🌠Qwen3-2507：本地运行指南

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

Qwen 发布了其 2507（2025年7月）更新，适用于 Qwen3 4B、30B 和 235B 模型，并引入了“思考”和“非思考”两个变体。非思考型‘Qwen3-30B-A3B-Instruct-2507”和“Qwen3-235B-A22B-Instruct-2507' 具有 256K 上下文窗口、改进的指令遵循能力、多语言能力和对齐能力。

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，其中 235B 在逻辑、数学、科学、编程和高级学术任务上取得了 SOTA 结果。

Unsloth 现在还支持微调和强化学习（RL） Qwen3-2507 模型的——速度提升 2 倍，显存占用减少 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 GGUF：

模型

要运行的 GGUF：

Qwen3-4B-2507

指令 • 思考

Qwen3-30B-A3B-2507

指令 • 思考

Qwen3-235B-A22B-2507

指令 • 思考

⚙️最佳实践

思考型和指令型模型的设置不同。思考型模型使用 temperature = 0.6，而指令型模型使用 temperature = 0.7 思考型模型使用 top_p = 0.95，而指令型模型使用 top_p = 0.8

为达到最佳性能，Qwen 建议使用以下设置：

指令型模型设置：

思考型模型设置：

Temperature = 0.7

Temperature = 0.6

Min_P = 0.00 （llama.cpp 的默认值是 0.1）

Top_P = 0.80

Top_P = 0.95

TopK = 20

presence_penalty = 0.0 到 2.0 （llama.cpp 默认会关闭它，但为了减少重复，你可以使用这个）

足够的输出长度：对大多数查询，思考版使用输出长度 32,768 大多数查询所需的 token 数，这对大多数查询已经足够。

两种模式的聊天模板（thinking 额外有 <think></think>），instruct 如下：

<|im_start|>user
嘿！<|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

下面是该思考和指令模型版本的指南。

指令型：Qwen3-30B-A3B-Instruct-2507

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

⚙️最佳实践

为达到最佳性能，Qwen 建议使用以下设置：

我们建议使用 temperature=0.7, top_p=0.8, top_k=20, and min_p=0.0 presence_penalty 在 0 到 2 之间，如果框架支持的话，以减少无休止的重复。
temperature = 0.7
top_k = 20
min_p = 0.00 （llama.cpp 的默认值是 0.1）
top_p = 0.80
presence_penalty = 0.0 到 2.0 （llama.cpp 默认会关闭它，但为了减少重复，你可以使用这个）例如尝试 1.0。
支持高达 262,144 本地上下文，但你可以将其设为 32,768 tokens，以减少 RAM 使用

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

安装 ollama 如果你还没有安装的话！你只能运行参数规模不超过 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，你可以在另一个终端中调用 ollama serve！我们把所有修复和建议参数（温度等）都包含在 params 中，位于我们上传到 Hugging Face 的文件里！

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 GitHub 上获取。你也可以按照下面的构建说明进行操作。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想使用 CPU 推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后按常规继续——Metal 支持默认开启。

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

你可以通过以下方式直接从 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*"],
)

思考型：Qwen3-30B-A3B-Thinking-2507

该模型原生仅支持思考模式和 256K 上下文窗口。默认聊天模板会自动添加 <think> ，因此你可能在输出中只看到一个结尾的 </think> 标签。

⚙️最佳实践

为达到最佳性能，Qwen 建议使用以下设置：

我们建议使用 temperature=0.6, top_p=0.95, top_k=20, and min_p=0.0 presence_penalty 在 0 到 2 之间，如果框架支持的话，以减少无休止的重复。
temperature = 0.6
top_k = 20
min_p = 0.00 （llama.cpp 的默认值是 0.1）
top_p = 0.95
presence_penalty = 0.0 到 2.0 （llama.cpp 默认会关闭它，但为了减少重复，你可以使用这个）例如尝试 1.0。
支持高达 262,144 本地上下文，但你可以将其设为 32,768 tokens，以减少 RAM 使用

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

安装 ollama 如果你还没有安装的话！你只能运行参数规模不超过 32B 的模型。要运行完整的 235B-A22B 模型，请看这里.

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，你可以在另一个终端中调用 ollama serve！我们把所有修复和建议参数（温度等）都包含在 params 中，位于我们上传到 Hugging Face 的文件里！

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 GitHub 上获取。你也可以按照下面的构建说明进行操作。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想使用 CPU 推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后按常规继续——Metal 支持默认开启。

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

你可以直接通过以下方式从 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

下面是该思考和指令模型版本的指南。

思考型：Qwen3-235B-A22B-Thinking-2507

该模型原生仅支持思考模式和 256K 上下文窗口。默认聊天模板会自动添加 <think> ，因此你可能在输出中只看到一个结尾的 </think> 标签。

⚙️ 最佳实践

为实现最佳性能，Qwen 推荐思考型模型使用以下设置：

temperature = 0.6
top_k = 20
min_p = 0.00 （llama.cpp 的默认值是 0.1）
top_p = 0.95
presence_penalty = 0.0 到 2.0 （llama.cpp 默认会关闭它，但为了减少重复，你可以使用这个）例如尝试 1.0。
足够的输出长度：对大多数查询，思考版使用输出长度 32,768 大多数查询所需的 token 数，这对大多数查询已经足够。

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

对于 Qwen3-235B-A22B，我们将特别使用 Llama.cpp 进行优化推理，并提供丰富的选项。

如果你想要一个 完整精度、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 GitHub 上获取。你也可以按照下面的构建说明进行操作。将 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想使用 CPU 推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后按常规继续——Metal 支持默认开启。

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" # 有时可能会触发速率限制，因此将其设为 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 CPU 线程数， --ctx-size 262114 作为上下文长度， --n-gpu-layers 99 用于 GPU 卸载的层数。如果你的 GPU 显存不足，请尝试调整它。如果你只使用 CPU 推理，也请将其移除。

使用 -ot ".ffn_.*_exps.=CPU" 将所有 MoE 层卸载到 CPU！这实际上让你可以把所有非 MoE 层放到 1 张 GPU 上，从而提升生成速度。如果你有更多 GPU 容量，还可以自定义正则表达式以容纳更多层。

./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

指令型：Qwen3-235B-A22B-Instruct-2507

鉴于这是一个非思考型模型，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，我们建议使用以下设置：

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 在 0 到 2 之间，如果框架支持的话，以减少无休止的重复。

2. 足够的输出长度：我们建议输出长度设为 16,384 个 token，适用于大多数查询，这对指令型模型已经足够。

3. 标准化输出格式： 在进行基准测试时，我们建议使用提示词来规范模型输出。

数学问题：包含 请逐步推理，并将最终答案放在 \boxed{} 中。 在提示词中。
选择题：向提示词中添加以下 JSON 结构以规范响应："请仅在 `answer` 字段中显示你的选择，只写选项字母，例如，`\"answer\": \"C\"。

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

对于 Qwen3-235B-A22B，我们将特别使用 Llama.cpp 进行优化推理，并提供丰富的选项。

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

在以下位置获取最新的 llama.cpp： GitHub 这里。你也可以按照下面的构建说明进行操作。更改 -DGGML_CUDA=ON 改为 -DGGML_CUDA=OFF 如果你没有 GPU，或者只想使用 CPU 推理。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后按常规继续——Metal 支持默认开启。

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 若要直接使用 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" # 有时可能会触发速率限制，因此将其设为 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词。5. 编辑 --threads -1 CPU 线程数， --ctx-size 262114 作为上下文长度， --n-gpu-layers 99 用于 GPU 卸载的层数。如果你的 GPU 显存不足，请尝试调整它。如果你只使用 CPU 推理，也请将其移除。

./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 VRAM，可以尝试卸载更多 MoE 层，或者直接卸载整个层。

通常， -ot ".ffn_.*_exps.=CPU" 会将所有 MoE 层卸载到 CPU！这实际上让你可以把所有非 MoE 层放到 1 张 GPU 上，从而提升生成速度。如果你有更多 GPU 容量，还可以自定义正则表达式以容纳更多层。

如果你有更多一点 GPU 内存，可以尝试 -ot ".ffn_(up|down)_exps.=CPU" 这会卸载上投影和下投影 MoE 层。

尝试 -ot ".ffn_(up)_exps.=CPU" 如果你有更多 GPU 内存。这只会卸载上投影 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 层开始，只卸载 gate、up 和 down MoE 层。

“ 最新的 llama.cpp 版本还引入了高吞吐模式。使用 llama-parallel. 了解更多这里. 你还可以 将 KV 缓存量化为 4 位 例如可减少 VRAM / RAM 之间的数据移动，这也能让生成过程更快。下一节将介绍 KV 缓存量化。

📐如何适配长上下文

要容纳更长的上下文，你可以使用 KV 缓存量化 将 K 和 V 缓存量化为更低的位数。这也可以因为减少 RAM / VRAM 数据传输而提高生成速度。K 量化允许的选项（默认是 f16）包括以下内容。

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

你应该使用 _1 这些变体以获得稍高的准确率，不过会稍慢一些。例如 q4_1, q5_1 所以请尝试 --cache-type-k q4_1

你也可以量化 V 缓存，但你需要 通过以下方式编译支持 Flash Attention 的 llama.cpp 支持，方法是使用 -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 微调 Qwen3-2507

Unsloth 使 Qwen3 并使 Qwen3-2507 的微调速度提升 2 倍，显存占用减少 70%，并支持 8 倍更长的上下文长度。由于 Qwen3-2507 仅发布了 30B 变体，这意味着你需要一块大约 40GB 的 A100 GPU，才能使用 QLoRA（4 位）对模型进行微调。

对于 notebook，由于模型无法放入 Colab 免费的 16GB GPU，你需要使用 40GB A100。你可以使用我们的对话 notebook，但将数据集替换为你正在使用的任意数据集。这次你不需要在数据集中包含推理内容，因为该模型没有推理能力。

Qwen3（14B）推理 + 对话 notebook

如果你使用的是旧版本的 Unsloth 和/或是在本地进行微调，请安装最新版的 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 可在 30GB 显存上通过 Unsloth 运行。对于 MoE 的微调——大概不建议微调路由层，所以我们默认将其禁用。

Qwen3-2507-4B notebook 适用于： 思考和指令

30B-A3B 可放入 30GB 显存，但你可能会缺少内存或磁盘空间，因为完整的 16 位模型必须先下载，然后在 QLoRA 微调时即时转换为 4 位。这是由于直接导入 4 位 BnB MOE 模型存在问题。这只影响 MOE 模型。

如果你正在微调 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, # 长上下文可任选任何值！
    load_in_4bit = True,  # 4 位量化以减少显存
    load_in_8bit = False, # [NEW!] 稍微更准确，使用 2 倍内存
    full_finetuning = False, # [NEW!] 我们现在支持完整微调！
    # token = "hf_...", # 如果使用受限模型则使用这个
)

上一页Qwen3-VL

下一页MiniMax-M2.7

最后更新于 5个月前

这有帮助吗？