---

library_name: mlx license: apache-2.0 license_link: https://huggingface.co/Qwen/Qwen3-14B/blob/main/LICENSE pipeline_tag: text-generation

Qwen3-8B-MLX-8bit

Qwen3 核心亮点

Qwen3 是通义千问系列新一代大语言模型，提供完整的稠密模型与混合专家（MoE）模型组合。基于大规模训练构建，Qwen3 在推理能力、指令遵循、智能体功能及多语言支持方面实现突破性进展，具备以下核心特性：

• 独家支持思维模式（适用于复杂逻辑推理、数学与代码生成）与非思维模式（适用于高效通用对话）在单一模型内无缝切换，确保各类场景下的最优性能表现
• 推理能力显著增强，在数学计算、代码生成与常识逻辑推理方面全面超越前代 QwQ（思维模式）和 Qwen2.5 instruct 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突出，提供更自然、引人入胜的沉浸式对话体验
• 专业的智能体能力，支持思维与非思维模式下与外部工具的精准集成，在复杂智能体任务中达到开源模型领先水平
• 支持 100+ 语言与方言，具备强大的多语言指令遵循与翻译能力

模型概览

Qwen3-8B 具备以下特性：

• 模型类型：因果语言模型
• 训练阶段：预训练与后训练
• 参数量：82 亿
• 非嵌入参数量：69.5 亿
• 层数：36
• 注意力头数（GQA）：查询头 32 个，键值头 8 个
• 上下文长度：原生支持 32,768 个 token，通过 YaRN 扩展至 131,072 个 token

更多详细信息，包括基准测试评估、硬件需求与推理性能，请参阅我们的博客、GitHub 与文档。

快速开始

Qwen3 的代码已同步至 transformers (≥ 4.52.4) 和 mlx_lm (≥ 0.25.2) 的最新版本，建议您使用最新版本的 transformers 和 mlx_lm。 旧版本（如 transformers<4.51.0）可能会出现以下错误：

KeyError: 'qwen3'

安装或升级这两个软件包：

pip install --upgrade transformers mlx_lm

以下是一段代码示例，展示了如何使用该模型根据给定输入生成内容。

from mlx_lm import load, generate

model, tokenizer = load("Qwen/Qwen3-8B-MLX-8bit")
prompt = "Hello, please introduce yourself and tell me what you can do."

if tokenizer.chat_template is not None:
    messages = [{"role": "user", "content": prompt}]
    prompt = tokenizer.apply_chat_template(
        messages,
        add_generation_prompt=True
    )

response = generate(
    model,
    tokenizer,
    prompt=prompt,
    verbose=True,
    max_tokens=1024
)

print(response)

思维模式与非思维模式切换

enable_thinking=True

默认情况下，Qwen3 已启用思维功能，与 QwQ-32B 类似。这意味着模型将运用其推理能力来提升生成回答的质量。例如，当在 tokenizer.apply_chat_template 中显式设置 enable_thinking=True 或保持其默认值时，模型将进入思维模式。

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

在此模式下，模型将生成包裹在<think>...</think>标签内的思考内容，随后输出最终响应。

[!注意] 使用思考模式时，请设置Temperature=0.6、TopP=0.95、TopK=20以及MinP=0（此为generation_config.json中的默认配置）。切勿使用贪心解码，否则可能导致性能下降和无限重复。更详细的指导请参阅最佳实践章节。

enable_thinking=False

我们提供了强制关闭模型思考行为的硬性开关，使其功能与之前的Qwen2.5-Instruct模型保持一致。该模式在对效率提升有严格要求的场景中尤为重要。

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，且不会包含<think>...</think>区块。

[!注意] 对于非思考模式，建议采用Temperature=0.7、TopP=0.8、TopK=20及MinP=0的参数配置。更详细的指导请参阅最佳实践章节。

进阶用法：通过用户输入切换思考与非思考模式

我们提供柔性切换机制，当启用enable_thinking=True时，用户可通过在对话提示或系统消息中添加/think与/no_think指令，实现逐轮动态控制模型的思考行为。在多轮对话中，模型将遵循最近接收到的指令。

以下为多轮对话示例：

from mlx_lm import load, generate


class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-8B-MLX-8bit"):
        self.model, self.tokenizer = load(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
        )

        response = generate(
            self.model,
            self.tokenizer,
            prompt=text,
            verbose=True,
            max_tokens=32768
        )
        # 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 are 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 are 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}")

[!注意] 为确保API兼容性，当启用enable_thinking=True时，无论用户使用/think还是/no_think指令，模型始终会输出包裹在<think>...</think>标签内的内容块。但若思考功能被禁用，该标签内的内容可能为空。 当enable_thinking=False时，软开关将失效。无论用户输入任何/think或/no_think标签，模型既不会生成思考内容，也不会包含<think>...</think>内容块。

智能体应用

Qwen3在工具调用能力方面表现卓越。我们推荐使用Qwen-Agent来充分发挥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，可大幅降低编码复杂度。

您可通过MCP配置文件定义可用工具，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": "Qwen3-8B-MLX-8bit",

    # 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)

处理长文本

Qwen3 原生支持最高 32,768 个令牌的上下文长度。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高 131,072 个令牌上下文长度下的性能表现。

目前多个推理框架支持 YaRN，例如本地使用的 transformers 和 llama.cpp，以及部署用的 vllm 和 sglang。对于支持该技术的框架，通常有两种启用 YaRN 的方式：

• 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
      }
  }
  

[!重要提示] 若遇到以下警告

在 'rope_type'='yarn' 的 `rope_scaling` 中存在未识别键值: {'original_max_position_embeddings'}

请升级至 transformers>=4.51.0 版本。

[!注意] 所有主流开源框架均实现静态 YaRN 方案，这意味着缩放因子不随输入长度变化，可能影响短文本场景下的性能表现。 建议仅在需要处理长上下文时添加 rope_scaling 配置项。 同时推荐根据实际需求调整 factor 参数。例如若应用场景的典型上下文长度为 65,536 个令牌，将 factor 设为 2.0 更为合适。

[!注意] config.json 中默认的 max_position_embeddings 设置为 40,960。此分配方案预留 32,768 个令牌用于输出，8,192 个令牌用于常规提示，足以满足大多数短文本处理场景。若平均上下文长度未超过 32,768 个令牌，不建议在此场景启用 YaRN，以免影响模型性能。

[!技巧] 阿里云模型工作室提供的端点默认支持动态 YaRN，无需额外配置。

最佳实践

为获得最佳性能，我们推荐以下配置：

1. 采样参数：

   • 思维模式（enable_thinking=True）下，建议使用Temperature=0.6、TopP=0.95、TopK=20和MinP=0。切勿使用贪心解码，否则可能导致性能下降和无限重复。
   • 非思维模式（enable_thinking=False）下，建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0。
   • 支持该参数的框架中，可将presence_penalty设置在0到2之间以减少无限重复。但过高数值可能导致偶发性的语言混杂现象，并轻微影响模型性能。

2. 充足输出长度：常规任务建议输出长度设为32,768个token。针对数学竞赛、编程竞赛等高复杂度问题的基准测试，建议将最大输出长度设置为38,912个token。这能为模型提供充分生成空间，从而产生更详尽完整的回答，提升整体表现。

3. 标准化输出格式：建议通过提示词规范模型输出格式：

   • 数学问题：在提示词中加入"请逐步推理，并将最终答案置于\boxed{}中"。
   • 选择题：在提示词中添加以下JSON结构以统一响应格式："请在answer字段中仅填写选项字母，例如"answer": "C""。

4. 历史记录排除思维内容：在多轮对话中，历史模型输出应仅包含最终答案部分，无需包含思维过程。该项已在Jinja2聊天模板中实现。对于未直接使用该模板的框架，需由开发者自行确保遵循此实践规范。

引用

如果您觉得我们的工作对您有帮助，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}, 
}