阿里巴巴近期开源了混合推理大语言模型（LLM）通义千问 Qwen3，此次 Qwen3 开源模型系列包含两款混合专家模型 (MoE) 235B-A22B（总参数 2,350 亿，激活参数 220 亿）和 30B-A3B，以及六款稠密（Dense）模型 0.6B、1.7B、4B、8B、14B、32B。
现在，开发者能够基于 NVIDIA GPU，使用 NVIDIA TensorRT-LLM、Ollama、SGLang、vLLM 等推理框架高效集成和部署 Qwen3 模型，从而实现极快的词元 (token) 生成，以及生产级别的应用研发。
本文提供使用 Qwen3 系列模型的最佳实践，我们会展示如何使用上述框架来部署模型实现高效推理。开发者可以根据他们的应用场景需求来选择合适的框架，例如高吞吐量、低延迟、或是 GPU 内存占用（GPU footprint）。
Qwen3 模型
Qwen3 是中国首个混合推理模型，在 AIME、LiveCodeBench、ArenaHard、BFCL 等权威评测集上均获得出色的表现（信息来源于阿里巴巴官方微信公众号）。Qwen3 提供的系列开源稠密和 MoE 模型在推理、指令遵循、Agent 能力、多语言支持等方面均大幅增强，是全球领先的开源模型。
大语言模型的推理性能对于实时、经济高效的生产级部署至关重要
LLM 生态系统快速演进，新模型和新技术不断更新迭代，需要一种高性能且灵活的解决方案来优化模型。
推理系统设计颇具挑战，要求也不断提升，这些挑战包括 LLM 推理计算中预填充（prefill）和解码（decode）两个阶段对于计算能力和显存大小 / 带宽的需求差异，超大尺寸模型并行分布式推理，海量并发请求，输入输出长度高度动态请求等。
目前在推理引擎上有许多优化技术可用，包括高性能 kernel、低精度量化、Batch 调度、采样优化、KV 缓存（KV cache）优化等等，选择最适合自己应用场景的技术组合需要耗费开发者大量精力。
NVIDIA TensorRT-LLM 提供了最新的极致优化的计算 kernel、高性能 Attention 实现、多机多卡通信分布式支持、丰富的并行和量化策略等，从而在 NVIDIA GPU 上实现高效的 LLM 推理。此外，TensorRT-LLM 采用 PyTorch 的新架构还提供了直观、简洁且高效的模型推理配置 LLM API，从而能够兼顾极佳性能和灵活友好的工作流。
通过使用 TensorRT-LLM，开发者可以迅速上手先进的优化技术，其中包括定制的 Attention kernel、连续批处理 (in-flight batching) 、分页 KV 缓存 (Paged KV cache)、量化（FP8、FP4、INT4 AWQ、INT8 SmoothQuant）、投机采样等诸多技术。
使用 TensorRT-LLM 运行 Qwen3 的推理部署优化
下面以使用 Qwen3-4B 模型配置 PyTorch backend 为例，描述如何快捷进行基准测试以及服务化的工作。采用类似的步骤，也可以实现 Qwen3 其他 Dense 和 MoE 模型的推理部署优化。
- 首先准备 benchmark 测试数据集合和 extra-llm-api-config.yml 配置文件：
python3 /path/to/TensorRT-LLM/benchmarks/cpp/prepare_dataset.py \ --tokenizer=/path/to/Qwen3-4B \ --stdout token-norm-dist --num-requests=32768 \ --input-mean=1024 --output-mean=1024 \ --input-stdev=0 --output-stdev=0 > /path/to/dataset.txt cat >/path/to/extra-llm-api-config.yml <<EOF pytorch_backend_config: use_cuda_graph: true cuda_graph_padding_enabled: true cuda_graph_batch_sizes: - 1 - 2 - 4 - 8 - 16 - 32 - 64 - 128 - 256 - 384 print_iter_log: true enable_overlap_scheduler: true EOF
- 通过 trtllm-bench 运行 benchmark 指令：
trtllm-bench \ --model Qwen/Qwen3-4B \ --model_path /path/to/Qwen3-4B \ throughput \ --backend pytorch \ --max_batch_size 128 \ --max_num_tokens 16384 \ --dataset /path/to/dataset.txt \ --kv_cache_free_gpu_mem_fraction 0.9 \ --extra_llm_api_options /path/to/extra-llm-api-config.yml \ --concurrency 128 \ --num_requests 32768 \ --streaming
相同 GPU 环境配置下，基于 ISL = 1K, OSL = 1K，相较 BF16 基准，Qwen3-4B 稠密模型使用 TensorRT-LLM 在 BF16 的推理吞吐（每秒生成的 token 数）加速比最高可达 16.04 倍。
图 1：Qwen3-4B 稠密模型在 TensorRT-LLM BF16 与 BF16 基准的推理吞吐性能比较
- 通过 trtllm-serve 运行 serve 指令：
trtllm-serve \ /path/to/Qwen3-4B \ --host localhost \ --port 8000 \ --backend pytorch \ --max_batch_size 128 \ --max_num_tokens 16384 \ --kv_cache_free_gpu_memory_fraction 0.95 \ --extra_llm_api_options /path/to/extra-llm-api-config.yml
- 模型启动成功后，便可通过标准 OpenAI API 进行模型推理调用。
curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "Qwen/Qwen3-4B", "Max_tokens": 1024, "Temperature": 0, "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }'
使用 Ollama, SGLang, vLLM 框架运行 Qwen3-4B
除了 TensorRT-LLM, Qwen 模型也可以使用诸如 Ollama，SGLang, vLLM 等框架，通过简单几步部署到 NVIDIA GPU。 Qwen3 提供了多种模型可以运行在终端和设备上，例如 NVIDIA Jeston 以及适用于 Windows 开发者的 NVIDIA RTX。
使用 Ollama 在本地运行 Qwen3-4B：
- 从以下网址下载和安装最新版本的 Ollama: ollama.com/download。
- 使用 ollama run 命令运行模型，此操作将加载并初始化模型用于后续与用户交互。
ollama run qwen3:4b |
- 在用户提示词或系统消息中添加 /think（默认值）和 /no_think 可在模型的思考模式之间切换。运行 ollama run 命令后，可以直接在终端中使用以下的示例提示词，来测试思考模式：
"Write a python lambda function to add two numbers" - Thinking mode enabled "Write a python lambda function to add two numbers /no_think" - Non-thinking mode |
- 参考 ollama.com/library/qwen3 查看更多模型变量，这些变量基于 NVIDIA GPU 上完成了优化。
使用 SGLang 运行 Qwen3-4B：
- 安装 SGLang 库
pip install "sglang[all]" |
- 下载模型，在这个演示中，我们使用的是 Hugging Face 上的 huggingfaceCLI 命令提示符执行，请注意需要提供一个 API key 来下载模型。
huggingface-cli download --resume-download Qwen/Qwen3-4B --local-dir ./ |
- 加载和运行模型，请注意，根据不同的需求，可以传递额外的参数。更多详细信息可以参考相关文档。
python -m sglang.launch_server \ --model-path /ssd4TB/huggingface/hub/models/ \ --trust-remote-code \ --device "cuda:0" \ --port 30000 \ --host 0.0.0.0 |
- 调用模型推理
curl -X POST "http://localhost:30000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "Qwen/Qwen3-4B", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }' |
使用 vLLM 运行 Qwen3-4B
- 安装 vLLM 库
pip install vllm |
- 通过 vllm serve 加载和运行模型，请注意，根据不同的需求，可以传递额外的参数。更多详细信息可以参考相关文档。
vllm serve "Qwen/Qwen3-4B" \ --tensor-parallel-size 1 \ --gpu-memory-utilization 0.85 \ --device "cuda:0" \ --max-num-batched-tokens 8192 \ --max-num-seqs 256 |
- 调用模型推理
curl -X POST "http://localhost:8000/v1/chat/completions" \ -H "Content-Type: application/json" \ --data '{ "model": "Qwen/Qwen3-4B", "messages": [ { "role": "user", "content": "What is the capital of France?" } ] }' |
总结
仅仅通过几行代码，开发者即可通过包括 TensorRT-LLM 在内的流行推理框架来使用最新的 Qwen 系列模型。
此外，对模型推理和部署框架的技术选型需要考虑到诸多关键因素，尤其是在把 AI 模型部署到生产环境中时，对性能、资源和成本的平衡。
