🌠Qwen3-2507 : guide d'exécution locale

Exécutez localement sur votre appareil les versions Thinking et Instruct de Qwen3-30B-A3B-2507 et 235B-A22B !

Qwen a publié les mises à jour 2507 (juillet 2025) pour ses Qwen3 modèles 4B, 30B et 235B, introduisant des variantes « thinking » et « non-thinking ». Le modèle non-thinking 'Qwen3-30B-A3B-Instruct-2507' et 'Qwen3-235B-A22B-Instruct-2507' dispose d’une fenêtre de contexte de 256K, d’une meilleure capacité à suivre les instructions, de capacités multilingues et d’un meilleur alignement.

Les modèles « thinking » 'Qwen3-30B-A3B-Thinking-2507' et 'Qwen3-235B-A22B-Thinking-2507' excellent en raisonnement, le 235B obtenant des résultats de pointe en logique, mathématiques, sciences, programmation et tâches académiques avancées.

Unsloth prend désormais également en charge le fine-tuning et Apprentissage par renforcement (RL) des modèles Qwen3-2507 — 2x plus rapide, avec 70 % de VRAM en moins et des longueurs de contexte 8x plus longues

Exécuter 30B-A3B Exécuter 235B-A22B Fine-tuner Qwen3-2507

Unsloth Dynamic 2.0 GGUFs :

Modèle

des GGUF pour exécuter :

Qwen3-4B-2507

Instruction • Réflexion

Qwen3-30B-A3B-2507

Instruction • Réflexion

Qwen3-235B-A22B-2507

Instruction • Réflexion

⚙️ Bonnes pratiques

Les paramètres du modèle Thinking et du modèle Instruct sont différents. Le modèle Thinking utilise temperature = 0.6, mais le modèle Instruct utilise temperature = 0.7 Le modèle Thinking utilise top_p = 0.95, mais le modèle Instruct utilise top_p = 0.8

Pour obtenir des performances optimales, Qwen recommande ces réglages :

Paramètres du modèle Instruct :

Paramètres du modèle Thinking :

Temperature = 0.7

Temperature = 0.6

Min_P = 0.00 (la valeur par défaut de llama.cpp est 0.1)

Top_P = 0.80

Top_P = 0.95

TopK = 20

presence_penalty = 0.0 à 2.0 (la valeur par défaut de llama.cpp le désactive, mais pour réduire les répétitions, vous pouvez l'utiliser)

Longueur de sortie adéquate: Utilisez une longueur de sortie de 32,768 tokens pour la plupart des requêtes, ce qui est suffisant pour la plupart des requêtes.

Modèle de conversation pour les deux, Thinking (Thinking comporte <think></think>) et Instruct ci-dessous :

<|im_start|>user
Salut !<|im_end|>
<|im_start|>assistant
Combien font 1+1 ?<|im_end|>
<|im_start|>user
2<|im_end|>
<|im_start|>assistant

📖 Exécuter les tutoriels Qwen3-30B-A3B-2507

Vous trouverez ci-dessous des guides pour les Réflexion et Instruction versions du modèle.

Instruct : Qwen3-30B-A3B-Instruct-2507

Étant donné qu’il s’agit d’un modèle sans raisonnement, il n’est pas nécessaire de définir thinking=False et le modèle ne génère pas <think> </think> de blocs.

⚙️ Bonnes pratiques

Pour obtenir des performances optimales, Qwen recommande les réglages suivants :

Nous suggérons d'utiliser temperature=0.7, top_p=0.8, top_k=20, et min_p=0.0 presence_penalty entre 0 et 2 si le framework le prend en charge afin de réduire les répétitions sans fin.
temperature = 0.7
top_k = 20
min_p = 0.00 (la valeur par défaut de llama.cpp est 0.1)
top_p = 0.80
presence_penalty = 0.0 à 2.0 (la valeur par défaut de llama.cpp le désactive, mais pour réduire les répétitions, vous pouvez l'utiliser) Essayez 1.0 par exemple.
Prend en charge jusqu'à 262,144 de contexte nativement, mais vous pouvez le définir à 32,768 jetons pour utiliser moins de RAM

🦙 Ollama : tutoriel pour exécuter Qwen3-30B-A3B-Instruct-2507

Installez ollama si ce n’est pas déjà fait ! Vous ne pouvez exécuter que des modèles jusqu’à 32B.

apt-get update
apt-get install pciutils -y
curl -fsSL https://ollama.com/install.sh | sh

Exécutez le modèle ! Notez que vous pouvez appeler ollama servedans un autre terminal si cela échoue ! Nous incluons toutes nos corrections et paramètres suggérés (température, etc.) dans params dans notre téléversement Hugging Face !

ollama run hf.co/unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF:UD-Q4_K_XL

✨ Llama.cpp : tutoriel pour exécuter Qwen3-30B-A3B-Instruct-2507

Obtenez la dernière version llama.cpp sur GitHub ici. Vous pouvez également suivre les instructions de compilation ci-dessous. Modifiez -DGGML_CUDA=ON à -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU. Pour les appareils Apple Mac / Metal, définissez -DGGML_CUDA=OFF puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

Vous pouvez directement récupérer depuis Hugging Face via :

./llama.cpp/llama-cli \
    -hf unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF:Q4_K_XL \\
    --jinja -ngl 99 --ctx-size 32768 \
    --temp 0.7 --min-p 0.0 --top-p 0.80 --top-k 20 --presence-penalty 1.0

Téléchargez le modèle via (après avoir installé pip install huggingface_hub hf_transfer ). Vous pouvez choisir UD_Q4_K_XL ou d’autres versions quantifiées.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF",
    local_dir = "unsloth/Qwen3-30B-A3B-Instruct-2507-GGUF",
    allow_patterns = ["*UD-Q4_K_XL*"],
)

Thinking : Qwen3-30B-A3B-Thinking-2507

Ce modèle prend en charge nativement uniquement le mode de raisonnement et une fenêtre de contexte de 256K. Le modèle de conversation par défaut ajoute <think> automatiquement, donc vous ne verrez peut-être qu'une balise de fermeture </think> dans la sortie.

⚙️ Bonnes pratiques

Pour obtenir des performances optimales, Qwen recommande les réglages suivants :

Nous suggérons d'utiliser temperature=0.6, top_p=0.95, top_k=20, et min_p=0.0 presence_penalty entre 0 et 2 si le framework le prend en charge afin de réduire les répétitions sans fin.
temperature = 0.6
top_k = 20
min_p = 0.00 (la valeur par défaut de llama.cpp est 0.1)
top_p = 0.95
presence_penalty = 0.0 à 2.0 (la valeur par défaut de llama.cpp le désactive, mais pour réduire les répétitions, vous pouvez l'utiliser) Essayez 1.0 par exemple.
Prend en charge jusqu'à 262,144 de contexte nativement, mais vous pouvez le définir à 32,768 jetons pour utiliser moins de RAM

🦙 Ollama : tutoriel pour exécuter Qwen3-30B-A3B-Instruct-2507

Installez ollama si ce n’est pas déjà fait ! Vous ne pouvez exécuter que des modèles jusqu’à 32B. Pour exécuter les modèles complets 235B-A22B, voir ici.

apt-get update
apt-get install pciutils -y
curl -fsSL https://ollama.com/install.sh | sh

Exécutez le modèle ! Notez que vous pouvez appeler ollama servedans un autre terminal si cela échoue ! Nous incluons toutes nos corrections et paramètres suggérés (température, etc.) dans params dans notre téléversement Hugging Face !

ollama run hf.co/unsloth/Qwen3-30B-A3B-Thinking-2507-GGUF:UD-Q4_K_XL

✨ Llama.cpp : tutoriel pour exécuter Qwen3-30B-A3B-Instruct-2507

Obtenez la dernière version llama.cpp sur GitHub ici. Vous pouvez également suivre les instructions de compilation ci-dessous. Modifiez -DGGML_CUDA=ON à -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU. Pour les appareils Apple Mac / Metal, définissez -DGGML_CUDA=OFF puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

Vous pouvez directement récupérer depuis Hugging Face via :

./llama.cpp/llama-cli \
    -hf unsloth/Qwen3-30B-A3B-Thinking-2507-GGUF:Q4_K_XL \\
    --jinja -ngl 99 --ctx-size 32768 \
    --temp 0.6 --min-p 0.0 --top-p 0.95 --top-k 20 --presence-penalty 1.0

Téléchargez le modèle via (après avoir installé pip install huggingface_hub hf_transfer ). Vous pouvez choisir UD_Q4_K_XL ou d’autres versions quantifiées.

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "1"
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/Qwen3-30B-A3B-Thinking-2507-GGUF",
    local_dir = "unsloth/Qwen3-30B-A3B-Thinking-2507-GGUF",
    allow_patterns = ["*UD-Q4_K_XL*"],
)

📖 Exécuter Qwen3-235B-A22B-2507 Tutoriels

Vous trouverez ci-dessous des guides pour les Réflexion et Instruction versions du modèle.

Thinking : Qwen3-235B-A22B-Thinking-2507

⚙️ Bonnes pratiques

Pour obtenir des performances optimales, Qwen recommande les paramètres suivants pour le modèle Thinking :

temperature = 0.6
top_k = 20
min_p = 0.00 (la valeur par défaut de llama.cpp est 0.1)
top_p = 0.95
presence_penalty = 0.0 à 2.0 (la valeur par défaut de llama.cpp le désactive, mais pour réduire les répétitions, vous pouvez l'utiliser) Essayez 1.0 par exemple.
Longueur de sortie adéquate: Utilisez une longueur de sortie de 32,768 tokens pour la plupart des requêtes, ce qui est suffisant pour la plupart des requêtes.

✨Exécuter Qwen3-235B-A22B-Thinking via llama.cpp :

Pour Qwen3-235B-A22B, nous utiliserons spécifiquement Llama.cpp pour une inférence optimisée et une multitude d’options.

Si vous voulez une version en pleine précision non quantifiée, utilisez nos Q8_K_XL, Q8_0 ou BF16 versions !

Obtenez la dernière version llama.cpp sur GitHub ici. Vous pouvez également suivre les instructions de compilation ci-dessous. Modifiez -DGGML_CUDA=ON à -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU. Pour les appareils Apple Mac / Metal, définissez -DGGML_CUDA=OFF puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut.
```
apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp
```

Vous pouvez utiliser directement llama.cpp pour télécharger le modèle, mais je recommande généralement d'utiliser huggingface_hub Pour utiliser directement llama.cpp, faites :

./llama.cpp/llama-cli \
    -hf unsloth/Qwen3-235B-A22B-Thinking-2507-GGUF:Q2_K_XL \\
    --ctx-size 16384 \
    --n-gpu-layers 99 \
    -ot ".ffn_.*_exps.=CPU" \\
    --temp 0.6 \
    --min-p 0.0 \\
    --top-p 0.95 \
    --top-k 20 \\
    --presence-penalty 1.0

Téléchargez le modèle via (après avoir installé pip install huggingface_hub hf_transfer ). Vous pouvez choisir UD-Q2_K_XL, ou d'autres versions quantifiées..

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # Peut parfois subir une limitation de débit, donc définissez-le à 0 pour le désactiver
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/Qwen3-235B-A22B-Thinking-2507-GGUF",
    local_dir = "unsloth/Qwen3-235B-A22B-Thinking-2507-GGUF",
    allow_patterns = ["*UD-Q2_K_XL*"],
)

Exécutez le modèle et essayez n'importe quel prompt.
Modifier --threads -1 pour le nombre de threads CPU, --ctx-size 262114 pour la longueur de contexte, --n-gpu-layers 99 pour le déchargement GPU de combien de couches. Essayez de l'ajuster si votre GPU manque de mémoire. Supprimez-le aussi si vous faites une inférence uniquement CPU.

Utilisez -ot ".ffn_.*_exps.=CPU" pour décharger toutes les couches MoE sur le CPU ! Cela vous permet en pratique de faire tenir toutes les couches non-MoE sur 1 GPU, améliorant ainsi les vitesses de génération. Vous pouvez personnaliser l'expression regex pour faire tenir davantage de couches si vous disposez de plus de capacité GPU.

./llama.cpp/llama-cli \
    --model unsloth/Qwen3-235B-A22B-Thinking-2507-GGUF/UD-Q2_K_XL/Qwen3-235B-A22B-Thinking-2507-UD-Q2_K_XL-00001-of-00002.gguf \\
    --ctx-size 16384 \
    --n-gpu-layers 99 \
    -ot ".ffn_.*_exps.=CPU" \\
    --seed 3407 \
    --temp 0.6 \
    --min-p 0.0 \\
    --top-p 0.95 \
    --top-k 20
    --presence-penalty 1.0

Instruct : Qwen3-235B-A22B-Instruct-2507

Étant donné qu’il s’agit d’un modèle sans raisonnement, il n’est pas nécessaire de définir thinking=False et le modèle ne génère pas <think> </think> de blocs.

⚙️ Bonnes pratiques

Pour obtenir des performances optimales, nous recommandons les paramètres suivants :

1. Paramètres d’échantillonnage : Nous suggérons d’utiliser temperature=0.7, top_p=0.8, top_k=20 et min_p=0. presence_penalty entre 0 et 2 si le framework le prend en charge afin de réduire les répétitions sans fin.

2. Longueur de sortie adéquate : Nous recommandons d’utiliser une longueur de sortie de 16,384 tokens pour la plupart des requêtes, ce qui est suffisant pour les modèles Instruct.

3. Standardiser le format de sortie : Nous recommandons d’utiliser des prompts pour standardiser les sorties du modèle lors des benchmarks.

Problèmes de mathématiques : Inclure Veuillez raisonner étape par étape et placer votre réponse finale dans \boxed{}. dans le prompt.
Questions à choix multiples : Ajoutez la structure JSON suivante au prompt pour standardiser les réponses : "Veuillez montrer votre choix dans le champ `answer` avec uniquement la lettre du choix, par ex. `\"answer\": \"C\".

✨Exécuter Qwen3-235B-A22B-Instruct via llama.cpp :

Pour Qwen3-235B-A22B, nous utiliserons spécifiquement Llama.cpp pour une inférence optimisée et une multitude d’options.

Si vous voulez une version en pleine précision non quantifiée, utilisez nos Q8_K_XL, Q8_0 ou BF16 versions !

Obtenez la dernière version de llama.cpp sur GitHub ici. Vous pouvez également suivre les instructions de compilation ci-dessous. Modifiez -DGGML_CUDA=ON à -DGGML_CUDA=OFF si vous n'avez pas de GPU ou si vous souhaitez simplement une inférence CPU. Pour les appareils Apple Mac / Metal, définissez -DGGML_CUDA=OFF puis continuez comme d'habitude - la prise en charge de Metal est activée par défaut.

apt-get update
apt-get install pciutils build-essential cmake curl libcurl4-openssl-dev -y
git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build \
    -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON -DLLAMA_CURL=ON
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

2. Vous pouvez directement utiliser llama.cpp pour télécharger le modèle, mais je suggère normalement d’utiliser huggingface_hub Pour utiliser directement llama.cpp, faites :\\

./llama.cpp/llama-cli \
    -hf unsloth/Qwen3-235B-A22B-Instruct-2507-GGUF:Q2_K_XL \\
    --ctx-size 16384 \
    --n-gpu-layers 99 \
    -ot ".ffn_.*_exps.=CPU" \\
    --temp 0.7 \
    --min-p 0.0 \\
    --top-p 0.8 \\
    --top-k 20 \\
    --repeat-penalty 1.0

3. Téléchargez le modèle via (après avoir installé pip install huggingface_hub hf_transfer ). Vous pouvez choisir UD-Q2_K_XL, ou d'autres versions quantifiées..

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # Peut parfois subir une limitation de débit, donc définissez-le à 0 pour le désactiver
from huggingface_hub import snapshot_download
snapshot_download(
    repo_id = "unsloth/Qwen3-235B-A22B-Instruct-2507-GGUF",
    local_dir = "unsloth/Qwen3-235B-A22B-Instruct-2507-GGUF",
    allow_patterns = ["*UD-Q2_K_XL*"],
)

4. Exécutez le modèle et essayez n’importe quel prompt. 5. Modifiez --threads -1 pour le nombre de threads CPU, --ctx-size 262114 pour la longueur de contexte, --n-gpu-layers 99 pour le déchargement GPU de combien de couches. Essayez de l'ajuster si votre GPU manque de mémoire. Supprimez-le aussi si vous faites une inférence uniquement CPU.

./llama.cpp/llama-cli \
    --model unsloth/Qwen3-235B-A22B-Instruct-2507-GGUF/UD-Q2_K_XL/Qwen3-235B-A22B-Instruct-2507-UD-Q2_K_XL-00001-of-00002.gguf \\
    --ctx-size 16384 \
    --n-gpu-layers 99 \
    -ot ".ffn_.*_exps.=CPU" \\
    --temp 0.7 \
    --min-p 0.0 \\
    --top-p 0.8 \\
    --top-k 20

🛠️ Améliorer la vitesse de génération

Si vous avez plus de VRAM, vous pouvez essayer de décharger davantage de couches MoE, ou de décharger des couches entières elles-mêmes.

Normalement, -ot ".ffn_.*_exps.=CPU" décharge toutes les couches MoE sur le CPU ! Cela vous permet en pratique de faire tenir toutes les couches non-MoE sur 1 GPU, améliorant ainsi les vitesses de génération. Vous pouvez personnaliser l'expression regex pour faire tenir davantage de couches si vous avez plus de capacité GPU.

Si vous avez un peu plus de mémoire GPU, essayez -ot ".ffn_(up|down)_exps.=CPU" Cela décharge les couches MoE de projection ascendante et descendante.

Essayez -ot ".ffn_(up)_exps.=CPU" si vous avez encore plus de mémoire GPU. Cela décharge uniquement les couches MoE de projection ascendante.

Vous pouvez aussi personnaliser l'expression regex, par exemple -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" signifie décharger les couches MoE gate, up et down, mais seulement à partir de la 6e couche.

Le dernière version de llama.cpp introduit également le mode haut débit. Utilisez llama-parallel. En savoir plus à ce sujet ici. Vous pouvez aussi quantifier le cache KV en 4 bits par exemple pour réduire les mouvements de VRAM / RAM, ce qui peut également accélérer le processus de génération. La section suivante traite de la quantification du cache KV.

📐 Comment faire tenir un long contexte

Pour gérer un contexte plus long, vous pouvez utiliser quantification du cache KV pour quantifier les caches K et V sur moins de bits. Cela peut aussi augmenter la vitesse de génération grâce à la réduction des transferts de données RAM / VRAM. Les options autorisées pour la quantification K (la valeur par défaut est f16) sont les suivantes.

--cache-type-k f32, f16, bf16, q8_0, q4_0, q4_1, iq4_nl, q5_0, q5_1

Vous devriez utiliser les _1 variantes pour une précision légèrement améliorée, même si c'est un peu plus lent. Par ex. q4_1, q5_1 Essayez donc --cache-type-k q4_1

Vous pouvez aussi quantifier le cache V, mais vous devrez compiler llama.cpp avec la prise en charge de Flash Attention via la prise en charge -DGGML_CUDA_FA_ALL_QUANTS=ON, et utiliser --flash-attn pour l'activer. Après avoir installé Flash Attention, vous pouvez alors utiliser --cache-type-v q4_1

🦥 Fine-tuning de Qwen3-2507 avec Unsloth

Unsloth rend Qwen3 et le fine-tuning de Qwen3-2507 2x plus rapide, utilise 70 % de VRAM en moins et prend en charge des longueurs de contexte 8x plus longues. Comme Qwen3-2507 n’a été publié qu’en variante 30B, cela signifie que vous aurez besoin d’environ un GPU A100 de 40 Go pour fine-tuner le modèle avec QLoRA (4 bits).

Pour un notebook, comme le modèle ne peut pas tenir sur les GPU gratuits de 16 Go de Colab, vous devrez utiliser un A100 de 40 Go. Vous pouvez utiliser notre notebook Conversationnel, mais remplacer le jeu de données par n’importe lequel des vôtres. Cette fois, vous n’avez pas besoin d’intégrer du raisonnement dans votre jeu de données, car le modèle ne fait pas de raisonnement.

Notebook conversationnel + raisonnement Qwen3 (14B)

Si vous avez une ancienne version d’Unsloth et/ou effectuez un affinage localement, installez la dernière version d’Unsloth :

pip install --upgrade --force-reinstall --no-cache-dir unsloth unsloth_zoo

Fine-tuning des modèles MOE Qwen3-2507

La prise en charge du fine-tuning inclut les modèles MOE : 30B-A3B et 235B-A22B. Qwen3-30B-A3B fonctionne sur 30 Go de VRAM avec Unsloth. Pour le fine-tuning des MoE, il n’est probablement pas judicieux de fine-tuner la couche routeur, nous l’avons donc désactivée par défaut.

Notebooks Qwen3-2507-4B pour : Réflexion et Instruction

Le 30B-A3B tient dans 30 Go de VRAM, mais vous pourriez manquer de RAM ou d’espace disque, car le modèle complet en 16 bits doit être téléchargé et converti à la volée en 4 bits pour le fine-tuning QLoRA. Cela est dû à des problèmes d’importation directe des modèles MOE BnB en 4 bits. Cela n’affecte que les modèles MOE.

Si vous fine-tunez les modèles MOE, veuillez utiliser FastModel et non FastLanguageModel

from unsloth import FastModel
import torch
model, tokenizer = FastModel.from_pretrained(
    model_name = "unsloth/Qwen3-30B-A3B-Instruct-2507",
    max_seq_length = 2048, # Choisissez n’importe quelle valeur pour un long contexte !
    load_in_4bit = True,  # Quantification 4 bits pour réduire la mémoire
    load_in_8bit = False, # [NOUVEAU !] Un peu plus précis, utilise 2x plus de mémoire
    full_finetuning = False, # [NOUVEAU !] Nous avons maintenant l'ajustement fin complet !
    # token = "hf_...", # utilisez-en un si vous utilisez des modèles protégés
)

PrécédentQwen3-VL

SuivantMiniMax-M2.7

Mis à jour il y a 5 mois

Ce contenu vous a-t-il été utile ?