Qwen3-Next

Qwen3-Next#

简介#

Qwen3-Next 模型是一款高稀疏度的稀疏 MoE（Mixture of Experts）模型。相较于 Qwen3 的 MoE 架构，它在混合注意力机制、多 token 预测机制等方面引入了关键改进，提升了模型在长上下文和超大总参数规模下的训练和推理效率。

本文档将介绍模型的核心验证步骤，包括支持的特性、环境准备、准确率和性能评估。Qwen3 Next 目前使用了 Triton Ascend，目前处于实验阶段。在后续版本中，其在稳定性、准确性方面的性能可能会有所变化，性能会持续优化。

Qwen3-Next 模型首次支持于 vllm-ascend:v0.10.2rc1。

支持的特性#

请参阅 支持的特性 获取模型的特性支持矩阵。

请参阅 特性指南 获取特性的配置方法。

权重准备#

Qwen3-Next-80B-A3B-Instruct 模型权重下载链接： 下载模型权重

部署#

如果机器环境为 Atlas 800I A3(64G*16)，部署方式保持一致。

运行 Docker 容器#

# Update the vllm-ascend image
export IMAGE=quay.io/ascend/vllm-ascend:v0.12.0rc1
docker run --rm \
--shm-size=1g \
--name vllm-ascend-qwen3 \
--device /dev/davinci0 \
--device /dev/davinci1 \
--device /dev/davinci2 \
--device /dev/davinci3 \
--device /dev/davinci_manager \
--device /dev/devmm_svm \
--device /dev/hisi_hdc \
-v /usr/local/dcmi:/usr/local/dcmi \
-v /usr/local/bin/npu-smi:/usr/local/bin/npu-smi \
-v /usr/local/Ascend/driver/lib64/:/usr/local/Ascend/driver/lib64/ \
-v /usr/local/Ascend/driver/version.info:/usr/local/Ascend/driver/version.info \
-v /etc/ascend_install.info:/etc/ascend_install.info \
-v /root/.cache:/root/.cache \
-p 8000:8000 \
-it $IMAGE bash

Qwen3 Next 使用的 Triton Ascend 目前仍处于实验阶段。在后续版本中，其在稳定性、准确性、性能优化方面的行为可能有所变化。

安装 Triton Ascend#

运行 Qwen3 Next 时需要 Triton Ascend，请按照以下说明进行安装及其依赖。

Source Ascend BiSheng toolkit，执行命令

source /usr/local/Ascend/ascend-toolkit/8.3.RC2/bisheng_toolkit/set_env.sh

安装 Triton Ascend

wget https://vllm-ascend.obs.cn-north-4.myhuaweicloud.com/vllm-ascend/triton_ascend-3.2.0.dev2025110717-cp311-cp311-manylinux_2_27_aarch64.whl
pip install triton_ascend-3.2.0.dev2025110717-cp311-cp311-manylinux_2_27_aarch64.whl

敬请期待……

推理#

请确保您已执行命令

source /usr/local/Ascend/ascend-toolkit/8.3.RC2/bisheng_toolkit/set_env.sh

运行以下脚本以在多 NPU 上启动 vLLM 服务器

Atlas A2 64GB NPU 卡内存， tensor-parallel-size 至少设置为 4；32GB 内存， tensor-parallel-size 至少设置为 8。

vllm serve Qwen/Qwen3-Next-80B-A3B-Instruct --tensor-parallel-size 4 --max-model-len 4096 --gpu-memory-utilization 0.7 --compilation-config '{"cudagraph_mode":"FULL_DECODE_ONLY"}'

服务器启动后，您可以使用输入提示查询模型。

curl https://:8000/v1/chat/completions -H "Content-Type: application/json" -d '{
  "model": "Qwen/Qwen3-Next-80B-A3B-Instruct",
  "messages": [
    {"role": "user", "content": "Who are you?"}
  ],
  "temperature": 0.6,
  "top_p": 0.95,
  "top_k": 20,
  "max_tokens": 32
}'

运行以下脚本以在多 NPU 上执行离线推理

import gc
import torch

from vllm import LLM, SamplingParams
from vllm.distributed.parallel_state import (destroy_distributed_environment,
                                             destroy_model_parallel)

def clean_up():
    destroy_model_parallel()
    destroy_distributed_environment()
    gc.collect()
    torch.npu.empty_cache()

if __name__ == '__main__':
    prompts = [
        "Who are you?",
    ]
    sampling_params = SamplingParams(temperature=0.6, top_p=0.95, top_k=40, max_tokens=32)
    llm = LLM(model="Qwen/Qwen3-Next-80B-A3B-Instruct",
              tensor_parallel_size=4,
              enforce_eager=True,
              distributed_executor_backend="mp",
              gpu_memory_utilization=0.7,
              max_model_len=4096)

    outputs = llm.generate(prompts, sampling_params)
    for output in outputs:
        prompt = output.prompt
        generated_text = output.outputs[0].text
        print(f"Prompt: {prompt!r}, Generated text: {generated_text!r}")

    del llm
    clean_up()

如果脚本运行成功，您将看到如下所示的信息

Prompt: 'Who are you?', Generated text: ' What do you know about me?\n\nHello! I am Qwen, a large-scale language model independently developed by the Tongyi Lab under Alibaba Group. I am'

精度评估#

使用 AISBench#

  1. 详情请参阅使用 AISBench。

  2. 执行后，即可获得结果，以下为 Qwen3-Next-80B-A3B-Instruct 在 vllm-ascend:0.11.0rc3 下的结果，仅供参考。

数据集

version

指标

模式

vllm-api-general-chat

gsm8k

-

accuracy

gen

96.3

性能#

使用 AISBench#

详情请参阅使用 AISBench 进行性能评估。

使用 vLLM Benchmark#

以 Qwen3-Next 为例运行性能评估。

更多详情请参阅 vllm benchmark。

有三个 vllm bench 子命令

  • latency：对单批请求的延迟进行基准测试。

  • serve：对在线服务吞吐量进行基准测试。

  • throughput：对离线推理吞吐量进行基准测试。

以 serve 为例。运行代码如下。

export VLLM_USE_MODELSCOPE=true
vllm bench serve --model Qwen/Qwen3-Next-80B-A3B-Instruct  --dataset-name random --random-input 200 --num-prompt 200 --request-rate 1 --save-result --result-dir ./

大约几分钟后，您就可以得到性能评估结果。

目录