阿里千问发布Qwen3-Coder-Next：低推理成本编程智能体模型

IT之家 2 月 4 日消息，阿里巴巴千问宣布推出 Qwen3-Coder-Next，一款专为编码代理与本地开发打造的开放权重的语言模型。

该模型基于 Qwen3-Next-80B-A3B-Base 构建，采用混合注意力与 MoE 的新架构；通过大规模可执行任务合成、环境交互与强化学习进行智能体训练，在显著降低推理成本的同时，获得了强大的编程与智能体能力。

IT之家附官方详细介绍如下：

扩展智能体训练

Qwen3-Coder-Next 不依赖单纯的参数扩展，而是聚焦于扩展智能体训练信号。我们使用大规模的可验证编程任务与可执行环境进行训练，使模型能够直接从环境反馈中学习。训练过程包括：

• 在以代码与智能体为中心的数据上进行持续预训练
• 在包含高质量智能体轨迹的数据上进行监督微调
• 领域专精的专家训练（如软件工程、QA、Web / UX 等）
• 将专家能力蒸馏到单一、可部署的模型中

该配方强调长程推理、工具使用以及从执行失败中恢复，这些对现实世界中的编程智能体至关重要。

• 在编程智能体基准上的表现
• 面向智能体的基准结果

下图汇总了在多个广泛使用的编程智能体基准上的表现，包括 SWE-Bench（Verified、Multilingual、Pro）、TerminalBench 2.0 和 Aider。

图中表明：

• 使用 SWE-Agent 框架时，Qwen3-Coder-Next 在 SWE-Bench Verified 上达到 70% 以上。
• 在多语言设置以及更具挑战的 SWE-Bench-Pro 基准上保持竞争力。
• 尽管激活参数规模很小，该模型在多项智能体评测上仍能匹敌或超过若干更大的开源模型。

下图展示了 Qwen3-Coder-Next 如何在效率与性能之间取得更优的帕累托权衡。

这一对比清晰体现了效率优势：

• Qwen3-Coder-Next（3B 激活）的 SWE-Bench-Pro 表现可与激活参数量高 10 到 20 倍的模型相当。
• 尽管专有的全注意力模型在绝对性能上仍然领先，Qwen3-Coder-Next 在面向低成本智能体部署方面处于强势的帕累托前沿。

Qwen3-Coder-Next 在编程智能体基准上展现出良好前景，在实用场景中具备不错的速度与推理能力。尽管其表现可与部分更大的开源模型竞争，仍有很大改进空间。

展望未来，我们认为强大的智能体能力 —— 如自主使用工具、应对难题、管理复杂任务 —— 是更好编程智能体的关键。接下来我们计划提升模型的推理与决策能力、支持更多任务，并根据使用反馈快速迭代更新。

开源地址

ModelScope：

Hugging Face：