新手必看：Qwen3-1.7B在Jupyter中的完整调用流程，简单易懂
新手必看：Qwen3-1.7B在Jupyter中的完整调用流程，简单易懂
1. 环境准备与快速部署
1.1 启动Jupyter镜像
首先，我们需要启动包含Qwen3-1.7B模型的Jupyter环境。这个步骤非常简单：
- 登录CSDN星图平台
- 在镜像广场搜索"Qwen3-1.7B"
- 点击"立即部署"按钮
- 选择适合的GPU实例（建议至少4GB显存）
- 等待1-3分钟完成部署
部署完成后，系统会自动跳转到Jupyter Lab界面。你会看到一个熟悉的文件浏览器和Python开发环境。
1.2 验证GPU可用性
在开始使用模型前，建议先确认GPU是否正常工作。新建一个Python笔记本，运行以下代码：
!nvidia-smi你应该能看到类似这样的输出，显示GPU型号和显存使用情况：
+-----------------------------------------------------------------------------+ | NVIDIA-SMI 535.104.05 Driver Version: 535.104.05 CUDA Version: 12.2 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | |===============================+======================+======================| | 0 Tesla T4 On | 00000000:00:04.0 Off | 0 | | N/A 58C P0 28W / 70W | 1200MiB / 15360MiB | 5% Default | +-------------------------------+----------------------+----------------------+这表示你的GPU环境已经准备就绪，可以开始加载Qwen3-1.7B模型了。
2. 基础调用方法
2.1 使用LangChain调用模型
Qwen3-1.7B可以通过LangChain库方便地调用。以下是完整的调用代码：
from langchain_openai import ChatOpenAI import os # 初始化聊天模型 chat_model = ChatOpenAI( model="Qwen3-1.7B", temperature=0.5, # 控制生成文本的随机性，0-1之间 base_url="https://gpu-pod69523bb78b8ef44ff14daa57-8000.web.gpu.csdn.net/v1", # 替换为你的Jupyter地址 api_key="EMPTY", # 无需真实API密钥 extra_body={ "enable_thinking": True, # 启用思维链功能 "return_reasoning": True, # 返回推理过程 }, streaming=True, # 启用流式输出 ) # 发起第一个对话 response = chat_model.invoke("你是谁？") print(response.content)这段代码会输出类似这样的结果：
你好！我是通义千问Qwen3-1.7B，一个由阿里巴巴开发的大语言模型。我可以回答各种问题、帮助创作内容、提供建议等。有什么我可以帮你的吗？2.2 参数详解
让我们分解一下这些参数的含义：
model: 指定使用的模型名称，这里是"Qwen3-1.7B"temperature: 控制生成文本的随机性。值越高，输出越有创意；值越低，输出越确定base_url: Jupyter服务的地址，注意端口号通常是8000api_key: 这里设置为"EMPTY"即可，不需要真实API密钥extra_body: 额外配置，可以启用思维链等高级功能streaming: 是否启用流式输出，适合长文本生成
3. 进阶使用技巧
3.1 多轮对话实现
Qwen3-1.7B支持上下文记忆，可以实现连贯的多轮对话。下面是示例代码：
from langchain_core.messages import HumanMessage, AIMessage # 初始化对话历史 chat_history = [] # 第一轮对话 human_message = HumanMessage(content="你好，请介绍一下上海") ai_response = chat_model.invoke([human_message]) chat_history.extend([human_message, ai_response]) # 第二轮对话（基于上下文） follow_up = HumanMessage(content="那里有什么著名的美食？") next_response = chat_model.invoke(chat_history + [follow_up]) print(next_response.content)输出会基于之前的"上海"话题，继续介绍上海的美食，比如：
上海有许多著名的美食，比如小笼包、生煎包、红烧肉、油爆虾等。其中，南翔小笼包皮薄馅多，汤汁鲜美，是上海最具代表性的小吃之一...3.2 流式输出处理
当处理长文本生成时，流式输出可以提供更好的用户体验。下面是实现方法：
for chunk in chat_model.stream("请写一篇关于人工智能的短文，300字左右"): print(chunk.content, end="", flush=True)这会逐段输出生成的文本，而不是等待全部生成完毕才显示。
4. 常见问题解决
4.1 连接问题排查
如果遇到连接错误，可以检查以下几点：
- 确认
base_url中的端口号是8000 - 检查Jupyter服务是否正常运行
- 确保网络连接正常，没有防火墙阻挡
4.2 显存不足处理
如果遇到显存不足的错误，可以尝试以下解决方案：
- 降低
max_tokens参数值，减少生成文本长度 - 关闭不必要的应用程序，释放显存
- 升级到更高显存的GPU实例
4.3 生成质量优化
如果对生成结果不满意，可以调整这些参数：
- 提高
temperature增加多样性 - 设置
top_p参数控制生成范围 - 提供更明确的提示词(prompt)
5. 总结
通过本教程，你已经掌握了在Jupyter中调用Qwen3-1.7B模型的完整流程：
- 快速部署Jupyter镜像环境
- 使用LangChain进行基础调用
- 实现多轮对话和流式输出
- 解决常见问题
Qwen3-1.7B作为一个轻量级但能力强大的模型，非常适合快速原型开发和实验。现在你可以尝试用它来完成各种任务，比如内容创作、问答系统、代码生成等。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。