🌠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， Qwen3 面向 4B、30B 和 235B 模型，引入了“思考”和“非思考”两个变体。非思考的“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、多语言能力和对齐能力。

思考模型“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、编码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，VRAM 占用减少 70%，上下文长度增加 8 倍

运行 30B-A3B 运行 235B-A22B 微调 Qwen3-2507

Unsloth Dynamic 2.0 GGUF：

模型

用于运行的 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

思考模型和 Instruct 模型的设置不同。思考模型使用 temperature = 0.6，但 Instruct 模型使用 temperature = 0.7 思考模型使用 top_p = 0.95，但 Instruct 模型使用 top_p = 0.8

为获得最佳性能，Qwen 建议使用以下设置：

Instruct 模型设置：

思考模型设置：

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 默认是关闭的，但为了减少重复，你可以使用这个）

足够的输出长度：为大多数查询使用 32,768 个 token 的输出长度，这对大多数查询来说已经足够。

两种模式的聊天模板（思考模式有 <think></think>）和 Instruct 如下：

<|im_start|>user
你好呀！<|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

下面是该模型思考以及指令各版本的指南。

Instruct：Qwen3-30B-A3B-Instruct-2507

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

⚙️最佳实践

为获得最佳性能，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, 和 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 默认是关闭的，但为了减少重复，你可以使用这个）例如试试 1.0。
原生支持最多 262,144 上下文，但你可以将其设置为 32,768 个 token，以减少 RAM 占用

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

安装 ollama 如果你还没这样做！你只能运行大小不超过 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 ollama serve另一个终端中调用它！我们把所有修复和建议参数（temperature 等）都包含在 params 中，位于我们的 Hugging Face 上传里！

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 默认开启 GitHub 仓库。你也可以按照下面的构建说明进行。将 -DGGML_CUDA=ON 到 -DGGML_CUDA=OFF 改为适用于没有 GPU 或只想进行 CPU 推理的情况。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续——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 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（安装后）下载模型 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> ，因此你在输出中可能只会看到一个关闭的 </think> 标签。

⚙️最佳实践

为获得最佳性能，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, 和 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 默认是关闭的，但为了减少重复，你可以使用这个）例如试试 1.0。
原生支持最多 262,144 上下文，但你可以将其设置为 32,768 个 token，以减少 RAM 占用

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

安装 ollama 如果你还没这样做！你只能运行大小不超过 32B 的模型。要运行完整的 235B-A22B 模型，见此处.

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 ollama serve另一个终端中调用它！我们把所有修复和建议参数（temperature 等）都包含在 params 中，位于我们的 Hugging Face 上传里！

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 默认开启 GitHub 仓库。你也可以按照下面的构建说明进行。将 -DGGML_CUDA=ON 到 -DGGML_CUDA=OFF 改为适用于没有 GPU 或只想进行 CPU 推理的情况。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续——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 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（安装后）下载模型 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

下面是该模型思考以及指令各版本的指南。

思考：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> ，因此你在输出中可能只会看到一个关闭的 </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 的默认值是 0.1）
top_p = 0.95
presence_penalty = 0.0 到 2.0 （llama.cpp 默认是关闭的，但为了减少重复，你可以使用这个）例如试试 1.0。
足够的输出长度：为大多数查询使用 32,768 个 token 的输出长度，这对大多数查询来说已经足够。

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

对于 Qwen3-235B-A22B，我们将专门使用 Llama.cpp 以获得优化的推理和丰富的选项。

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 默认开启 GitHub 仓库。你也可以按照下面的构建说明进行。将 -DGGML_CUDA=ON 到 -DGGML_CUDA=OFF 改为适用于没有 GPU 或只想进行 CPU 推理的情况。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续——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（安装后）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" # 有时会触发速率限制，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词。
编辑 --threads -1 用于 CPU 线程数， --ctx-size 262114 作为上下文长度， --n-gpu-layers 99 用于 GPU 卸载层数。如果你的 GPU 显存不足，请尝试调整它。如果你只进行 CPU 推理，也请移除它。

使用 -ot ".ffn_.*_exps.=CPU" 将所有 MoE 层卸载到 CPU！这实际上允许你把所有非 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，可以自定义正则表达式来适配更多层。

./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

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

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

⚙️最佳实践

为获得最佳性能，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：我们建议为大多数查询使用 16,384 个 token 的输出长度，这对 instruct 模型来说已经足够。

3. 标准化输出格式： 我们建议在基准测试时使用提示词来标准化模型输出。

数学题：请加入 请逐步推理，并将最终答案放在 \boxed{} 中。 到提示词中。
多项选择题：在提示词中加入以下 JSON 结构以标准化回答：“请在 `answer` 字段中只给出选项字母，例如，`"answer": "C"。

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

对于 Qwen3-235B-A22B，我们将专门使用 Llama.cpp 以获得优化的推理和丰富的选项。

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 版本， GitHub 在这里。你也可以按照下面的构建说明进行操作。更改 -DGGML_CUDA=ON 到 -DGGML_CUDA=OFF 改为适用于没有 GPU 或只想进行 CPU 推理的情况。 对于 Apple Mac / Metal 设备，设置 -DGGML_CUDA=OFF 然后照常继续——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 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（安装后）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" # 有时会触发速率限制，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词。 5. 编辑 --threads -1 用于 CPU 线程数， --ctx-size 262114 作为上下文长度， --n-gpu-layers 99 用于 GPU 卸载层数。如果你的 GPU 显存不足，请尝试调整它。如果你只进行 CPU 推理，也请移除它。

./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" 会把所有 MoE 层卸载到 CPU！这实际上允许你把所有非 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，可以自定义正则表达式来适配更多层。

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的 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" 表示卸载门控、上投影和下投影的 MoE 层，但仅从第 6 层开始。

这个最新的 llama.cpp 发布版还引入了高吞吐模式。使用 llama-parallel。在这里阅读更多相关内容这里。你也可以 将 KV 缓存量化到 4 位 例如，以减少 VRAM / RAM 之间的数据移动，这也能让生成过程更快。下一节会讨论 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 缓存量化到更低的比特位。由于减少了 RAM / VRAM 的数据移动，这也能提升生成速度。K 量化允许的选项（默认是 f16）包括以下这些。

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

你应该使用 _1 这些版本以获得稍微更高的准确性，尽管速度会稍慢一些。例如 q4_1, q5_1 所以试试 --cache-type-k q4_1

你也可以量化 V 缓存，但你需要 编译带有 Flash Attention 支持的 llama.cpp， 通过 -DGGML_CUDA_FA_ALL_QUANTS=ON，并使用 --flash-attn 来启用它。安装 Flash Attention 后，你就可以使用 --cache-type-v q4_1

🦥 使用 Unsloth 微调 Qwen3-2507

Unsloth 使 Qwen3 以及 Qwen3-2507 的微调速度提升 2 倍，使用的 VRAM 减少 70%，并支持 8 倍更长的上下文长度。由于 Qwen3-2507 只发布了 30B 版本，这意味着你需要大约一张 40GB 的 A100 GPU 才能使用 QLoRA（4 位）微调该模型。

对于笔记本环境，因为该模型无法放入 Colab 免费的 16GB GPU 中，你需要使用 40GB A100。你可以使用我们的对话式笔记本，但将数据集替换为你自己的任何数据。这次你不需要在数据集中合并推理，因为该模型没有推理能力。

Qwen3（14B）推理 + 对话式笔记本

如果你使用的是旧版 Unsloth 和/或在本地微调，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 Unsloth 上可在 30GB VRAM 下运行。微调 MoE 时——通常不建议微调路由层，因此我们默认将其禁用。

Qwen3-2507-4B 笔记本： 思考以及指令

30B-A3B 可放入 30GB VRAM，但你可能会缺少 RAM 或磁盘空间，因为完整的 16 位模型必须先下载并在 QLoRA 微调时动态转换为 4 位。这是由于直接导入 4 位 BnB MOE 模型存在问题。此问题仅影响 MOE 模型。

如果你在微调 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！
    load_in_4bit = True,  # 4 位量化以减少内存
    load_in_8bit = False, # [新增！] 稍微更准确，使用 2 倍内存
    full_finetuning = False, # [新！] 我们现在支持全量微调了！
    # token = "hf_...", # 如果使用受限模型，请使用这个
)

上一页Qwen3-VL 下一页MiniMax-M2.7

最后更新于 1个月前

这有帮助吗？