无缝切换：思考模式适用于复杂逻辑推理、数学和代码任务，非思考模式适用于高效的通用对话，确保在不同场景下均能发挥最佳性能。
• 推理能力显著增强：在思考模式下超越前代 QwQ 模型，在非思考模式下超越 Qwen2.5 指令模型，尤其在数学、代码生成和常识逻辑推理方面表现突出。
• 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等任务上表现优异，提供更自然、更具吸引力和沉浸式的对话体验。
• 强大的智能体能力：支持在思考和非思考模式下与外部工具精准集成，在复杂智能体任务中取得开源模型领先性能。
• 支持 100 余种语言和方言：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：预训练与后训练
• 参数数量：总计 305 亿，激活参数 33 亿
• 非嵌入参数数量：299 亿
• 层数：48
• 注意力头数（GQA）：Q 头 32 个，KV 头 4 个
• 专家数量：128
• 激活专家数量：8
• 上下文长度：原生支持 32,768 tokens，通过 YaRN 可扩展至 131,072 tokens
• 量化方式：GPTQ 4 位

快速入门

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

若使用 transformers<4.51.0，您将遇到以下错误：

KeyError: 'qwen3_moe'

以下是一段代码示例，展示了如何使用模型根据给定输入生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-30B-A3B-GPTQ-Int4"

# load the tokenizer and the model
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)

# prepare the model input
prompt = "Give me a short introduction to large language model."
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True # Switches between thinking and non-thinking modes. Default is True.
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# conduct text completion
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768
)
output_ids = generated_ids[0][len(model_inputs.input_ids[0]):].tolist() 

# parsing thinking content
try:
    # rindex finding 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("thinking content:", thinking_content)
print("content:", content)

在部署时，您可以使用 sglang>=0.4.6.post1 或 vllm==0.8.4 来创建兼容 OpenAI 的 API 端点：

• SGLang：

  python -m sglang.launch_server --model-path Qwen/Qwen3-30B-A3B-GPTQ-Int4 --reasoning-parser qwen3
  

• vLLM：

  vllm serve Qwen/Qwen3-30B-A3B-GPTQ-Int4 --enable-reasoning --reasoning-parser deepseek_r1
  

有关更多使用指南，另请查阅我们的 GPTQ 文档。

思维模式与非思维模式的切换

enable_thinking=True

默认情况下，Qwen3 已启用思维能力，类似于 QwQ-32B。这意味着模型将运用其推理能力来提升生成回复的质量。例如，当在 tokenizer.apply_chat_template 中显式设置 enable_thinking=True 或将其保留为默认值时，模型将进入思维模式。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True  # True is the default value for enable_thinking
)

在此模式下，模型会先生成包裹在 </think>...</RichMediaReference> 块中的思考内容，随后给出最终回应。

enable_thinking=False

我们提供了一个硬性开关，用于严格禁用模型的思考行为，使其功能与早期的 Qwen2.5-Instruct 模型保持一致。此模式在必须禁用思考以提升效率的场景中尤为实用。

text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=False  # Setting enable_thinking=False disables thinking mode
)

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

高级用法：通过用户输入切换思考与非思考模式

我们提供了一种软切换机制，当 enable_thinking=True 时，用户可以动态控制模型的行为。具体来说，您可以在用户提示词或系统消息中添加 /think 和 /no_think，以逐轮切换模型的思考模式。在多轮对话中，模型将遵循最新的指令。

以下是多轮对话的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-30B-A3B-GPTQ-Int4"):
        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)

        # Update history
        self.history.append({"role": "user", "content": user_input})
        self.history.append({"role": "assistant", "content": response})

        return response

# Example Usage
if __name__ == "__main__":
    chatbot = QwenChatbot()

    # First input (without /think or /no_think tags, thinking mode is enabled by default)
    user_input_1 = "How many r's in strawberries?"
    print(f"User: {user_input_1}")
    response_1 = chatbot.generate_response(user_input_1)
    print(f"Bot: {response_1}")
    print("----------------------")

    # Second input with /no_think
    user_input_2 = "Then, how many r's in blueberries? /no_think"
    print(f"User: {user_input_2}")
    response_2 = chatbot.generate_response(user_input_2)
    print(f"Bot: {response_2}") 
    print("----------------------")

    # Third input with /think
    user_input_3 = "Really? /think"
    print(f"User: {user_input_3}")
    response_3 = chatbot.generate_response(user_input_3)
    print(f"Bot: {response_3}")

智能体使用

Qwen3 在工具调用能力方面表现出色。我们建议使用 Qwen-Agent 以充分发挥 Qwen3 的智能体能力。Qwen-Agent 内部封装了工具调用模板和工具调用解析器，大幅降低了编码复杂度。

要定义可用工具，您可以使用 MCP 配置文件、使用 Qwen-Agent 的集成工具，或自行集成其他工具。

from qwen_agent.agents import Assistant

# Define LLM
llm_cfg = {
    'model': 'Qwen3-30B-A3B-GPTQ-Int4',

    # Use the endpoint provided by Alibaba Model Studio:
    # 'model_type': 'qwen_dashscope',
    # 'api_key': os.getenv('DASHSCOPE_API_KEY'),

    # Use a custom endpoint compatible with OpenAI API:
    'model_server': 'http://localhost:8000/v1',  # api_base
    'api_key': 'EMPTY',

    # Other parameters:
    # 'generate_cfg': {
    #         # Add: When the response content is `<think>this is the thought</think>this is the answer;
    #         # Do not add: When the response has been separated by reasoning_content and content.
    #         'thought_in_content': True,
    #     },
}

# Define Tools
tools = [
    {'mcpServers': {  # You can specify the MCP configuration file
            'time': {
                'command': 'uvx',
                'args': ['mcp-server-time', '--local-timezone=Asia/Shanghai']
            },
            "fetch": {
                "command": "uvx",
                "args": ["mcp-server-fetch"]
            }
        }
    },
  'code_interpreter',  # Built-in tools
]

# Define Agent
bot = Assistant(llm=llm_cfg, function_list=tools)

# Streaming generation
messages = [{'role': 'user', 'content': 'https://qwenlm.github.io/blog/ Introduce the latest developments of Qwen'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

长文本处理

Qwen3 原生支持最长 32,768 tokens 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。我们已通过 YaRN 方法验证了模型在最长 131,072 tokens 上下文长度下的性能。

目前已有多个推理框架支持 YaRN，例如用于本地使用的 transformers，以及用于部署的 vllm 和 sglang。通常，在支持的框架中启用 YaRN 有两种方法：

• 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
      }
  }
  

• 通过命令行参数：

  对于 vllm，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，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}}'
  

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

性能表现

最佳实践

为获得最佳性能，我们建议采用以下设置：

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。请勿使用贪婪解码，因其可能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，可将 presence_penalty 参数在 0 到 2 之间调整，以减少无限重复。我们强烈建议将量化模型的此值设置为 1.5。不过，使用更高的值偶尔可能导致语言混用，并使模型性能略有下降。

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

3. 标准化输出格式：在进行基准测试时，建议使用提示词来标准化模型输出。

   • 数学问题：在提示词中包含“请逐步推理，并将最终答案放在 \boxed{} 内。”
   • 多项选择题：在提示词中添加以下 JSON 结构以标准化响应：“请在 answer 字段中仅用选项字母展示您的选择，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，无需包含思考内容。这在提供的 Jinja2 对话模板中已实现。但对于未直接使用 Jinja2 对话模板的框架，需由开发人员确保遵循此最佳实践。

引用

如果您觉得我们的工作对您有所帮助，欢迎引用我们的成果。

@misc{qwen3technicalreport,
      title={Qwen3 Technical Report}, 
      author={Qwen Team},
      year={2025},
      eprint={2505.09388},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2505.09388}, 
}