IT之家 2 月 4 日消息,阿里巴巴千問宣布推出 Qwen3-Coder-Next,一款專為編碼代理與本地開發(fā)打造的開放權(quán)重的語言模型。
該模型基于 Qwen3-Next-80B-A3B-Base 構(gòu)建,采用混合注意力與 MoE 的新架構(gòu);通過大規(guī)??蓤?zhí)行任務(wù)合成、環(huán)境交互與強化學習進行智能體訓練,在顯著降低推理成本的同時,獲得了強大的編程與智能體能力。
【資料圖】
IT之家附官方詳細介紹如下:
擴展智能體訓練
Qwen3-Coder-Next 不依賴單純的參數(shù)擴展,而是聚焦于擴展智能體訓練信號。我們使用大規(guī)模的可驗證編程任務(wù)與可執(zhí)行環(huán)境進行訓練,使模型能夠直接從環(huán)境反饋中學習。訓練過程包括:
- 在以代碼與智能體為中心的數(shù)據(jù)上進行持續(xù)預(yù)訓練
- 在包含高質(zhì)量智能體軌跡的數(shù)據(jù)上進行監(jiān)督微調(diào)
- 領(lǐng)域?qū)>膶<矣柧殻ㄈ畿浖こ獭A、Web / UX 等)
- 將專家能力蒸餾到單一、可部署的模型中
該配方強調(diào)長程推理、工具使用以及從執(zhí)行失敗中恢復,這些對現(xiàn)實世界中的編程智能體至關(guān)重要。
- 在編程智能體基準上的表現(xiàn)
- 面向智能體的基準結(jié)果
下圖匯總了在多個廣泛使用的編程智能體基準上的表現(xiàn),包括 SWE-Bench(Verified、Multilingual、Pro)、TerminalBench 2.0 和 Aider。
圖中表明:
- 使用 SWE-Agent 框架時,Qwen3-Coder-Next 在 SWE-Bench Verified 上達到 70% 以上。
- 在多語言設(shè)置以及更具挑戰(zhàn)的 SWE-Bench-Pro 基準上保持競爭力。
- 盡管激活參數(shù)規(guī)模很小,該模型在多項智能體評測上仍能匹敵或超過若干更大的開源模型。
下圖展示了 Qwen3-Coder-Next 如何在效率與性能之間取得更優(yōu)的帕累托權(quán)衡。
這一對比清晰體現(xiàn)了效率優(yōu)勢:
- Qwen3-Coder-Next(3B 激活)的 SWE-Bench-Pro 表現(xiàn)可與激活參數(shù)量高 10 到 20 倍的模型相當。
- 盡管專有的全注意力模型在絕對性能上仍然領(lǐng)先,Qwen3-Coder-Next 在面向低成本智能體部署方面處于強勢的帕累托前沿。
Qwen3-Coder-Next 在編程智能體基準上展現(xiàn)出良好前景,在實用場景中具備不錯的速度與推理能力。盡管其表現(xiàn)可與部分更大的開源模型競爭,仍有很大改進空間。
展望未來,我們認為強大的智能體能力 —— 如自主使用工具、應(yīng)對難題、管理復雜任務(wù) —— 是更好編程智能體的關(guān)鍵。接下來我們計劃提升模型的推理與決策能力、支持更多任務(wù),并根據(jù)使用反饋快速迭代更新。
開源地址
ModelScope:
Hugging Face:




