Qwen3-4B-ONNX-INT4-CPU

注意： 这是一个非官方版本，仅用于测试和开发目的。

模型转换

本指南演示如何使用 Microsoft Olive 和 Microsoft ONNXRuntime GenAI 将 Qwen3-4B 模型转换为 ONNX 格式。

前置条件

请确保已安装以下工具：

1. CMake 3.31+
2. Transformers 4.51+
3. Microsoft Olive（开发版本）
4. Microsoft ONNXRuntime GenAI（开发版本）

安装步骤

# 更新 transformers 库
pip install transformers -U

# 安装 Microsoft Olive
pip install git+https://github.com/microsoft/Olive.git

# 安装 Microsoft ONNXRuntime GenAI
git clone https://github.com/microsoft/onnxruntime-genai
cd onnxruntime-genai && python build.py --config Release

注意： 如果您尚未安装 CMake，请先安装后再继续。

转换命令

# 使用 Microsoft Olive 转换模型
olive auto-opt \
    --model_name_or_path {Qwen3-4B_PATH} \
    --device cpu \
    --provider CPUExecutionProvider \
    --use_model_builder \
    --precision int4 \
    --output_path {Your_Qwen3-4B_ONNX_Output_Path} \
    --log_level 1

推理

Qwen3 支持两种推理模式，具有不同的参数配置：

思考模式

当您希望模型展示其推理过程时：

• 参数： Temperature=0.6, TopP=0.95, TopK=20, MinP=0.0
• 对话模板： <|im_start|>user\n/think {input}<|im_end|><|im_start|>assistant\n

非思考模式

用于直接响应，不展示推理过程：

• 参数： Temperature=0.7, TopP=0.8, TopK=20, MinP=0.0
• 对话模板： <|im_start|>user\n/no_think {input}<|im_end|><|im_start|>assistant\n

Python 示例

import onnxruntime_genai as og
import json

# 设置模型路径
model_folder = "Your_Qwen3-4B_ONNX_Path"

# 初始化模型和分词器
model = og.Model(model_folder)
tokenizer = og.Tokenizer(model)
tokenizer_stream = tokenizer.create_stream()

# 思考模式配置
search_options = {
    'temperature': 0.6,
    'top_p': 0.95,
    'top_k': 20,
    'max_length': 32768,
    'repetition_penalty': 1
}
chat_template = "<|im_start|>user\n/think {input}<|im_end|><|im_start|>assistant\n"
text = 'What is the derivative of x^2?'

# 非思考模式的替代配置
# search_options = {
#     'temperature': 0.7,
#     'top_p': 0.8,
#     'top_k': 20,
#     'max_length': 4096,
#     'repetition_penalty': 1
# }
# chat_template = "<|im_start|>user\n/no_think {input}<|im_end|><|im_start|>assistant\n"
# text = 'Can you introduce yourself?'

# 准备提示词并生成响应
prompt = chat_template.format(input=text)
input_tokens = tokenizer.encode(prompt)

params = og.GeneratorParams(model)
params.set_search_options(**search_options)
generator = og.Generator(model, params)

generator.append_tokens(input_tokens)

# 生成并流式输出响应
while not generator.is_done():
    generator.generate_next_token()
    new_token = generator.get_next_tokens()[0]
    print(tokenizer_stream.decode(new_token), end='', flush=True)