Qwen3-235B-A22B - 专注多模态推理与高效对话的2350亿参数MoE大模型

---

一、关于 Qwen3-235B-A22B

基础信息

• HuggingFace ：https://huggingface.co/Qwen/Qwen3-235B-A22B
• 开发团队：Qwen Team
• 模型类型：混合专家（MoE）架构的因果语言模型
• 官方资源：Chat Demo | GitHub | 文档

---

Qwen3 亮点

Qwen3 是通义千问系列最新一代大语言模型，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，Qwen3 在推理能力、指令跟随、智能体功能及多语言支持方面实现突破性进展，具有以下核心特性：

• 独创性支持思维模式（适用于复杂逻辑推理、数学与编程）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表现
• 显著增强的推理能力，在数学解题、代码生成与常识逻辑推理方面，全面超越前代QwQ（思维模式）与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、多轮对话及指令跟随场景表现突出，提供更自然、引人入胜的对话体验
• 专业的智能体能力，可在思维/非思维模式下精准对接外部工具，在开源模型中保持复杂智能体任务的领先性能
• 支持100+种语言与方言，具备强大的多语言指令跟随与翻译能力

---

模型概览

Qwen3-235B-A22B 具备以下特性：

• 类型：因果语言模型
• 训练阶段：预训练 & 后训练
• 参数量：总计2350亿，激活220亿
• 非嵌入参数量：2340亿
• 层数：94
• 注意力头数（GQA）：查询头64个，键值头4个
• 专家数：128
• 激活专家数：8
• 上下文长度：原生支持32,768 tokens，通过YaRN扩展至131,072 tokens

更多细节（包括基准测试、硬件要求和推理性能）请参阅我们的博客、GitHub和文档。

---

二、快速开始

Qwen3-MoE 的代码已集成至最新版 Hugging Face transformers，建议您使用最新版本的 transformers。

若使用 transformers<4.51.0 版本，将会遇到以下错误：

KeyError: 'qwen3_moe'

---

以下代码片段展示了如何基于给定输入使用模型生成内容。

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-235B-A22B"

# 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)

---

三、部署

在部署时，您可以使用 sglang>=0.4.6.post1 或 vllm>=0.8.5 来创建兼容 OpenAI 的 API 端点：

SGLang

python -m sglang.launch_server --model-path Qwen/Qwen3-235B-A22B --reasoning-parser qwen3 --tp 8

---

vLLM

vllm serve Qwen/Qwen3-235B-A22B --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。

---

四、思维模式与非思维模式切换

enable_thinking 开关同样适用于通过 SGLang 和 vLLM 创建的 API。
具体使用方法请参阅 SGLang 和 vLLM 的文档说明。

---

1、enable_thinking=True

默认情况下，Qwen3 已启用思考能力，与 QwQ-32B 类似。这意味着模型会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  # True is the default value for enable_thinking
)

---

在此模式下，模型会生成包裹在<think>...</think>块中的思考内容，随后输出最终响应。

使用思考模式时，请设置参数为Temperature=0.6、TopP=0.95、TopK=20和MinP=0（即generation_config.json中的默认配置）。

切勿使用贪婪解码，否则可能导致性能下降和无限重复。更多详细指导请参阅最佳实践章节。

---

2、enable_thinking=False

我们提供了一个硬性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模型保持一致。

该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  # 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>...</think>区块。

对于非思考模式，我们建议使用Temperature=0.7、TopP=0.8、TopK=20和MinP=0参数设置。更多详细指南请参阅最佳实践章节。

---

3、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，允许用户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指令，实现逐轮切换模型的思考模式。在多轮对话中，模型会遵循最近收到的指令。

以下是一个多轮对话示例：

---

from transformers import AutoModelForCausalLM, AutoTokenizer

class QwenChatbot:
    def __init__(self, model_name="Qwen/Qwen3-235B-A22B"):
        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}")

---

为了保持API兼容性，当enable_thinking=True时，无论用户使用/think还是/no_think指令，模型始终会输出一个用<think>...</think>包裹的区块。但如果思考功能被禁用，该区块内的内容可能为空。

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，模型都不会生成思考内容，也不会包含<think>...</think>区块。

---

五、智能体应用

Qwen3在工具调用能力方面表现出色。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。

您可以通过MCP配置文件定义可用工具，使用Qwen-Agent集成的工具，或自行集成其他工具。

---

from qwen_agent.agents import Assistant

# Define LLM
llm_cfg = {
    'model': 'Qwen3-235B-A22B',

    # 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)

---

六、处理长文本

Qwen3 原生支持高达 32,768 个 token 的上下文长度。当对话总长度（包括输入和输出）远超此限制时，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 131,072 个 token 上下文长度下的性能表现。

目前多个推理框架支持 YaRN 技术，例如：

• 本地使用场景：transformers 和 llama.cpp
• 部署场景：vllm 和 sglang

---

对于支持 YaRN 的框架，通常有两种启用方式：

1、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
    }
}

对于 llama.cpp，修改后需要重新生成 GGUF 文件。

---

2、传递命令行参数的方法：

对于 vllm，您可以使用

---

vllm serve ... --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' --max-model-len 131072  

---

对于 sglang，你可以使用

---

python -m sglang.launch_server ... --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'

---

对于来自 llama.cpp 的 llama-server，你可以使用

llama-server ... --rope-scaling yarn --rope-scale 4 --yarn-orig-ctx 32768

---

如果你遇到以下警告，请升级至 transformers>=4.51.0。

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

---

所有主流开源框架均采用静态YaRN实现，这意味着缩放因子不随输入长度变化，可能影响短文本处理性能。

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，若您的应用典型上下文长度为65,536个token，建议将 factor 设为2.0。

config.json 中默认的 max_position_embeddings 设置为40,960，该分配方案预留32,768个token用于输出，8,192个token用于常规提示，完全满足大多数短文本处理场景。若平均上下文长度不超过32,768个token，不建议启用YaRN功能，否则可能影响模型性能。

阿里云Model Studio提供的服务端点默认支持动态YaRN，无需额外配置。

---

六、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:

* For thinking mode (`enable_thinking=True`), use `Temperature=0.6`, `TopP=0.95`, `TopK=20`, and `MinP=0`. **DO NOT use greedy decoding**, as it can lead to performance degradation and endless repetitions.
* For non-thinking mode (`enable_thinking=False`), we suggest using `Temperature=0.7`, `TopP=0.8`, `TopK=20`, and `MinP=0`.
* For supported frameworks, you can adjust the `presence_penalty` parameter between 0 and 2 to reduce endless repetitions. However, using a higher value may occasionally result in language mixing and a slight decrease in model performance.

---

2、适当的输出长度：对于大多数查询，我们建议使用32,768个token的输出长度。针对数学和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。这为模型提供了充足空间来生成详细全面的响应，从而提升其整体表现。

3、标准化输出格式：在进行基准测试时，我们建议通过提示词来规范模型的输出格式。

* **Math Problems**: Include "Please reason step by step, and put your final answer within \\boxed{}." in the prompt.
* **Multiple-Choice Questions**: Add the following JSON structure to the prompt to standardize responses: "Please show your choice in the `answer` field with only the choice letter, e.g., `"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，无需包含思考过程。该功能已在提供的Jinja2聊天模板中实现。但对于未直接使用Jinja2聊天模板的框架，需要开发者自行确保遵循这一最佳实践。

---

2025-05-05（一）