💜Qwen3.5 - 如何本地运行指南

在本地设备上运行新的 Qwen3.5 LLMs，包括中等：Qwen3.5-35B-A3B、27B、122B-A10B，Small：Qwen3.5-0.8B、2B、4B、9B 和 397B-A17B！

Qwen3.5 是阿里巴巴的新模型系列，包括 Qwen3.5-35B-A3B， 27B, 122B-A10B 和 397B-A17B 以及新的小型系列：Qwen3.5-0.8B、2B、4B 和 9B。多模态混合推理大模型在各自规模上表现最强。它们支持 256K 上下文 覆盖 201 种语言，具有思考 + 非思考，并且在具有代理能力的编码、视觉、聊天和长上下文任务中表现出色。35B 和 27B 模型可在 22GB Mac / RAM 设备上运行。查看所有 GGUFs 在此.

3 月 5 日更新： 重新下载 Qwen3.5-35B, 27B, 122B 和 397B.

所有 GGUF 现已使用 改进的量化 算法进行更新。
全部使用我们的 新 imatrix 数据。在聊天、编码、长上下文和工具调用用例中可见一些改进。
工具调用已改进 通过我们的聊天模板修复之后。 修复为通用 并适用于任何 Qwen3.5 格式和任何上传器。
查看新的 GGUF 基准测试 以获取 Unsloth 性能结果 + 我们的 MXFP4 调查.
我们将从 3 个 Qwen3.5 GGUF 中移除 MXFP4 层：Q2_K_XL、Q3_K_XL 和 Q4_K_XL。

所有上传都使用 Unsloth Dynamic 2.0 以实现 SOTA 量化性能 - 因此 4 位量化会将重要层提升为 8 或 16 位。感谢 Qwen 在零日向 Unsloth 提供访问权限。你也可以微调 Qwen3.5 使用 Unsloth。

要启用或禁用思考，请参见 Qwen3.5。Qwen3.5 小型模型默认禁用。另见 LM Studio 指南以启用思考切换。

35B-A3B 27B 122B-A10B 397B-A17B 微调 Qwen3.5 0.8B • 2B • 4B • 9B

⚙️ 使用指南

表：推理硬件要求 （单位 = 总内存：RAM + VRAM，或统一内存）

Qwen3.5

3 位

4 位

6 位

8 位

BF16

0.8B + 2B

3 GB

3.5 GB

5 GB

7.5 GB

9 GB

4.5 GB

5.5 GB

7 GB

10 GB

14 GB

5.5 GB

6.5 GB

9 GB

13 GB

19 GB

27B

14 GB

17 GB

24 GB

30 GB

54 GB

35B-A3B

17 GB

22 GB

30 GB

38 GB

70 GB

122B-A10B

60 GB

70 GB

106 GB

132 GB

245 GB

397B-A17B

180 GB

214 GB

340 GB

512 GB

810 GB

为获得最佳性能，请确保您的可用总内存（VRAM + 系统 RAM）超过您正在下载的量化模型文件的大小。如果不够，llama.cpp 仍可通过 SSD/HDD 异步卸载运行，但推理会更慢。

在 27B 和 35B-A3B之间，如果您想要稍微更准确的结果且无法适配设备，请使用 27B。若想要更快的推理，请选择 35B-A3B。

Qwen3.5 推理教程：

因为 Qwen3.5 有许多不同规模，我们将为所有推理工作负载使用 Dynamic 4-bit MXFP4_MOE GGUF 变体。点击下方以跳转到指定模型说明：

Qwen3.5-35B-A3B 27B 122B-A10B 397B-A17B 小型（0.8B • 2B • 4B • 9B）LM Studio

Unsloth Dynamic GGUF 上传：

Qwen3.5-35B-A3B

Qwen3.5-27B

Qwen3.5-122B-A10B

Qwen3.5-397B-A17B

presence_penalty = 0.0 到 2.0 默认此项为关闭，但为减少重复你可以使用此设置，然而使用更高的值可能导致 性能略有下降。

目前没有 Qwen3.5 GGUF 能在 Ollama 中工作，因其视觉文件使用独立的 mmproj 文件。请使用与 llama.cpp 兼容的后端。

Qwen3.5-35B-A3B

在本指南中我们将使用 Dynamic 4-bit，在 24GB RAM / Mac 设备上可实现快速推理效果。因为模型在完整 F16 精度下仅约 72GB，所以我们不必太担心性能问题。GGUF： Qwen3.5-35B-A3B-GGUF

🦙 Llama.cpp 指南

对于这些教程，我们将使用 llama.cpp 用于快速本地推理，特别是如果你有 CPU 的情况下。

获取最新的 llama.cpp 在 GitHub 在此。你也可以按照下面的构建说明操作。若你没有 GPU 或只想要 CPU 推理，将 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 。

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
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

如果你想直接使用 llama.cpp 来加载模型，你可以按下面操作：（:Q4_K_M）是量化类型。你也可以通过 Hugging Face（第 3 点）下载。这类似于 ollama run 。使用 export LLAMA_CACHE="folder" 来强制 llama.cpp 保存到特定位置。该模型的最大上下文长度为 256K。

根据你的用例，遵循下面的特定命令之一：

思考模式：

精确编码任务（例如 WebDev）：

export LLAMA_CACHE="unsloth/Qwen3.5-35B-A3B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-35B-A3B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.6 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-35B-A3B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-35B-A3B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

非思考模式：

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-35B-A3B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-35B-A3B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.7 \
    --top-p 0.8 \
    --top-k 20 \
    --min-p 0.00 \
    --chat-template-kwargs '{"enable_thinking":false}'

推理任务：

export LLAMA_CACHE="unsloth/Qwen3.5-35B-A3B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-35B-A3B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00 \
    --chat-template-kwargs '{"enable_thinking":false}'

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer ）之后。你可以选择 Q4_K_M 或其他量化版本，如 UD-Q4_K_XL 。我们建议至少使用 2 位动态量化 UD-Q2_K_XL 以平衡大小和准确性。如果下载卡住，请参阅： Hugging Face Hub、XET 调试

hf download unsloth/Qwen3.5-35B-A3B-GGUF \
    --local-dir unsloth/Qwen3.5-35B-A3B-GGUF \
    --include "*UD-Q4_K_XL*" # 对于动态 2 位使用 "*UD-Q2_K_XL*"

然后以对话模式运行模型：

./llama.cpp/llama-cli \
    --model unsloth/Qwen3.5-35B-A3B-GGUF/Qwen3.5-35B-A3B-UD-Q4_K_XL.gguf \
    --mmproj unsloth/Qwen3.5-35B-A3B-GGUF/mmproj-F16.gguf \
    --seed 3407 \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --top-k 40

Qwen3.5 Small（0.8B • 2B • 4B • 9B）

对于 Qwen3.5 0.8B、2B、4B 和 9B， 推理默认被禁用 默认情况下。要启用它，请使用： --chat-template-kwargs '{"enable_thinking":true}'

在 Windows 上使用： --chat-template-kwargs "{\"enable_thinking\":true}"

对于 Qwen3.5 Small 系列，因为它们很小，你只需在脚本中将模型名称更改为所需变体。对于本指南我们将使用 9B 参数变体。要以接近全精度运行它们，你只需要 12GB 的内存 / 显存 / 统一内存设备。GGUF 文件：

获取最新的 llama.cpp 在 GitHub 在此。你也可以按照下面的构建说明操作。若你没有 GPU 或只想要 CPU 推理，将 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 。

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
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

如果你想直接使用 llama.cpp 直接加载模型，你可以如下操作：（:Q4_K_XL）是量化类型。你也可以通过 Hugging Face（第 3 点）下载。这与...类似 ollama run 。使用 export LLAMA_CACHE="folder" 来强制 llama.cpp 保存到特定位置。该模型的最大上下文长度为 256K。

根据你的用例，遵循下面的特定命令之一：

要使用除 9B 以外的其他变体，你可以将“9B”更改为：0.8B、2B 或 4B 等。

思考模式（默认禁用）

Qwen3.5 Small 模型默认禁用思考。使用 llama-server 可启用它。

export LLAMA_CACHE="unsloth/Qwen3.5-9B-GGUF"
./llama.cpp/llama-server \
    -hf unsloth/Qwen3.5-9B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.6 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00 \
    --alias "unsloth/Qwen3.5-9B-GGUF" \
    --port 8001 \
    --chat-template-kwargs '{"enable_thinking":true}'

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-9B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-9B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00 \
    --alias "unsloth/Qwen3.5-9B-GGUF" \
    --port 8001 \
    --chat-template-kwargs '{"enable_thinking":true}'

要使用除 9B 以外的其他变体，你可以将“9B”更改为：0.8B、2B 或 4B 等。

非思考模式默认已启用

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-9B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-9B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.7 \
    --top-p 0.8 \
    --top-k 20 \
    --min-p 0.00

推理任务：

export LLAMA_CACHE="unsloth/Qwen3.5-9B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-9B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

hf download unsloth/Qwen3.5-9B-GGUF \
    --local-dir unsloth/Qwen3.5-9B-GGUF \
    --include "*UD-Q4_K_XL*" # 对于动态 2 位使用 "*UD-Q2_K_XL*"

然后以对话模式运行模型：

./llama.cpp/llama-cli \
    --model unsloth/Qwen3.5-9B-GGUF/Qwen3.5-9B-UD-Q4_K_XL.gguf \
    --mmproj unsloth/Qwen3.5-9B-GGUF/mmproj-F16.gguf \
    --seed 3407 \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --top-k 40

Qwen3.5-27B

在本指南中我们将使用动态 4 位，它在 18GB 内存 / Mac 设备上用于快速推理效果很好。GGUF： Qwen3.5-27B-GGUF

获取最新的 llama.cpp 在 GitHub 在此。你也可以按照下面的构建说明操作。若你没有 GPU 或只想要 CPU 推理，将 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 。

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
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

根据你的用例，遵循下面的特定命令之一：

思考模式：

精确编码任务（例如 WebDev）：

export LLAMA_CACHE="unsloth/Qwen3.5-27B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-27B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.6 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-27B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-27B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

非思考模式：

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-27B-GGUF"
./llama.cpp/llama-server \
    -hf unsloth/Qwen3.5-27B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.7 \
    --top-p 0.8 \
    --top-k 20 \
    --min-p 0.00 \
    --chat-template-kwargs '{"enable_thinking":false}'

推理任务：

export LLAMA_CACHE="unsloth/Qwen3.5-27B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-27B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00 \
    --chat-template-kwargs '{"enable_thinking":false}'

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer )。你可以选择 MXFP4_MOE 或其他量化版本例如 UD-Q4_K_XL 。我们建议至少使用 2 位动态量化 UD-Q2_K_XL 以平衡大小和准确性。如果下载卡住，请参阅： Hugging Face Hub、XET 调试

hf download unsloth/Qwen3.5-27B-GGUF \
    --local-dir unsloth/Qwen3.5-27B-GGUF \
    --include "*UD-Q4_K_XL*" # 对于动态 2 位使用 "*UD-Q2_K_XL*"

然后以对话模式运行模型：

./llama.cpp/llama-cli \
    --model unsloth/Qwen3.5-27B-GGUF/Qwen3.5-27B-UD-Q4_K_XL.gguf \
    --mmproj unsloth/Qwen3.5-27B-GGUF/mmproj-F16.gguf \
    --seed 3407 \
    --temp 1.0 \
    --top-p 0.95 \
    --min-p 0.01 \
    --top-k 40

Qwen3.5-122B-A10B

在本指南中我们将使用动态 4 位，它在 70GB 内存 / Mac 设备上用于快速推理效果很好。GGUF： Qwen3.5-122B-A10B-GGUF

获取最新的 llama.cpp 在 GitHub 在此。你也可以按照下面的构建说明操作。若你没有 GPU 或只想要 CPU 推理，将 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 。

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
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

根据你的用例，遵循下面的特定命令之一：

思考模式：

精确编码任务（例如 WebDev）：

export LLAMA_CACHE="unsloth/Qwen3.5-122B-A10B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-122B-A10B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.6 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-122B-A10B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-122B-A10B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

非思考模式：

通用任务：

export LLAMA_CACHE="unsloth/Qwen3.5-122B-A10B-GGUF"
./llama.cpp/llama-server \
    -hf unsloth/Qwen3.5-122B-A10B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.7 \
    --top-p 0.8 \
    --top-k 20 \
    --min-p 0.00 \
    --chat-template-kwargs '{"enable_thinking":false}'

推理任务：

export LLAMA_CACHE="unsloth/Qwen3.5-122B-A10B-GGUF"
./llama.cpp/llama-server \
    -hf unsloth/Qwen3.5-122B-A10B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 1.0 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00 \
    --chat-template-kwargs '{"enable_thinking":false}'

通过以下方式下载模型（在安装 pip install huggingface_hub hf_transfer )。你可以选择 MXFP4_MOE （动态 4 位）或其他量化版本例如 UD-Q4_K_XL 。我们建议至少使用 2 位动态量化 UD-Q2_K_XL 以平衡大小和准确性。如果下载卡住，请参阅： Hugging Face Hub、XET 调试

hf download unsloth/Qwen3.5-122B-A10B-GGUF \
    --local-dir unsloth/Qwen3.5-122B-A10B-GGUF \
    --include "*UD-Q4_K_XL*" # 对于动态 2 位使用 "*UD-Q2_K_XL*"

然后以对话模式运行模型：

./llama.cpp/llama-cli \
    --model unsloth/Qwen3.5-122B-A10B-GGUF/UD-Q4_K_XL/Qwen3.5-122B-A10B-UD-Q4_K_XL-00001-of-00003.gguf \
    --mmproj unsloth/Qwen3.5-122B-A10B-GGUF/mmproj-F16.gguf \
    --ctx-size 16384 \
    --temp 0.6 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00
    --seed 3407

Qwen3.5-397B-A17B

Qwen3.5-397B-A17B 与 Gemini 3 Pro、Claude Opus 4.5 和 GPT-5.2 属于相同的性能档次。完整的 397B 检查点在磁盘上约为 ~807GB，但通过 Unsloth 的 397B GGUF 文件你可以运行：

3 位: 适用于 192GB 内存 系统（例如，一台 192GB 的 Mac）
4 位（MXFP4）: 适用于 256GB 内存。Unsloth 4 位动态 UD-Q4_K_XL 是 在磁盘上约为 ~214GB - 直接加载在一个 256GB M3 Ultra
运行于 单个 24GB GPU + 256GB 系统内存 通过 MoE 卸载，达到 25+ 令牌/秒
8 位 需要 ~512GB 内存/显存

参见 397B 量化基准了解 Unsloth GGUF 的性能。

获取最新的 llama.cpp 在 GitHub 在此。你也可以按照下面的构建说明操作。若你没有 GPU 或只想要 CPU 推理，将 -DGGML_CUDA=ON 更改为 -DGGML_CUDA=OFF 。

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
cmake --build llama.cpp/build --config Release -j --clean-first --target llama-cli llama-mtmd-cli llama-server llama-gguf-split
cp llama.cpp/build/bin/llama-* llama.cpp

如果你想直接使用 llama.cpp 来加载模型，你可以按下面操作：（:Q4_K_M）是量化类型。你也可以通过 Hugging Face（第 3 点）下载。这类似于 ollama run 。使用 export LLAMA_CACHE="folder" 来强制 llama.cpp 以保存到特定位置。请记住该模型的最大上下文长度仅为 256K。

请按此操作以获得思考模式：

export LLAMA_CACHE="unsloth/Qwen3.5-397B-A17B-GGUF"
./llama.cpp/llama-cli \
    -hf unsloth/Qwen3.5-397B-A17B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.6 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00

请按此操作以获得 非思考 模式：

export LLAMA_CACHE="unsloth/Qwen3.5-397B-A17B-GGUF"
./llama.cpp/llama-server \
    -hf unsloth/Qwen3.5-397B-A17B-GGUF:UD-Q4_K_XL \
    --ctx-size 16384 \
    --temp 0.7 \
    --top-p 0.8 \
    --top-k 20 \
    --min-p 0.00 \
    --chat-template-kwargs '{"enable_thinking":false}'

hf download unsloth/Qwen3.5-397B-A17B-GGUF \
    --local-dir unsloth/Qwen3.5-397B-A17B-GGUF \
    --include "*UD-Q4_K_XL" # 对于动态 2 位使用 "*UD-Q2_K_XL*"

你可以编辑 --threads 32 以设置 CPU 线程数量， --ctx-size 16384 以设置上下文长度， --n-gpu-layers 2 以设置用于 GPU 卸载的层数。如果你的 GPU 出现内存不足，请尝试调整它。如果你仅使用 CPU 推理，也请移除该参数。

./llama.cpp/llama-cli \
    --model unsloth/Qwen3.5-397B-A17B-GGUF/UD-Q4_K_XL/Qwen3.5-397B-A17B-UD-Q4_K_XL-00001-of-00006.gguf \
    --mmproj unsloth/Qwen3.5-397B-A17B-GGUF/mmproj-F16.gguf \
    --ctx-size 16384 \
    --temp 0.6 \
    --top-p 0.95 \
    --top-k 20 \
    --min-p 0.00
    --seed 3407

👾 LM Studio 指南

在本指南中，我们将使用 LM Studio，一个用于运行大型语言模型的统一界面。'💡Thinking' 和 'Non-thinking' 切换可能默认未显示，因此我们需要一些额外步骤来使其工作。

下载 LM Studio 适用于你的设备。然后打开模型搜索，搜索 'unsloth/qwen3.5'，并下载你想要的 GGUF（量化）文件。

思考切换说明： 下载后，打开你的终端 / PowerShell 并尝试： lms --help。然后如果 LM Studio 正常出现并显示许多命令，运行：

lms get unsloth/qwen3.5-4b

这将获取一个 yaml 文件，使你的 GGUF 出现 '💡Thinking' 和 'Non-thinking' 切换。你可以将 4b 更改为你想要的量化类型。

或者，你可以去我们的 LM Studio 页面并下载特定的 yaml 文件。

重启 LM Studio，然后加载你下载的模型（带有你下载的特定思考切换）。现在你应该能看到思考切换已启用。别忘了设置正确的参数.

🦙 Llama-server 服务 & OpenAI 的 completion 库

为了将 Qwen3.5-397B-A17B 部署到生产环境，我们使用 llama-server 在新终端（例如通过 tmux）中，通过以下方式部署模型：

./llama.cpp/llama-server \
--model unsloth/Qwen3.5-35B-A3B-GGUF/Qwen3.5-35B-A3B-UD-Q4_K_XL.gguf \
    --mmproj unsloth/Qwen3.5-35B-A3B-GGUF/mmproj-F16.gguf \
    --alias "unsloth/Qwen3.5-35B-A3B" \
    --temp 0.6 \
    --top-p 0.95 \
    --ctx-size 16384 \
    --top-k 20 \
    --min-p 0.00 \
    --port 8001

然后在新的终端中，完成以下操作后 pip install openai，执行：

from openai import OpenAI
import json
openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
    api_key = "sk-no-key-required",
)
completion = openai_client.chat.completions.create(
    model = "unsloth/Qwen3.5-397B-A17B",
    messages = [{"role": "user", "content": "Create a Snake game."},],
)
print(completion.choices[0].message.content)

🤔 如何启用或禁用推理与思考

对于下面的命令，你可以互换使用 'true' 和 'false '。要使 LM Studio 的思考切换，阅读我们的指南.

要禁用思考 / 推理，请在 llama-server 中使用：

    --chat-template-kwargs '{"enable_thinking":false}'

如果你在 Windows 或在 Powershell 中，使用： --chat-template-kwargs "{\"enable_thinking\":false}"

要启用思考 / 推理，请在 llama-server 中使用：

    --chat-template-kwargs '{"enable_thinking":true}'

如果你在 Windows 或在 Powershell 中，使用： --chat-template-kwargs "{\"enable_thinking\":true}"

对于 Qwen3.5 0.8B、2B、4B 和 9B，推理默认被禁用。要启用它，请使用： --chat-template-kwargs '{"enable_thinking":true}'

在 Windows 或 Powershell 上： --chat-template-kwargs "{\"enable_thinking\":true}"

以 Qwen3.5-9B 为例要启用思考（默认禁用）：

./llama.cpp/llama-server \
    --model unsloth/Qwen3.5-9B-GGUF/Qwen3.5-9B-BF16.gguf \
    --alias "unsloth/Qwen3.5-9B-GGUF" \
    --temp 0.6 \
    --top-p 0.95 \
    --ctx-size 16384 \
    --top-k 20 \
    --min-p 0.00 \
    --port 8001 \
    --chat-template-kwargs '{"enable_thinking":true}'

然后在 Python 中：

from openai import OpenAI
import json
openai_client = OpenAI(
    base_url = "http://127.0.0.1:8001/v1",
    api_key = "sk-no-key-required",
)
completion = openai_client.chat.completions.create(
    model = "unsloth/Qwen3.5-9B-GGUF",
    messages = [{"role": "user", "content": "What is 2+2?"},],
)
print(completion.choices[0].message.content)
print(completion.choices[0].message.reasoning_content)

👨‍💻 OpenAI Codex 与 Claude Code

要通过本地的编程代理工作负载运行模型，你可以遵循我们的指南。只需将模型名 'GLM-4.7-Flash' 更改为你想要的 'Qwen3.5' 变体，并确保按照正确的 Qwen3.5 参数和使用说明进行。使用我们刚刚设置的配置。 llama-server 我们刚才设置的那套。

Claude Code

OpenAI Codex

例如，按照 Claude Code 的说明后你将看到：

然后我们可以例如请求 创建一个象棋的 Python 游戏 :

🔨Qwen3.5 的工具调用

参见 Tool Calling Guide 有关如何进行工具调用的更多详细信息，请参阅。在新终端中（如果使用 tmux，请按 CTRL+B+D），我们创建一些工具，例如相加两个数字、执行 Python 代码、执行 Linux 功能等：

import json, subprocess, random
from typing import Any
def add_number(a: float | str, b: float | str) -> float:
    return float(a) + float(b)
def multiply_number(a: float | str, b: float | str) -> float:
    return float(a) * float(b)
def substract_number(a: float | str, b: float | str) -> float:
    return float(a) - float(b)
def write_a_story() -> str:
    return random.choice([
        "很久很久以前在一个遥远的银河系……",
        "有两个朋友，他们喜欢树懒和代码……",
        "世界正要毁灭，因为每只树懒都进化出了超人的智慧……",
        "在一个朋友不知情的情况下，另一个朋友不小心编写了一个会让树懒进化的程序……",
    ])
def terminal(command: str) -> str:
    if "rm" in command or "sudo" in command or "dd" in command or "chmod" in command:
        msg = "无法执行 'rm, sudo, dd, chmod' 命令，因为它们很危险"
        print(msg); return msg
    print(f"正在执行终端命令 `{command}`")
    try:
        return str(subprocess.run(command, capture_output = True, text = True, shell = True, check = True).stdout)
    except subprocess.CalledProcessError as e:
        return f"命令失败：{e.stderr}"
def python(code: str) -> str:
    data = {}
    exec(code, data)
    del data["__builtins__"]
    return str(data)
MAP_FN = {
    "add_number": add_number,
    "multiply_number": multiply_number,
    "substract_number": substract_number,
    "write_a_story": write_a_story,
    "terminal": terminal,
    "python": python,
}
tools = [
    {
        "type": "function",
        "function": {
            "name": "add_number",
            "description": "将两个数字相加。",
            "parameters": {
                "type": "object",
                "properties": {
                    "a": {
                        "type": "string",
                        "description": "第一个数字。",
                    },
                    "b": {
                        "type": "string",
                        "description": "第二个数字。",
                    },
                },
                "required": ["a", "b"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "multiply_number",
            "description": "将两个数字相乘。",
            "parameters": {
                "type": "object",
                "properties": {
                    "a": {
                        "type": "string",
                        "description": "第一个数字。",
                    },
                    "b": {
                        "type": "string",
                        "description": "第二个数字。",
                    },
                },
                "required": ["a", "b"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "substract_number",
            "description": "将两个数字相减。",
            "parameters": {
                "type": "object",
                "properties": {
                    "a": {
                        "type": "string",
                        "description": "第一个数字。",
                    },
                    "b": {
                        "type": "string",
                        "description": "第二个数字。",
                    },
                },
                "required": ["a", "b"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "write_a_story",
            "description": "写一个随机故事。",
            "parameters": {
                "type": "object",
                "properties": {},
                "required": [],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "terminal",
            "description": "从终端执行操作。",
            "parameters": {
                "type": "object",
                "properties": {
                    "command": {
                        "type": "string",
                        "description": "您希望启动的命令，例如 `ls`、`rm` 等。",
                    },
                },
                "required": ["command"],
            },
        },
    },
    {
        "type": "function",
        "function": {
            "name": "python",
            "description": "使用一些将要运行的 Python 代码调用 Python 解释器。",
            "parameters": {
                "type": "object",
                "properties": {
                    "code": {
                        "type": "string",
                        "description": "要运行的 Python 代码",
                    },
                },
                "required": ["code"],
            },
        },
    },
]

然后我们使用下面的函数（复制并粘贴并执行），它们将自动解析函数调用并为任何模型调用 OpenAI 端点：

from openai import OpenAI
def unsloth_inference(
    messages,
    temperature = 0.6,
    top_p = 0.95,
    top_k = 20,
    min_p = 0.00,
    repetition_penalty = 1.0,
):
    messages = messages.copy()
    openai_client = OpenAI(
        base_url = "http://127.0.0.1:8001/v1",
        api_key = "sk-no-key-required",
    )
    model_name = next(iter(openai_client.models.list())).id
    print(f"Using model = {model_name}")
    has_tool_calls = True
    original_messages_len = len(messages)
    while has_tool_calls:
        print(f"Current messages = {messages}")
        response = openai_client.chat.completions.create(
            model = model_name,
            messages = messages,
            temperature = temperature,
            top_p = top_p,
            tools = tools if tools else None,
            tool_choice = "auto" if tools else None,
            extra_body = {"top_k": top_k, "min_p": min_p, "repetition_penalty" :repetition_penalty,}
        )
        tool_calls = response.choices[0].message.tool_calls or []
        content = response.choices[0].message.content or ""
        tool_calls_dict = [tc.to_dict() for tc in tool_calls] if tool_calls else tool_calls
        messages.append({"role": "assistant", "tool_calls": tool_calls_dict, "content": content,})
        for tool_call in tool_calls:
            fx, args, _id = tool_call.function.name, tool_call.function.arguments, tool_call.id
            out = MAP_FN[fx](**json.loads(args))
            messages.append({"role": "tool", "tool_call_id": _id, "name": fx, "content": str(out),})
        else:
            has_tool_calls = False
    return messages

通过以下方式启动 Qwen3.5 后， llama-server 就像在 Qwen3.5 或参见 Tool Calling Guide 了解更多细节，然后我们可以进行一些工具调用。

📊 基准测试

Unsloth GGUF 基准

我们更新了 Qwen3.5-35B Unsloth 动态量化， 成为最先进（SOTA）， 在几乎所有方面。我们进行了超过 150 次 KL 散度基准测试，累计 9TB 的 GGUF 文件，。我们上传了所有研究成果。我们还修复了一个 工具调用 聊天模板 错误， （影响所有量化上传器）

所有 GGUF 现已使用 改进的量化 算法进行更新。
全部使用我们的 新 imatrix 数据。在聊天、编码、长上下文和工具调用用例中可见一些改进。
Qwen3.5-35B-A3B 的 GGUF 已更新以使用新的修复（112B、27B 仍在转换，更新后请重新下载）
99.9% 的 KL 散度显示为最先进， 在帕累托前沿针对 UD-Q4_K_XL、IQ3_XXS 等。
弃用 MXFP4 从所有 GGUF 量化中：Q2_K_XL、Q3_K_XL 和 Q4_K_XL，除了纯 MXFP4_MOE。

在此阅读我们详细的 QWEN3.5 分析 + 基准：

Qwen3.5 GGUF 基准

Qwen3.5-397B-A17B 基准测试

Benjamin Marie（第三方）基准测试了 Qwen3.5-397B-A17B 在一台使用 Unsloth GGUF 的机器上， 750 条提示混合套件， （LiveCodeBench v6、MMLU Pro、GPQA、Math500），报告了 总体准确率， 和 相对错误增加， （量化模型比原始模型更常出错的程度）。

关键结果（准确率；相对于原始的变化；相对错误增加）：

原始权重： 81.3%
UD-Q4_K_XL： 80.5% （−0.8 点；相对错误增加 +4.3%）
UD-Q3_K_XL： 80.7% （−0.6 点；相对错误增加 +3.5%）

UD-Q4_K_XL 和 UD-Q3_K_XL 与原始模型非常接近， 在该套件上的准确率下降远低于 1 个点， Ben 暗示你可以， 大幅减少内存占用， (约少 ~500 GB，）在所测试的任务上几乎没有实际损失。

如何选择： 在这个基准中 Q3 比 Q4 稍高是完全可能的，这在此规模上属于正常的运行间方差，因此请将 Q3 和 Q4 视为在效果上质量相似， 在此基准中：

选择 Q3 如果你想要 最小的占用 / 最佳内存节省，
选择 Q4 如果你想要一个 稍微更保守的， 选项，具有 相似的 结果，

所有列出的量化都使用我们的动态方法。即使 UD-IQ2_M 也使用相同的动态方法，然而转换过程与 UD-Q2-K-XL 不同， UD-IQ2_M 其中 K-XL 通常比更快， UD-IQ2_M 尽管它更大，所以这就是为什么 UD-Q2-K-XL.

可能比表现更好，

官方 Qwen 基准，

Qwen3.5-35B-A3B、27B 和 122B-A10B 基准，

Qwen3.5-397B-A17B 基准测试

上一页Ultra Long Context RL 下一页Qwen3.5 GGUF 基准

最后更新于1天前

这有帮助吗？

💜Qwen3.5 - 如何本地运行指南

⚙️ 使用指南

推荐设置

思考模式：

指令（非思考）模式设置：

Qwen3.5 推理教程：

Qwen3.5-35B-A3B

🦙 Llama.cpp 指南

Qwen3.5 Small（0.8B • 2B • 4B • 9B）

Qwen3.5-27B

Qwen3.5-122B-A10B

Qwen3.5-397B-A17B

👾 LM Studio 指南

🦙 Llama-server 服务 & OpenAI 的 completion 库

🤔 如何启用或禁用推理与思考

👨‍💻 OpenAI Codex 与 Claude Code

🔨Qwen3.5 的工具调用

📊 基准测试

Unsloth GGUF 基准

Qwen3.5-397B-A17B 基准测试

可能比表现更好，

官方 Qwen 基准，

Qwen3.5-35B-A3B、27B 和 122B-A10B 基准，

Qwen3.5-397B-A17B 基准测试

hashtag⚙️ 使用指南

hashtag推荐设置

hashtag思考模式：

hashtag指令（非思考）模式设置：

hashtagQwen3.5 推理教程：

hashtagQwen3.5-35B-A3B

hashtag🦙 Llama.cpp 指南

hashtagQwen3.5 Small（0.8B • 2B • 4B • 9B）

hashtagQwen3.5-27B

hashtagQwen3.5-122B-A10B

hashtagQwen3.5-397B-A17B

hashtag👾 LM Studio 指南

hashtag🦙 Llama-server 服务 & OpenAI 的 completion 库

hashtag🤔 如何启用或禁用推理与思考

hashtag👨‍💻 OpenAI Codex 与 Claude Code

hashtag🔨Qwen3.5 的工具调用

hashtag📊 基准测试

hashtagUnsloth GGUF 基准

hashtagQwen3.5-397B-A17B 基准测试

hashtag可能比 表现更好，

hashtag官方 Qwen 基准，

hashtagQwen3.5-35B-A3B、27B 和 122B-A10B 基准，

hashtagQwen3.5-397B-A17B 基准测试

⚙️ 使用指南

推荐设置

思考模式：

指令（非思考）模式设置：

Qwen3.5 推理教程：

Qwen3.5-35B-A3B

🦙 Llama.cpp 指南

Qwen3.5 Small（0.8B • 2B • 4B • 9B）

Qwen3.5-27B

Qwen3.5-122B-A10B

Qwen3.5-397B-A17B

👾 LM Studio 指南

🦙 Llama-server 服务 & OpenAI 的 completion 库

🤔 如何启用或禁用推理与思考

👨‍💻 OpenAI Codex 与 Claude Code

🔨Qwen3.5 的工具调用

📊 基准测试

Unsloth GGUF 基准

Qwen3.5-397B-A17B 基准测试

可能比表现更好，

官方 Qwen 基准，

Qwen3.5-35B-A3B、27B 和 122B-A10B 基准，

Qwen3.5-397B-A17B 基准测试