Qwen3 性价比新王 Qwen3-30B-A3B 本地私有化部署，可灵活切换思考模式

Python_金钱豹

于 2025-05-18 10:45:00 发布

阅读量731

点赞数 18

文章标签：人工智能 ui 机器学习算法 milvus

本文链接：https://blog.csdn.net/Python_cocola/article/details/148007739

版权

一、Qwen3

Qwen3 是 Qwen 系列大型语言模型的最新成员。该系列共包含8款模型，2款参数30B、235B的混合专家模型和6款参数0.6B、1.7B、4B、8B、14B、32B的稠密模型，每款模型均获得同尺寸开源模型的最佳性能。

null

其中旗舰模型 Qwen3-235B-A22B 在代码、数学、通用能力等基准测试中，与 DeepSeek-R1、OpenAI-o1、OpenAI-o3-mini、Grok-3 和 Gemini-2.5-Pro 等顶级模型相比，表现出极具竞争力的结果。

null

小型的 MoE 模型 Qwen3-30B-A3B 的激活参数数量是 QwQ-32B 的 10%，表现也更胜一筹，甚至像 Qwen3-4B 这样的小模型也能匹敌 Qwen2.5-72B-Instruct 的性能。

null

Qwen3 模型其中比较有特色的亮点，支持两种思考模式，并且可以灵活切换：

思考模式：在这种模式下，模型会逐步推理，经过深思熟虑后给出最终答案。这种方法非常适合需要深入思考的复杂问题。
非思考模式：在此模式中，模型提供快速、近乎即时的响应，适用于那些对速度要求高于深度的简单问题。

模式的切换无需更换模型，可直接通过 enable_thinking 参数控制，例如：

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

对于 vLLM 框架，可通过 --reasoning-parser 和 --enable-reasoning 控制思考模式：

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

Qwen3 还提供了软切换机制，允许用户在 enable_thinking=True 时动态控制模型的行为。只需在提示或系统消息中添加 /think 和 /no_think 来逐轮切换模型的思考模式。在多轮对话中，模型会遵循最近的指令。

更多亮点介绍可参考官方 Github：

https://github.com/QwenLM/Qwen3

Qwen3-30B-A3B ModelScope 地址：

https://modelscope.cn/models/Qwen/Qwen3-30B-A3B

Qwen3-30B-A3B huggleface 地址：

https://huggingface.co/Qwen/Qwen3-30B-A3B

本次本地部署 Qwen3-30B-A3B 推理优化框架采用 vLLM ，使用 Open-WebUI 交互测试，依赖的版本如下：

torch==2.5.1+cu118
modelscope==1.23.1
transformers==4.49.0
vllm==0.7.2

二、vLLM 部署 Qwen3-30B-A3B

首先使用 modelscope 下载 QWQ-32B 模型到本地：

modelscope download --model="Qwen/Qwen3-30B-A3B" --local_dir Qwen3-30B-A3B

null

使用 vLLM 读取模型启动API服务。

export CUDA_VISIBLE_DEVICES=0,1

vllm serve "Qwen3-30B-A3B" \
  --host 0.0.0.0 \
  --port 8060 \
  --dtype bfloat16 \
  --tensor-parallel-size 2 \
  --cpu-offload-gb 0 \
  --gpu-memory-utilization 0.8 \
  --max-model-len 8126 \
  --api-key token-abc123 \
  --enable-prefix-caching \
  --enable-reasoning \
  --reasoning-parser deepseek_r1\
  --trust-remote-code

关键参数说明：

export CUDA_VISIBLE_DEVICES=0,1 ：指定所使用的GPU。
dtype: 数据类型，其中 bfloat16，16位浮点数，适合 NVIDIA A100 等设备。
tensor-parallel-size：Tensor 并行的数量，当多 GPU 分布式推理时使用，建议和GPU的数量一致。
cpu-offload-gb：允许将部分模型权重或中间结果卸载到 CPU 的内存中，单位为 GB。，模拟 GPU 内存扩展，如果部署的模型大于了显存大小可以设置该参数，但是推理速度会大大下降。
gpu-memory-utilization：设置 GPU 内存利用率的上限。
max-model-len：允许模型最大处理的Token数，该参数越大占用显存越大。
enable-prefix-caching：启用前缀缓存减少重复计算。

null

显存占用情况：

null

如果启动显存不足，可适当调整 gpu-memory-utilization 和 max-model-len 参数，或通过 cpu-offload-gb 将部分模型权重卸载到内存中。

启动成功后，可通过 /v1/models 接口可查看模型列表：

curl http://127.0.0.1:8060/v1/models -H "Authorization: Bearer token-abc123"

null

测试API方式交互，默认思考模式：

curl http://127.0.0.1:8060/v1/chat/completions \
    -H "Content-Type: application/json" \
    -H "Authorization: Bearer token-abc123" \
    -d '{
        "model": "Qwen3-30B-A3B",
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "你是谁"}
        ]
    }'

null

非思考模式测试：

curl http://127.0.0.1:8060/v1/chat/completions \
    -H "Content-Type: application/json" \
    -H "Authorization: Bearer token-abc123" \
    -d '{
        "model": "Qwen3-30B-A3B",
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "你是谁/no_think"}
        ]
    }'

null

三、Open-WebUI 交互测试

连接 Qwen3-30B-A3B 模型。

null

模型ID 可以留空，会自动从 /v1/models 接口中获取。

保存后，回到对话窗口，可在左上角选择 Qwen3-30B-A3B 模型：

null

对话测试

问题：三人三台三桶水，九人九天几桶水

null

问题：找规律：
24，14，26，33，46，（）
提示: 24/2+14=26/no_think

null

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述