最佳实践：Qwen3-32B-AWQ的高效使用指南

最新推荐文章于 2025-11-10 01:25:45 发布
原创 最新推荐文章于 2025-11-10 01:25:45 发布 · 916 阅读 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

最佳实践：Qwen3-32B-AWQ的高效使用指南

【免费下载链接】Qwen3-32B-AWQ 【免费下载链接】Qwen3-32B-AWQ 项目地址: https://ai.gitcode.com/hf_mirrors/Qwen/Qwen3-32B-AWQ

本文详细介绍了Qwen3-32B-AWQ大语言模型的高效使用指南，涵盖了采样参数优化配置、输出长度与质量平衡策略、多轮对话历史管理技巧以及常见问题排查与解决方案。文章提供了针对不同应用场景的参数配置建议，包括思考模式和非思考模式下的最优参数组合，并深入探讨了如何通过动态令牌控制、质量监控和内存优化等技术实现性能与资源的最佳平衡。

采样参数优化配置方案

Qwen3-32B-AWQ作为一款高性能的大语言模型，其采样参数的合理配置对于生成质量至关重要。通过精心调整温度（Temperature）、Top-p、Top-k等关键参数，可以显著提升模型在不同应用场景下的表现。

核心采样参数详解

Qwen3-32B-AWQ支持多种采样策略，每种参数都有其特定的作用和适用场景：

参数名称默认值作用描述适用场景
Temperature0.6（思考模式）
0.7（非思考模式）		控制输出的随机性，值越高越随机创意写作、多样化生成
Top-p0.95（思考模式）
0.8（非思考模式）		核采样，累积概率阈值平衡多样性和质量
Top-k20限制候选词数量提高生成稳定性
Min-p0最小概率阈值过滤低概率选项
do_sampletrue启用采样模式非贪婪解码场景

思考模式下的参数配置

在思考模式下（enable_thinking=True），模型会进行复杂的推理过程，此时推荐使用以下参数组合：

# 思考模式推荐配置
generation_config = {
    "temperature": 0.6,    # 中等随机性，保持推理严谨性
    "top_p": 0.95,         # 高阈值，保留更多可能性
    "top_k": 20,           # 限制候选词范围
    "min_p": 0,            # 不设置最小概率限制
    "do_sample": True      # 启用采样模式
}

这种配置特别适合需要深度推理的任务，如数学计算、逻辑分析和复杂问题求解。

非思考模式下的参数优化

在非思考模式下（enable_thinking=False），模型行为更接近传统的对话模型，推荐配置如下：

# 非思考模式推荐配置
generation_config = {
    "temperature": 0.7,    # 稍高的随机性，增加回答多样性
    "top_p": 0.8,          # 适中的概率阈值
    "top_k": 20,           # 保持候选词限制
    "min_p": 0,            # 无最小概率限制
    "do_sample": True      # 启用采样
}

这种配置适用于一般对话、创意写作和内容生成等场景。

参数调优策略

根据不同的应用需求，可以采用以下调优策略：

mermaid

高级参数组合技巧

对于特定的应用场景，可以采用更精细的参数组合：

技术文档生成：

config = {
    "temperature": 0.3,    # 低随机性，保持准确性
    "top_p": 0.9,          # 较高阈值
    "top_k": 10,           # 严格限制候选词
    "repetition_penalty": 1.1  # 轻微重复惩罚
}

创意写作场景：

config = {
    "temperature": 0.8,    # 高随机性，促进创意
    "top_p": 0.85,         # 适中阈值
    "top_k": 30,           # 较宽的候选范围
    "repetition_penalty": 1.05  # 最小重复惩罚
}

参数交互影响分析

不同的采样参数之间存在复杂的相互作用关系：

参数组合生成特点适用任务
低Temperature + 低Top-p确定性高，保守输出事实性问答、代码生成
高Temperature + 高Top-p多样性强，创意丰富故事创作、头脑风暴
中等Temperature + 中等Top-p平衡性最佳一般对话、内容总结
低Temperature + 高Top-k稳定但略有变化技术文档、正式回复

实践建议与注意事项

  1. 避免贪婪解码：在思考模式下绝对不要使用贪婪解码（do_sample=False），这会严重损害模型性能
  2. 参数逐步调整：每次只调整一个参数，观察效果后再进行下一步优化
  3. 场景适配：根据具体任务需求选择最适合的参数组合
  4. 性能监控：在调整参数时注意推理速度和资源消耗的变化

通过合理的采样参数配置，可以充分发挥Qwen3-32B-AWQ在不同应用场景下的潜力，获得最佳的性能表现和生成质量。

输出长度与质量平衡策略

在Qwen3-32B-AWQ的实际应用中，如何平衡输出长度与生成质量是一个关键的技术挑战。过短的输出可能无法充分表达模型的推理能力，而过长的输出不仅会增加计算成本，还可能导致信息冗余和用户体验下降。本节将深入探讨多种平衡策略，帮助开发者实现最优的生成效果。

动态令牌控制机制

Qwen3-32B-AWQ支持多种动态令牌控制参数，通过精细调节这些参数可以在不同场景下实现长度与质量的平衡：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-32B-AWQ"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)

# 动态令牌控制配置
generation_config = {
    "max_new_tokens": 1024,        # 最大新生成令牌数
    "min_new_tokens": 50,          # 最小新生成令牌数
    "early_stopping": True,        # 提前停止机制
    "do_sample": True,             # 启用采样
    "temperature": 0.6,            # 温度参数（思考模式）
    "top_p": 0.95,                 # 核心采样参数
    "top_k": 20,                   # Top-K采样
    "repetition_penalty": 1.1,     # 重复惩罚
    "length_penalty": 1.0,         # 长度惩罚
}

# 应用生成配置
response = model.generate(
    input_ids,
    **generation_config
)

思考模式下的长度优化

在思考模式下，模型会生成<think>...</think>块和最终响应内容。合理的长度控制策略应该区分对待思考内容和最终输出：

def balanced_generation_with_thinking(model, tokenizer, prompt, max_thinking_tokens=300, max_response_tokens=700):
    """
    平衡思考内容和最终响应的生成策略
    """
    messages = [{"role": "user", "content": prompt}]
    text = tokenizer.apply_chat_template(
        messages,
        tokenize=False,
        add_generation_prompt=True,
        enable_thinking=True
    )
    
    inputs = tokenizer([text], return_tensors="pt").to(model.device)
    
    # 分阶段生成：先允许较长的思考，再限制最终响应
    generated_ids = model.generate(
        **inputs,
        max_new_tokens=max_thinking_tokens + max_response_tokens,
        stopping_criteria=create_stopping_criteria(tokenizer)
    )
    
    return parse_thinking_response(tokenizer, generated_ids[0], inputs.input_ids[0])

def create_stopping_criteria(tokenizer):
    """创建智能停止条件"""
    from transformers import StoppingCriteria, StoppingCriteriaList
    
    class BalancedStoppingCriteria(StoppingCriteria):
        def __call__(self, input_ids, scores, **kwargs):
            # 检测思考块结束和响应完整性
            decoded = tokenizer.decode(input_ids[0], skip_special_tokens=False)
            if "</think>" in decoded and len(decoded.split("</think>")[-1]) > 50:
                # 思考已结束且响应有一定长度
                return True
            return False
    
    return StoppingCriteriaList([BalancedStoppingCriteria()])

基于内容类型的自适应策略

不同任务类型需要不同的长度控制策略。以下是针对常见场景的推荐配置：

任务类型推荐max_new_tokens温度top_p适用场景
代码生成1024-20480.30.9需要精确性和完整性的代码
创意写作512-10240.80.95故事、诗歌等创造性内容
技术问答256-5120.60.9精确的技术问题解答
对话生成128-2560.70.85多轮对话中的单轮响应
摘要生成64-1280.50.8简洁的内容摘要

质量监控与动态调整

实现实时的质量监控和动态调整机制：

class QualityAwareGenerator:
    def __init__(self, model, tokenizer):
        self.model = model
        self.tokenizer = tokenizer
        self.quality_metrics = {
            'coherence': 0.0,
            'relevance': 0.0,
            'conciseness': 0.0
        }
    
    def generate_with_quality_control(self, prompt, max_retries=3):
        """带质量控制的生成"""
        best_response = None
        best_score = 0.0
        
        for attempt in range(max_retries):
            # 动态调整生成参数
            config = self._adjust_config_based_on_attempt(attempt)
            response = self.model.generate(**config)
            
            # 评估响应质量
            quality_score = self._evaluate_quality(response, prompt)
            
            if quality_score > best_score:
                best_score = quality_score
                best_response = response
            
            # 如果质量达标，提前返回
            if quality_score > 0.8:
                break
        
        return best_response
    
    def _evaluate_quality(self, response, prompt):
        """评估响应质量"""
        # 简化的质量评估逻辑
        coherence = self._calculate_coherence(response)
        relevance = self._calculate_relevance(response, prompt)
        conciseness = self._calculate_conciseness(response)
        
        return (coherence * 0.4 + relevance * 0.4 + conciseness * 0.2)

流式生成与渐进式优化

对于需要实时交互的场景，采用流式生成和渐进式优化策略：

mermaid

内存效率与性能平衡

在资源受限的环境中，需要特别关注内存使用和性能的平衡：

def memory_efficient_generation(model, tokenizer, input_text, 
                              chunk_size=512, overlap=64):
    """内存高效的分块生成策略"""
    # 对长输入进行分块处理
    tokens = tokenizer.encode(input_text)
    chunks = []
    
    for i in range(0, len(tokens), chunk_size - overlap):
        chunk_tokens = tokens[i:i + chunk_size]
        chunk_text = tokenizer.decode(chunk_tokens)
        chunks.append(chunk_text)
    
    # 逐块生成并合并
    full_response = ""
    for chunk in chunks:
        response = model.generate(
            tokenizer(chunk, return_tensors="pt"),
            max_new_tokens=256,  # 每块生成较短响应
            temperature=0.6
        )
        full_response += tokenizer.decode(response[0])
    
    return full_response

实践建议与最佳参数

根据大量实验验证，以下参数组合在不同场景下表现优异：

思考模式推荐配置：

  • temperature=0.6 - 平衡创造性和确定性
  • top_p=0.95 - 保持多样性同时避免低概率选项
  • top_k=20 - 限制候选词数量
  • max_new_tokens=1024 - 适合大多数任务

非思考模式推荐配置：

  • temperature=0.7 - 稍高的创造性
  • top_p=0.8 - 更严格的筛选
  • max_new_tokens=512 - 更简洁的响应

通过合理组合这些策略和技术，开发者可以在Qwen3-32B-AWQ上实现输出长度与生成质量的最佳平衡，为不同应用场景提供定制化的生成解决方案。

多轮对话的历史管理技巧

在多轮对话场景中，有效的历史管理是确保Qwen3-32B-AWQ模型能够维持对话连贯性和上下文理解的关键。AWQ量化模型虽然压缩了模型大小，但依然保持了强大的上下文处理能力，支持高达32,768个token的原生上下文长度。

对话历史的数据结构设计

Qwen3采用了标准的消息格式来管理对话历史，每个消息都是一个包含role和content字段的字典对象：

# 标准的对话消息格式
messages = [
    {"role": "system", "content": "你是一个有帮助的AI助手。"},
    {"role": "user", "content": "你好，请介绍一下你自己。"},
    {"role": "assistant", "content": "我是基于Qwen3-32B-AWQ模型的AI助手..."},
    {"role": "user", "content": "你能帮我解决数学问题吗？"}
]

这种结构化的消息格式使得模型能够清晰地理解对话的时序关系和角色分配。

历史管理的核心策略

1. 上下文窗口优化

Qwen3-32B-AWQ支持32,768个token的上下文长度，但在实际应用中需要合理管理历史记录以避免超出限制：

def manage_conversation_history(history, new_message, max_history_tokens=28000):
    """
    智能管理对话历史，确保不超过token限制
    """
    # 添加新消息到历史
    updated_history = history + [new_message]
    
    # 估算token数量（实际应用中应使用tokenizer）
    estimated_tokens = sum(len(msg["content"].split()) * 1.3 for msg in updated_history)
    
    # 如果超出限制，从最早的消息开始移除
    while estimated_tokens > max_history_tokens and len(updated_history) > 1:
        # 保留系统提示和最近的消息
        if updated_history[0]["role"] == "system":
            # 保留系统提示，移除最早的对话
            removed_msg = updated_history.pop(1)
        else:
            removed_msg = updated_history.pop(0)
        
        # 重新估算token数量
        estimated_tokens = sum(len(msg["content"].split()) * 1.3 for msg in updated_history)
    
    return updated_history
2. 思维内容与最终输出的分离处理

在启用思考模式时，模型会生成包含<think>...</think>标签的内容。正确的历史管理应该只保留最终输出：

def extract_final_response(model_output):
    """
    从模型输出中提取最终响应内容
    """
    if "</think>" in model_output:
        # 分离思考内容和最终响应
        thinking_end = model_output.rfind("</think>") + len("</think>")
        final_response = model_output[thinking_end:].strip()
        return final_response
    else:
        return model_output

# 在更新历史时使用
assistant_response = extract_final_response(raw_model_output)
history.append({"role": "assistant", "content": assistant_response})

高级历史管理技术

1. 对话摘要与压缩

对于长对话场景，可以采用摘要技术来压缩历史信息：

mermaid

2. 主题分段管理

根据对话主题的变化动态管理历史：

class TopicAwareHistoryManager:
    def __init__(self, max_topics=3):
        self.conversation_topics = []
        self.current_topic_history = []
        self.max_topics = max_topics
    
    def detect_topic_change(self, new_message):
        # 简单的主题检测逻辑（实际应用中可使用更复杂的NLP技术）
        if len(self.current_topic_history) == 0:
            return True
        
        # 检查是否出现明显的话题转折词
        topic_change_keywords = ["另外", "换个话题", "说到", "关于", "现在我们来讨论"]
        content = new_message["content"].lower()
        return any(keyword in content for keyword in topic_change_keywords)
    
    def update_history(self, new_message, assistant_response):
        if self.detect_topic_change(new_message):
            # 保存当前主题历史
            if self.current_topic_history:
                self.conversation_topics.append(self.current_topic_history)
                # 保持最多max_topics个主题
                if len(self.conversation_topics) > self.max_topics:
                    self.conversation_topics.pop(0)
            
            # 开始新主题
            self.current_topic_history = []
        
        # 添加新消息到当前主题
        self.current_topic_history.append(new_message)
        self.current_topic_history.append({
            "role": "assistant", 
            "content": assistant_response
        })
        
        return self.get_compressed_history()
    
    def get_compressed_history(self):
        # 组合所有主题的摘要和当前完整主题
        compressed_history = []
        
        for topic in self.conversation_topics:
            # 为主题生成摘要（简化示例）
            topic_summary = f"之前讨论了关于'{self.generate_topic_title(topic)}'的话题"
            compressed_history.append({
                "role": "system",
                "content": topic_summary
            })
        
        # 添加当前完整主题
        compressed_history.extend(self.current_topic_history)
        return compressed_history

性能优化建议

Token使用监控表
对话轮数估计Token数管理策略效果
1-5轮< 2,000完整保留最佳上下文保持
6-15轮2,000-8,000轻度压缩良好性能
16-30轮8,000-20,000主题摘要可接受的性能
30+轮> 20,000激进压缩需要优化
内存效率优化

对于AWQ量化模型，虽然减少了内存占用，但仍需注意历史管理的效率：

# 使用生成器避免一次性加载所有历史
def stream_history_messages(history):
    for message in history:
        yield message

# 分批处理长历史
def process_long_history_in_batches(history, batch_size=10):
    for i in range(0, len(history), batch_size):
        batch = history[i:i + batch_size]
        # 处理每个批次
        yield batch

错误处理与恢复机制

健全的历史管理系统需要包含错误处理：

class RobustHistoryManager:
    def __init__(self):
        self.history_backup = []
    
    def safe_history_update(self, history, new_message, response):
        try:
            # 尝试更新历史
            updated_history = history + [
                {"role": "user", "content": new_message},
                {"role": "assistant", "content": response}
            ]
            
            # 备份当前状态
            self.history_backup = history.copy()
            
            return updated_history
            
        except Exception as e:
            print(f"历史更新失败: {e}")
            # 恢复备份
            return self.history_backup

通过实施这些历史管理技巧，您可以确保Qwen3-32B-AWQ在多轮对话中保持出色的性能表现，同时有效管理计算资源和上下文长度限制。

常见问题排查与解决方案

在使用Qwen3-32B-AWQ模型的过程中，开发者可能会遇到各种技术问题。本节将详细分析常见问题的根本原因，并提供具体的解决方案和排查步骤。

模型加载与版本兼容性问题

问题现象：KeyError: 'qwen3'

当使用旧版本的transformers库（<4.51.0）加载模型时，会出现KeyError异常：

KeyError: 'qwen3'

根本原因分析： Qwen3是最新发布的模型架构，需要transformers 4.51.0及以上版本才能正确识别和加载。旧版本库中没有注册Qwen3相关的模型配置和tokenizer。

解决方案：

# 升级transformers到最新版本
pip install --upgrade transformers>=4.51.0

# 或者安装特定版本
pip install transformers==4.51.3

验证步骤：

import transformers
print(f"Transformers版本: {transformers.__version__}")
# 应该输出4.51.0或更高版本
版本兼容性矩阵
transformers版本Qwen3-32B-AWQ支持主要特性
< 4.51.0❌ 不支持无法识别模型架构
4.51.0 - 4.51.2✅ 基本支持基础推理功能
≥ 4.51.3✅ 完全支持完整功能，包括思维模式

内存不足与GPU资源问题

问题现象：CUDA out of memory

在加载或推理过程中出现内存不足错误：

RuntimeError: CUDA out of memory. 
Tried to allocate 2.00 GiB (GPU 0; 24.00 GiB total capacity; 
already allocated 22.37 GiB; 2.00 GiB free; 
22.75 GiB reserved in total by PyTorch)

内存需求分析：

Qwen3-32B-AWQ作为4位量化模型，相比原版32B模型大幅降低了内存需求，但仍需要充足的GPU内存：

mermaid

解决方案：

  1. 使用设备映射优化：
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-32B-AWQ",
    torch_dtype="auto",
    device_map="auto",  # 自动分配设备
    low_cpu_mem_usage=True  # 减少CPU内存使用
)
  1. 分批加载策略：
# 分批加载大模型
model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-32B-AWQ",
    device_map="auto",
    max_memory={0: "20GiB", "cpu": "30GiB"}  # 指定各设备内存限制
)
  1. 使用CPU卸载：
# 对于内存严重不足的情况
model = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-32B-AWQ",
    device_map="auto",
    offload_folder="./offload",  # 临时卸载目录
    offload_state_dict=True
)

思维模式解析异常

问题现象：思维内容解析失败

在启用思维模式时，无法正确解析<think>...</think>标签内容：

# 错误的解析逻辑可能导致内容截断或格式错误
thinking_content = tokenizer.decode(output_ids, skip_special_tokens=True)
# 可能无法正确分离思维内容和最终回答

正确的解析流程：

mermaid

解决方案：

def parse_qwen3_response(output_ids, tokenizer):
    """
    正确解析Qwen3的响应，分离思维内容和最终回答
    """
    try:
        # 查找思维结束标记</think>的token ID（151668）
        end_think_token = 151668
        index = len(output_ids) - output_ids[::-1].index(end_think_token)
    except ValueError:
        # 如果没有找到思维标记，整个内容都是回答
        index = 0
    
    # 分离思维内容和最终回答
    thinking_ids = output_ids[:index]
    answer_ids = output_ids[index:]
    
    thinking_content = tokenizer.decode(thinking_ids, skip_special_tokens=True).strip("\n")
    final_answer = tokenizer.decode(answer_ids, skip_special_tokens=True).strip("\n")
    
    # 清理思维内容中的标签
    thinking_content = thinking_content.replace('<think>', '').replace('</think>', '').strip()
    
    return thinking_content, final_answer

长文本处理与YaRN配置问题

问题现象：长上下文性能下降

当处理超过32K token的长文本时，模型性能可能下降或出现位置编码错误。

YaRN配置检查表：

配置项推荐值说明
rope_typeyarn使用YaRN扩展方法
factor4.0扩展因子，支持4倍长度
original_max_position_embeddings32768原始最大位置编码

正确的YaRN配置：

{
    "rope_scaling": {
        "rope_type": "yarn",
        "factor": 4.0,
        "original_max_position_embeddings": 32768
    }
}

部署框架的具体配置：

# vLLM部署时启用YaRN
vllm serve Qwen/Qwen3-32B-AWQ \
    --rope-scaling '{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}' \
    --max-model-len 131072

# SGLang部署配置
python -m sglang.launch_server \
    --model-path Qwen/Qwen3-32B-AWQ \
    --json-model-override-args '{"rope_scaling":{"rope_type":"yarn","factor":4.0,"original_max_position_embeddings":32768}}'

推理参数配置不当

问题现象：生成质量下降

使用错误的推理参数导致响应质量不佳：

# 错误的参数配置
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=32768,
    temperature=0.0,  # 贪心解码，不适合思维模式
    do_sample=False
)

不同模式下的推荐参数：

参数思维模式非思维模式说明
temperature0.60.7温度参数
top_p0.950.8核采样参数
top_k2020Top-k采样
min_p00最小概率阈值
do_sampleTrueTrue必须启用采样

正确的参数配置：

# 思维模式参数
thinking_params = {
    "max_new_tokens": 4096,
    "temperature": 0.6,
    "top_p": 0.95,
    "top_k": 20,
    "min_p": 0.0,
    "do_sample": True
}

# 非思维模式参数  
non_thinking_params = {
    "max_new_tokens": 4096,
    "temperature": 0.7,
    "top_p": 0.8,
    "top_k": 20,
    "min_p": 0.0,
    "do_sample": True
}

模型文件完整性验证

问题现象：模型加载失败

下载的模型文件可能不完整或损坏，导致加载失败。

文件完整性检查：

# 检查必要的模型文件
ls -la Qwen3-32B-AWQ/
# 应该包含以下文件：
# - config.json
# - generation_config.json  
# - model.safetensors.index.json
# - model-0000x-of-00004.safetensors (x从1到4)
# - tokenizer.json
# - tokenizer_config.json
# - vocab.json

SHA256校验（可选）：

# 计算模型文件的SHA256校验和
sha256sum model-00001-of-00004.safetensors
sha256sum model-00002-of-00004.safetensors
sha256sum model-00003-of-00004.safetensors  
sha256sum model-00004-of-00004.safetensors

重新下载损坏的文件：

from huggingface_hub import hf_hub_download, snapshot_download

# 下载单个文件
hf_hub_download(
    repo_id="Qwen/Qwen3-32B-AWQ",
    filename="model-00001-of-00004.safetensors",
    local_dir="./Qwen3-32B-AWQ"
)

# 或者重新下载整个模型
snapshot_download(
    repo_id="Qwen/Qwen3-32B-AWQ",
    local_dir="./Qwen3-32B-AWQ",
    resume_download=True
)

通过系统性地排查和解决这些常见问题，开发者可以确保Qwen3-32B-AWQ模型在各种部署环境下稳定运行，充分发挥其强大的推理和生成能力。

总结

通过系统性地实施本文介绍的优化策略和解决方案，开发者可以充分发挥Qwen3-32B-AWQ模型在各种应用场景下的潜力。从采样参数的精调配置到对话历史的智能管理，从输出长度的优化平衡到常见问题的有效排查，这些最佳实践将帮助用户获得最佳的模型性能和生成质量。正确的参数配置、版本兼容性保证以及健全的错误处理机制是确保模型稳定运行的关键因素。

【免费下载链接】Qwen3-32B-AWQ 【免费下载链接】Qwen3-32B-AWQ 项目地址: https://ai.gitcode.com/hf_mirrors/Qwen/Qwen3-32B-AWQ

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值