🌠Qwen3-2507：本地运行指南

在您的设备上本地运行 Qwen3-30B-A3B-2507 和 235B-A22B 的 Thinking 与 Instruct 版本！

Qwen 在 2507（2025 年 7 月）发布了他们的更新，适用于 Qwen3 4B、30B 和 235B 模型，引入了“思考（thinking）”和“非思考（non-thinking）”两种变体。非思考型 'Qwen3-30B-A3B-Instruct-2507' 和 'Qwen3-235B-A22B-Instruct-2507' 具有 256K 的上下文窗口、改进的指令跟随能力、多语言能力和对齐。

思考型模型 'Qwen3-30B-A3B-Thinking-2507' 和 'Qwen3-235B-A22B-Thinking-2507' 在推理方面表现出色，235B 在逻辑、数学、科学、编码和高级学术任务中达到了最先进的结果（SOTA）。

Unsloth 现在也支持微调和强化学习（RL） Qwen3-2507 模型的——速度提升 2 倍，显存减少 70%，上下文长度延长 8 倍

运行 30B-A3B 运行 235B-A22B 微调 Qwen3-2507

Unsloth Dynamic 2.0 GGUFs：

模型

可用于运行的 GGUF：

Qwen3-4B-2507

指令（Instruct） • 思考（Thinking）

Qwen3-30B-A3B-2507

指令（Instruct） • 思考（Thinking）

Qwen3-235B-A22B-2507

指令（Instruct） • 思考（Thinking）

⚙️ 最佳实践

思考模型和 Instruct（指令）模型的设置不同。思考模型使用 temperature = 0.6，而指令模型使用 temperature = 0.7 思考模型使用 top_p = 0.95，而指令模型使用 top_p = 0.8

为获得最佳性能，Qwen 建议以下设置：

指令模型设置：

思考模型设置：

温度 = 0.7

Temperature = 0.6

Min_P = 0.00 （llama.cpp 的默认值为 0.1）

Top_P = 0.80

Top_P = 0.95

TopK = 20

presence_penalty = 0.0 到 2.0 （llama.cpp 默认将其关闭，但为减少重复可以使用此项）

适当的输出长度: 对于大多数查询，思考变体请使用输出长度为 32,768 对于大多数查询的令牌数，这是足够的。

适用于思考（thinking 包含 <think></think>) 和指令的聊天模板如下：

<|im_start|>user
嗨！<|im_end|>
<|im_start|>assistant
1+1 等于多少？<|im_end|>
<|im_start|>user
2<|im_end|>
<|im_start|>assistant

📖 运行 Qwen3-30B-A3B-2507 教程

下面是关于该思考（Thinking）和指令（Instruct）模型版本的指南。

指令：Qwen3-30B-A3B-Instruct-2507

鉴于这是一个非思考模型，无需设置 thinking=False 并且模型不会生成 <think> </think> 块。

⚙️ 最佳实践

为实现最佳性能，Qwen 建议以下设置：

我们建议使用 temperature=0.7, top_p=0.8, top_k=20, 和 min_p=0.0 presence_penalty 如果框架支持，为减少无限重复建议在 0 到 2 之间设置。
temperature = 0.7
top_k = 20
min_p = 0.00 （llama.cpp 的默认值为 0.1）
top_p = 0.80
presence_penalty = 0.0 到 2.0 （llama.cpp 的默认会将其关闭，但为减少重复你可以使用此项）例如可以尝试 1.0。
本地原生支持最多 262,144 上下文，但你可以将其设置为 32,768 tokens 以减少内存占用

🦙 Ollama：运行 Qwen3-30B-A3B-Instruct-2507 教程

安装 ollama 如果你还没有这样做！你只能运行最大到 32B 的模型。

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

运行模型！注意如果失败，您可以在另一个终端中调用 ollama serve我们在 Hugging Face 上传中包含了所有修复和建议参数（如 temperature 等），位于 params 中！

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

✨ Llama.cpp：运行 Qwen3-30B-A3B-Instruct-2507 教程

获取最新的 llama.cpp 在此处的 GitHub。您也可以按照下面的构建说明进行。若 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 如果您没有 GPU 或仅想要在 CPU 上进行推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续 - Metal 支持默认启用。

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

您可以直接通过 HuggingFace 拉取：

./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

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer ）。你可以选择 UD_Q4_K_XL 或其他量化版本。

# !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*"],
)

思考：Qwen3-30B-A3B-Thinking-2507

该模型仅原生支持思考模式和 256K 的上下文窗口。默认的聊天模板会自动添加 <think> ，因此你可能在输出中只看到一个闭合的 </think> 标签。

⚙️ 最佳实践

为实现最佳性能，Qwen 建议以下设置：

我们建议使用 temperature=0.6, top_p=0.95, top_k=20, 和 min_p=0.0 presence_penalty 如果框架支持，为减少无限重复建议在 0 到 2 之间设置。
temperature = 0.6
top_k = 20
min_p = 0.00 （llama.cpp 的默认值为 0.1）
top_p = 0.95
presence_penalty = 0.0 到 2.0 （llama.cpp 的默认会将其关闭，但为减少重复你可以使用此项）例如可以尝试 1.0。
本地原生支持最多 262,144 上下文，但你可以将其设置为 32,768 tokens 以减少内存占用

🦙 Ollama：运行 Qwen3-30B-A3B-Instruct-2507 教程

安装 ollama 如果你还没有这样做！你只能运行最大到 32B 的模型。要运行完整的 235B-A22B 模型，请参阅这里.

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

运行模型！注意如果失败，您可以在另一个终端中调用 ollama serve我们在 Hugging Face 上传中包含了所有修复和建议参数（如 temperature 等），位于 params 中！

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

✨ Llama.cpp：运行 Qwen3-30B-A3B-Instruct-2507 教程

获取最新的 llama.cpp 在此处的 GitHub。您也可以按照下面的构建说明进行。若 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 如果您没有 GPU 或仅想要在 CPU 上进行推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续 - Metal 支持默认启用。

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

你可以直接通过 Hugging Face 拉取：

./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

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer ）。你可以选择 UD_Q4_K_XL 或其他量化版本。

# !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*"],
)

📖 运行 Qwen3-235B-A22B-2507 教程

下面是关于该思考（Thinking）和指令（Instruct）模型版本的指南。

思考：Qwen3-235B-A22B-Thinking-2507

该模型仅原生支持思考模式和 256K 的上下文窗口。默认的聊天模板会自动添加 <think> ，因此你可能在输出中只看到一个闭合的 </think> 标签。

⚙️ 最佳实践

为获得最佳性能，Qwen 建议对思考模型使用以下设置：

temperature = 0.6
top_k = 20
min_p = 0.00 （llama.cpp 的默认值为 0.1）
top_p = 0.95
presence_penalty = 0.0 到 2.0 （llama.cpp 的默认会将其关闭，但为减少重复你可以使用此项）例如可以尝试 1.0。
适当的输出长度: 对于大多数查询，思考变体请使用输出长度为 32,768 对于大多数查询的令牌数，这是足够的。

✨通过 llama.cpp 运行 Qwen3-235B-A22B-Thinking：

对于 Qwen3-235B-A22B，我们将专门使用 Llama.cpp 以优化推理并提供大量选项。

如果你想要一个 全精度未量化版本，请使用我们的 Q8_K_XL、Q8_0 或 BF16 版本！

获取最新的 llama.cpp 在此处的 GitHub。您也可以按照下面的构建说明进行。若 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 如果您没有 GPU 或仅想要在 CPU 上进行推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续 - Metal 支持默认启用。

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

你可以直接使用 llama.cpp 下载模型，但我通常建议使用 huggingface_hub 要直接使用 llama.cpp，请执行：

./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

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer ）。你可以选择 UD-Q2_K_XL 或其他量化版本。

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # 有时会有限速，因此设为 0 以禁用
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*"],
)

运行模型并尝试任意提示。
编辑 --threads -1 用于设置 CPU 线程数， --ctx-size 262114 作为上下文长度， --n-gpu-layers 99 用于指定将多少层卸载到 GPU。若 GPU 出现内存不足，请尝试调整它。若仅使用 CPU 推理，请移除此项。

使用 -ot ".ffn_.*_exps.=CPU" 将所有 MoE 层卸载到 CPU！这实际上允许您将所有非 MoE 层放在一块 GPU 上，从而提高生成速度。如果您有更多 GPU 容量，可以自定义正则表达式以卸载更多层。

./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

指令：Qwen3-235B-A22B-Instruct-2507

鉴于这是一个非思考模型，无需设置 thinking=False 并且模型不会生成 <think> </think> 块。

⚙️ 最佳实践

为获得最佳性能，我们建议以下设置：

1. 采样参数：我们建议使用 temperature=0.7、top_p=0.8、top_k=20 和 min_p=0. presence_penalty 如果框架支持，为减少无限重复建议在 0 到 2 之间设置。

2. 适当的输出长度：我们建议将输出长度设置为 16,384 对于大多数查询的令牌数，这对于指令模型来说是足够的。

3. 标准化输出格式： 我们建议在基准测试时使用提示语来标准化模型输出。

数学问题：包括 请逐步推理，并将你的最终答案放在 \boxed{} 中。 在提示中。
多项选择题：在提示中添加以下 JSON 结构以标准化响应："请在 `answer` 字段中仅显示你选择的字母，例如，`\"answer\": \"C\"。

✨通过 llama.cpp 运行 Qwen3-235B-A22B-Instruct：

对于 Qwen3-235B-A22B，我们将专门使用 Llama.cpp 以优化推理并提供大量选项。

如果你想要一个 全精度未量化版本，请使用我们的 Q8_K_XL、Q8_0 或 BF16 版本！

在此处获取最新的 llama.cpp： GitHub 你可以遵循下面的构建说明。更改 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 如果您没有 GPU 或仅想要在 CPU 上进行推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续 - Metal 支持默认启用。

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. 你可以直接使用 llama.cpp 下载模型，但我通常建议使用 huggingface_hub 要直接使用 llama.cpp，请执行：\

./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. 通过（在安装之后）下载模型 pip install huggingface_hub hf_transfer ）。你可以选择 UD-Q2_K_XL 或其他量化版本。

# !pip install huggingface_hub hf_transfer
import os
os.environ["HF_HUB_ENABLE_HF_TRANSFER"] = "0" # 有时会有限速，因此设为 0 以禁用
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. 运行模型并尝试任意提示。5. 编辑 --threads -1 用于设置 CPU 线程数， --ctx-size 262114 作为上下文长度， --n-gpu-layers 99 用于指定将多少层卸载到 GPU。若 GPU 出现内存不足，请尝试调整它。若仅使用 CPU 推理，请移除此项。

./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

🛠️ 提升生成速度

如果你有更多显存，可以尝试卸载更多 MoE 层，或将整个层本身卸载（offload）。

通常， -ot ".ffn_.*_exps.=CPU" 会将所有 MoE 层卸载到 CPU！这实际上允许你将所有非 MoE 层放在一块 GPU 上，从而提高生成速度。如果你有更多 GPU 容量，可以自定义正则表达式以适配更多层。

如果你有稍多的 GPU 内存，尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上投影和下投影的 MoE 层。

尝试 -ot ".ffn_(up)_exps.=CPU" 如果你有更多的 GPU 内存。这只会卸载上投影的 MoE 层。

你也可以自定义正则表达式，例如 -ot "\.(6|7|8|9|[0-9][0-9]|[0-9][0-9][0-9])\.ffn_(gate|up|down)_exps.=CPU" 表示从第 6 层起卸载 gate、up 和 down 的 MoE 层。

最新的 llama.cpp 版本还引入了高吞吐量模式。使用 llama-parallel。在此处阅读更多内容这里。你也可以 例如将 KV 缓存量化为 4 bit 以减少 VRAM / RAM 的移动，这也可以使生成过程更快。下一节讨论了 KV 缓存量化。

📐 如何适配长上下文

要适配更长的上下文，你可以使用 KV 缓存量化 将 K 和 V 缓存量化到更低位数。这也可以由于减少 RAM / VRAM 数据移动而提高生成速度。K 量化的可用选项（默认是 f16）包括下列项。

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

你应当使用那些 _1 变体以获得稍高的准确性，尽管速度会略慢。例如 q4_1, q5_1 因此尝试使用 --cache-type-k q4_1

你也可以对 V 缓存进行量化，但你需要 在编译 llama.cpp 时启用 Flash Attention 支持 通过 -DGGML_CUDA_FA_ALL_QUANTS=ON，并使用 --flash-attn 来启用它。安装 Flash Attention 之后，你就可以使用 --cache-type-v q4_1

🦥 使用 Unsloth 对 Qwen3-2507 进行微调

Unsloth 提供了 Qwen3 并使 Qwen3-2507 微调速度提升 2 倍，显存减少 70%，并支持 8 倍更长的上下文长度。因为 Qwen3-2507 仅以 30B 变体发布，这意味着使用 QLoRA（4 位）微调该模型大约需要一块 40GB 的 A100 GPU。

对于笔记本，由于模型无法适应 Colab 免费的 16GB GPU，你需要使用 40GB 的 A100。你可以使用我们的对话（Conversational）笔记本，但将数据集替换为你自己的任意数据集。这次你无需在数据集中合并推理，因为该模型没有推理能力。

Qwen3（14B）推理 + 对话笔记本

如果你使用的是旧版本 Unsloth 和/或在本地进行微调，请安装最新版本的 Unsloth：

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

Qwen3-2507 MOE 模型微调

微调支持包括 MOE 模型：30B-A3B 和 235B-A22B。Qwen3-30B-A3B 在配合 Unsloth 时可在 30GB 显存上运行。关于微调 MoE——微调路由层可能不是个好主意，所以我们默认将其禁用。

Qwen3-2507-4B 的笔记本： 思考（Thinking）和指令（Instruct）

30B-A3B 可放入 30GB 显存，但你可能缺少 RAM 或磁盘空间，因为必须下载完整的 16 位模型并在运行时转换为 4 位以用于 QLoRA 微调。这是因为无法直接导入 4 位 BnB MOE 模型的问题。此问题仅影响 MOE 模型。

如果你要微调 MOE 模型，请使用 FastModel 而不是 FastLanguageModel

from unsloth import FastModel
import torch
model, tokenizer = FastModel.from_pretrained(
    model_name = "unsloth/Qwen3-30B-A3B-Instruct-2507",
    max_seq_length = 2048，# 可为长上下文选择任意值！
    load_in_4bit = True，# 使用 4 位量化以减少内存
    load_in_8bit = False, # [新！] 精度略好，使用 2 倍内存
    full_finetuning = False, # [新！] 我们现在有全量微调！
    # token = "hf_...", # 如果使用受限模型则使用
)

上一页Qwen3-VL 下一页Complete LLM Directory

最后更新于4天前

这有帮助吗？

hashtag⚙️ 最佳实践

hashtag📖 运行 Qwen3-30B-A3B-2507 教程

hashtag指令：Qwen3-30B-A3B-Instruct-2507

hashtag⚙️ 最佳实践

hashtag🦙 Ollama：运行 Qwen3-30B-A3B-Instruct-2507 教程

hashtag✨ Llama.cpp：运行 Qwen3-30B-A3B-Instruct-2507 教程

hashtag思考：Qwen3-30B-A3B-Thinking-2507

hashtag⚙️ 最佳实践

hashtag🦙 Ollama：运行 Qwen3-30B-A3B-Instruct-2507 教程

hashtag✨ Llama.cpp：运行 Qwen3-30B-A3B-Instruct-2507 教程

hashtag📖 运行 Qwen3-235B-A22B-2507 教程

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

hashtag⚙️ 最佳实践

hashtag✨通过 llama.cpp 运行 Qwen3-235B-A22B-Thinking：

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

hashtag⚙️ 最佳实践

hashtag✨通过 llama.cpp 运行 Qwen3-235B-A22B-Instruct：

hashtag🛠️ 提升生成速度

hashtag📐 如何适配长上下文

hashtag🦥 使用 Unsloth 对 Qwen3-2507 进行微调

hashtagQwen3-2507 MOE 模型微调

⚙️ 最佳实践

📖 运行 Qwen3-30B-A3B-2507 教程

指令：Qwen3-30B-A3B-Instruct-2507

⚙️ 最佳实践

🦙 Ollama：运行 Qwen3-30B-A3B-Instruct-2507 教程

✨ Llama.cpp：运行 Qwen3-30B-A3B-Instruct-2507 教程

思考：Qwen3-30B-A3B-Thinking-2507

⚙️ 最佳实践

🦙 Ollama：运行 Qwen3-30B-A3B-Instruct-2507 教程

✨ Llama.cpp：运行 Qwen3-30B-A3B-Instruct-2507 教程

📖 运行 Qwen3-235B-A22B-2507 教程

思考：Qwen3-235B-A22B-Thinking-2507

⚙️ 最佳实践

✨通过 llama.cpp 运行 Qwen3-235B-A22B-Thinking：

指令：Qwen3-235B-A22B-Instruct-2507

⚙️ 最佳实践

✨通过 llama.cpp 运行 Qwen3-235B-A22B-Instruct：

🛠️ 提升生成速度

📐 如何适配长上下文

🦥 使用 Unsloth 对 Qwen3-2507 进行微调

Qwen3-2507 MOE 模型微调