alibaba

Qwen3-Coder-Next

Qwen3-Coder-Next is Alibaba Cloud's elite Apache 2.0 coding model, featuring an 80B MoE architecture and 256k context window for advanced local development.

هوش مصنوعی کدنویسیOpen WeightsMixture of ExpertsAgentic Workflowsمدل محلی (Local LLM)
alibaba logoalibabaQwen3۳ فوریه ۲۰۲۶
پنجره زمینه
256Kتوکن
حداکثر خروجی
8Kتوکن
قیمت ورودی
$0.14/ 1M
قیمت خروجی
$0.42/ 1M
حالت:Text
قابلیت‌ها:ابزارهااستریمینگ
معیارها
GPQA
53.4%
GPQA: سوالات علمی سطح تحصیلات تکمیلی. معیار دقیق با 448 سوال از زیست‌شناسی، فیزیک و شیمی. کارشناسان دکترا فقط 65-74% دقت دارند. Qwen3-Coder-Next امتیاز 53.4% در این معیار کسب کرد.
HLE
28.5%
HLE: استدلال سطح کارشناسی. توانایی مدل در نشان دادن استدلال سطح کارشناسی در حوزه‌های تخصصی را آزمایش می‌کند. Qwen3-Coder-Next امتیاز 28.5% در این معیار کسب کرد.
MMLU
86.2%
MMLU: درک زبان چندوظیفه‌ای گسترده. معیار جامع با 16000 سوال در 57 موضوع دانشگاهی. Qwen3-Coder-Next امتیاز 86.2% در این معیار کسب کرد.
MMLU Pro
78.4%
MMLU Pro: نسخه حرفه‌ای MMLU. نسخه بهبود یافته MMLU با 12032 سوال و فرمت 10 گزینه‌ای سخت‌تر. Qwen3-Coder-Next امتیاز 78.4% در این معیار کسب کرد.
SimpleQA
48.2%
SimpleQA: معیار دقت واقعی. توانایی مدل در ارائه پاسخ‌های دقیق و واقعی را آزمایش می‌کند. Qwen3-Coder-Next امتیاز 48.2% در این معیار کسب کرد.
IFEval
89.1%
IFEval: ارزیابی پیروی از دستورالعمل. اندازه‌گیری می‌کند مدل چقدر خوب از دستورالعمل‌ها و محدودیت‌های خاص پیروی می‌کند. Qwen3-Coder-Next امتیاز 89.1% در این معیار کسب کرد.
AIME 2025
89.2%
AIME 2025: امتحان ریاضی دعوتی آمریکا. مسائل ریاضی سطح مسابقه از امتحان معتبر AIME. Qwen3-Coder-Next امتیاز 89.2% در این معیار کسب کرد.
MATH
83.5%
MATH: حل مسئله ریاضی. معیار جامع ریاضی که حل مسئله در جبر، هندسه، حساب دیفرانسیل را آزمایش می‌کند. Qwen3-Coder-Next امتیاز 83.5% در این معیار کسب کرد.
GSM8k
95.8%
GSM8k: ریاضی دبستان 8K. 8500 مسئله ریاضی کلامی سطح دبستان. Qwen3-Coder-Next امتیاز 95.8% در این معیار کسب کرد.
MGSM
92.5%
MGSM: ریاضی دبستان چندزبانه. معیار GSM8k ترجمه شده به 10 زبان. Qwen3-Coder-Next امتیاز 92.5% در این معیار کسب کرد.
MathVista
71.2%
MathVista: استدلال بصری ریاضی. توانایی حل مسائل ریاضی با عناصر بصری را آزمایش می‌کند. Qwen3-Coder-Next امتیاز 71.2% در این معیار کسب کرد.
SWE-Bench
74.2%
SWE-Bench: معیار مهندسی نرم‌افزار. مدل‌های AI سعی می‌کنند مسائل واقعی GitHub را در پروژه‌های Python حل کنند. Qwen3-Coder-Next امتیاز 74.2% در این معیار کسب کرد.
HumanEval
94.1%
HumanEval: مسائل برنامه‌نویسی Python. 164 مسئله برنامه‌نویسی که مدل‌ها باید پیاده‌سازی صحیح توابع Python تولید کنند. Qwen3-Coder-Next امتیاز 94.1% در این معیار کسب کرد.
LiveCodeBench
74.5%
LiveCodeBench: معیار کدنویسی زنده. توانایی‌های کدنویسی را در چالش‌های برنامه‌نویسی واقعی به‌روز شده آزمایش می‌کند. Qwen3-Coder-Next امتیاز 74.5% در این معیار کسب کرد.
MMMU
72.4%
MMMU: درک چندحالته. معیار درک چندحالته در 30 موضوع دانشگاهی. Qwen3-Coder-Next امتیاز 72.4% در این معیار کسب کرد.
MMMU Pro
58.6%
MMMU Pro: نسخه حرفه‌ای MMMU. نسخه بهبود یافته MMMU با سوالات چالش‌برانگیزتر. Qwen3-Coder-Next امتیاز 58.6% در این معیار کسب کرد.
ChartQA
86.4%
ChartQA: پرسش و پاسخ نمودار. توانایی درک و تحلیل اطلاعات از نمودارها را آزمایش می‌کند. Qwen3-Coder-Next امتیاز 86.4% در این معیار کسب کرد.
DocVQA
93.5%
DocVQA: پرسش و پاسخ بصری سند. توانایی استخراج اطلاعات از تصاویر سند را آزمایش می‌کند. Qwen3-Coder-Next امتیاز 93.5% در این معیار کسب کرد.
Terminal-Bench
58.2%
Terminal-Bench: وظایف ترمینال/CLI. توانایی انجام عملیات خط فرمان را آزمایش می‌کند. Qwen3-Coder-Next امتیاز 58.2% در این معیار کسب کرد.
ARC-AGI
12.5%
ARC-AGI: انتزاع و استدلال. هوش سیال را از طریق پازل‌های تشخیص الگوی جدید آزمایش می‌کند. Qwen3-Coder-Next امتیاز 12.5% در این معیار کسب کرد.

درباره Qwen3-Coder-Next

درباره قابلیت‌های Qwen3-Coder-Next، ویژگی‌ها و نحوه کمک به شما در دستیابی به نتایج بهتر بیاموزید.

معماری مدل

Qwen3-Coder-Next یک مدل تخصصی open-weight است که توسط Alibaba Cloud برای agentهای مهندسی نرم‌افزار طراحی شده است. این مدل از معماری Mixture-of-Experts (MoE) با ۸۰ میلیارد پارامتر کل بهره می‌برد، اما تنها ۳ میلیارد پارامتر را در هر توکن فعال می‌کند. این طراحی، هوشمندی یک مدل عظیم را با سرعت inference یک مدل کوچک ترکیب می‌کند. این معماری شامل یک مکانیسم attention ترکیبی است که Gated DeltaNet را با Gated Attention استاندارد ادغام می‌کند تا contextهای تا ۲۶۲,۱۴۴ توکن را پردازش کند.

تخصص در رفتار Agentic

این مدل بر روی بیش از ۸۰۰,۰۰۰ وظیفه کدنویسی قابل‌تأیید و محیط‌های اجرایی آموزش دیده است. این آموزش بر reasoning بلندمدت و توانایی بازیابی از خطاهای اجرایی تأکید دارد. مدل در SWE-Bench Verified امتیاز ۷۰.۸٪ را کسب کرده که نشان‌دهنده ظرفیت آن در مدیریت وظایف توسعه چندمرحله‌ای از برنامه‌ریزی اولیه تا اجرای نهایی کد است. این مدل در فریم‌ورک‌های agentic خودمختار مانند OpenClaw و Qwen Code عملکردی فوق‌العاده دارد.

استقرار و حریم خصوصی

این مدل که تحت لایسنس Apache 2.0 ارائه شده، جایگزینی امن برای توسعه‌دهندگانی است که به محیط‌های توسعه محلی و خصوصی نیاز دارند. این مدل می‌تواند از طریق کوانتیزاسیون بر روی سخت‌افزارهای مصرف‌کننده با RAM کافی اجرا شود. پنجره context بالا امکان تحلیل در مقیاس کل مخزن را بدون افت عملکردی که معمولاً در مدل‌هایی با context کوچک دیده می‌شود، فراهم می‌کند.

Qwen3-Coder-Next

موارد استفاده برای Qwen3-Coder-Next

روش‌های مختلف استفاده از Qwen3-Coder-Next برای دستیابی به نتایج عالی را کشف کنید.

Agentهای کدنویسی خودکار

تقویت فریم‌ورک‌ها برای مدیریت وظایف توسعه چندمرحله‌ای، از برنامه‌ریزی تا اجرا.

توسعه خصوصی محلی

اجرای دستیار کدنویسی حرفه‌ای روی GPUهای معمولی با ۱۶ گیگابایت VRAM با استفاده از لایه‌های کوانتیزه شده MoE.

تحلیل مخازن (Repositories) در مقیاس بزرگ

پردازش کل کدهای یک پروژه در پنجره ۲۵۶ هزار توکنی برای شناسایی بدهی فنی.

تعمیر و بازنویسی کد

به‌روزرسانی کدهای قدیمی به استانداردهای مدرن با استفاده از بازخورد محیط اجرایی.

اسکریپت‌نویسی چندزبانه

تولید کدهای با کیفیت بالا در بیش از ۴۰ زبان برنامه‌نویسی از جمله Rust و Go.

شبیه‌سازی سه‌بعدی تعاملی

ساخت بصری‌سازهای پیچیده مبتنی بر وب با استفاده از تولید سریع و یک‌مرحله‌ای.

نقاط قوت

محدودیت‌ها

کارایی MoE: فعال‌سازی تنها ۳ میلیارد پارامتر برای سخت‌افزارهای معمولی، در حالی که هوشمندی در کلاس مدل‌های ۸۰ میلیاردی را حفظ می‌کند.
نیازمندی‌های RAM سیستم: تعداد کل ۸۰ میلیارد پارامتر برای کوانتیزاسیون ۴ بیتی موثر، به حدود ۴۵ گیگابایت RAM نیاز دارد.
تخصص در رفتار Agentic: کسب امتیاز ۷۰.۸٪ در SWE-Bench Verified، که نشان‌دهنده توانایی برتر در حل مسائل چندمرحله‌ای است.
محدودیت‌های حالت بازگشتی (Recurrent State): معماری attention ترکیبی باعث می‌شود که self-speculative decoding در موتورهای متداول inference پشتیبانی نشود.
context بومی عظیم: پنجره ۲۶۲,۱۴۴ توکنی که از تحلیل در مقیاس کل مخزن بدون افت عملکرد پشتیبانی می‌کند.
محدودیت‌های مدل متنی: فاقد قابلیت‌های بینایی multimodal است که مانع از دیباگ کردن طرح‌بندی‌ها از روی اسکرین‌شات می‌شود.
مجوز انعطاف‌پذیر: عرضه تحت لایسنس Apache 2.0 که امکان استفاده تجاری نامحدود و میزبانی خصوصی محلی را فراهم می‌کند.
فیزیک بسیار پیچیده: ممکن است در تولید یک‌مرحله‌ای منطق فیزیک سه‌بعدی پیچیده در مقایسه با مدل‌های dense flagship با مشکل مواجه شود.

شروع سریع API

alibaba/qwen-3-coder-next

مشاهده مستندات
alibaba SDK
import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.DASHSCOPE_API_KEY,
  baseURL: "https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
});

async function main() {
  const completion = await client.chat.completions.create({
    model: "qwen3-coder-next",
    messages: [
      { role: "system", content: "You are a professional coding assistant." },
      { role: "user", content: "Write a React component for a sortable list." },
    ],
  });
  console.log(completion.choices[0].message.content);
}
main();

SDK را نصب کنید و در عرض چند دقیقه شروع به فراخوانی API کنید.

مردم درباره Qwen3-Coder-Next چه می‌گویند

ببینید جامعه درباره Qwen3-Coder-Next چه فکر می‌کند

تقریباً در توانایی‌های کلی کدنویسی با Claude برابری می‌کند. شکست دادن Claude 3.5 Sonnet در HumanEval با امتیاز ۹۲.۷٪ شگفت‌انگیز است.
Philipp Schmid
twitter
کارایی نسخه MoE برای سخت‌افزارهای محلی دیوانه‌کننده است. من روی سیستم میان‌رده ۲۶ توکن در ثانیه دریافت می‌کنم.
LocalAI_Dev
reddit
به دلیل حالت‌های بازگشتی (recurrent states)، self-speculative decoding برای Qwen Coder Next از نظر ریاضی غیرممکن است.
GodComplecs
reddit
مدل Qwen3-Coder-Next مبتنی بر MoE است و بسیار قوی‌تر و هوشمندتر از نسخه‌های قبلی است!
JustinLin610
twitter
نمایش توانایی تغییر ارائه‌دهنده مدل در وسط پروژه با نسخه‌های جدید ۴۸۰ میلیاردی.
saveralter
reddit
دستورالعمل آموزش agentic روی ۸۰۰ هزار وظیفه، در نحوه بازیابی مدل از خطاهای build مشخص است.
TechGurus
hackernews

ویدیوهای درباره Qwen3-Coder-Next

آموزش‌ها، بررسی‌ها و بحث‌های درباره Qwen3-Coder-Next را تماشا کنید

امکان دسترسی برای کسانی که می‌خواهند با agentهای کدنویسی محلی کار کنند را فراهم می‌کند

این مدل مرا ترغیب می‌کند که حتماً آن را تست کنم

کارایی حافظه در این مدل یک برد بزرگ محسوب می‌شود

منطق پیچیده را بهتر از مدل dense ۷۲ میلیاردی قبلی مدیریت می‌کند

این اولین مدل open-weight است که دستورات ترمینال مرا به‌درستی اجرا می‌کند

مدل Qwen 3 Coder Next تنها ۳ میلیارد پارامتر فعال دارد تا روی کارت گرافیک‌های معمولی اجرا شود

به زیبایی کار می‌کند. واقعاً شگفت‌زده‌ام که می‌توانم این نتیجه را به صورت یک‌مرحله‌ای از هوش مصنوعی محلی بگیرم

مدل‌های ۸۰ میلیاردی معمولاً به یک کلاستر نیاز دارند، اما رویکرد MoE همه‌چیز را تغییر می‌دهد

بدون افت عملکرد محسوس، ۴۰+ زبان برنامه‌نویسی را پشتیبانی می‌کند

استفاده از آن با OpenClaw باعث می‌شود حس کنید یک برنامه‌نویس جونیور در تیم دارید

مدلی با ۳ میلیارد پارامتر فعال که با مدل‌های ۱۰ تا ۲۰ برابر بزرگ‌تر از خود رقابت می‌کند

مدل Qwen 3 مزایای زیادی را با هزینه کمتر ارائه می‌دهد

پشتیبانی از context ۲۵۶ هزار توکنی واقعی است، و میانه پروژه من را دچار توهم نکرد

با توجه به وزن ۸۰ میلیاردی پارامترها، latency به طرز شگفت‌آوری پایین است

این مدل باگی را در مخزن قدیمی Go من اصلاح کرد که GPT-4o سه بار در آن شکست خورده بود

بیشتر از فقط پرامپت

گردش کار خود را با اتوماسیون AI

Automatio قدرت عامل‌های AI، اتوماسیون وب و ادغام‌های هوشمند را ترکیب می‌کند تا به شما کمک کند در زمان کمتر بیشتر انجام دهید.

عامل‌های AI
اتوماسیون وب
گردش‌کارهای هوشمند

نکات حرفه‌ای برای Qwen3-Coder-Next

نکات تخصصی برای کمک به شما در استفاده حداکثری از Qwen3-Coder-Next و دستیابی به نتایج بهتر.

از promptهای سیستم طولانی استفاده کنید

برای همسو کردن رفتارهای agentic مدل، مثال‌ها و مستندات دقیقی به آن ارائه دهید.

بازخورد خطای تکراری

برای دستیابی به نرخ موفقیت بالای خود-اصلاحی (self-correction)، لاگ‌های خطای کنسول مرورگر را به مدل بدهید.

بهینه‌سازی انتقال لایه‌ها (Layer Offloading)

برای ایجاد تعادل بین سرعت inference و توانایی reasoning، لایه‌های متخصص MoE خاصی را به RAM سیستم منتقل کنید.

تنظیم parameters نمونه‌برداری

برای دقیق‌ترین نتایج کدنویسی، از temperature ۱.۰ با top_p ۰.۹۵ و top_k ۴۰ استفاده کنید.

نظرات

کاربران ما چه می‌گویند

به هزاران کاربر راضی که گردش کار خود را متحول کرده‌اند بپیوندید

Jonathan Kogan

Jonathan Kogan

Co-Founder/CEO, rpatools.io

Automatio is one of the most used for RPA Tools both internally and externally. It saves us countless hours of work and we realized this could do the same for other startups and so we choose Automatio for most of our automation needs.

Mohammed Ibrahim

Mohammed Ibrahim

CEO, qannas.pro

I have used many tools over the past 5 years, Automatio is the Jack of All trades.. !! it could be your scraping bot in the morning and then it becomes your VA by the noon and in the evening it does your automations.. its amazing!

Ben Bressington

Ben Bressington

CTO, AiChatSolutions

Automatio is fantastic and simple to use to extract data from any website. This allowed me to replace a developer and do tasks myself as they only take a few minutes to setup and forget about it. Automatio is a game changer!

Sarah Chen

Sarah Chen

Head of Growth, ScaleUp Labs

We've tried dozens of automation tools, but Automatio stands out for its flexibility and ease of use. Our team productivity increased by 40% within the first month of adoption.

David Park

David Park

Founder, DataDriven.io

The AI-powered features in Automatio are incredible. It understands context and adapts to changes in websites automatically. No more broken scrapers!

Emily Rodriguez

Emily Rodriguez

Marketing Director, GrowthMetrics

Automatio transformed our lead generation process. What used to take our team days now happens automatically in minutes. The ROI is incredible.

Jonathan Kogan

Jonathan Kogan

Co-Founder/CEO, rpatools.io

Automatio is one of the most used for RPA Tools both internally and externally. It saves us countless hours of work and we realized this could do the same for other startups and so we choose Automatio for most of our automation needs.

Mohammed Ibrahim

Mohammed Ibrahim

CEO, qannas.pro

I have used many tools over the past 5 years, Automatio is the Jack of All trades.. !! it could be your scraping bot in the morning and then it becomes your VA by the noon and in the evening it does your automations.. its amazing!

Ben Bressington

Ben Bressington

CTO, AiChatSolutions

Automatio is fantastic and simple to use to extract data from any website. This allowed me to replace a developer and do tasks myself as they only take a few minutes to setup and forget about it. Automatio is a game changer!

Sarah Chen

Sarah Chen

Head of Growth, ScaleUp Labs

We've tried dozens of automation tools, but Automatio stands out for its flexibility and ease of use. Our team productivity increased by 40% within the first month of adoption.

David Park

David Park

Founder, DataDriven.io

The AI-powered features in Automatio are incredible. It understands context and adapts to changes in websites automatically. No more broken scrapers!

Emily Rodriguez

Emily Rodriguez

Marketing Director, GrowthMetrics

Automatio transformed our lead generation process. What used to take our team days now happens automatically in minutes. The ROI is incredible.

مرتبط AI Models

deepseek

DeepSeek-V3.2-Speciale

DeepSeek

DeepSeek-V3.2-Speciale is a reasoning-first LLM featuring gold-medal math performance, DeepSeek Sparse Attention, and a 131K context window. Rivaling GPT-5...

131K context
$0.28/$0.42/1M
minimax

MiniMax M2.5

minimax

MiniMax M2.5 is a SOTA MoE model featuring a 1M context window and elite agentic coding capabilities at disruptive pricing for autonomous agents.

1M context
$0.15/$1.20/1M
zhipu

GLM-4.7

Zhipu (GLM)

GLM-4.7 by Zhipu AI is a flagship 358B MoE model featuring a 200K context window, elite 73.8% SWE-bench performance, and native Deep Thinking for agentic...

200K context
$0.60/$2.20/1M
openai

GPT-4o mini

OpenAI

OpenAI's most cost-efficient small model, GPT-4o mini offers multimodal intelligence and high-speed performance at a significantly lower price point.

128K context
$0.15/$0.60/1M
openai

GPT-5.4

OpenAI

GPT-5.4 is OpenAI's frontier model featuring a 1.05M context window and Extreme Reasoning. It excels at autonomous UI interaction and long-form data analysis.

1M context
$2.50/$15.00/1M
google

Gemini 3.1 Flash-Lite

Google

Gemini 3.1 Flash-Lite is Google's fastest, most cost-efficient model. Features 1M context, native multimodality, and 363 tokens/sec speed for scale.

1M context
$0.25/$1.50/1M
openai

GPT-5.3 Instant

OpenAI

Explore GPT-5.3 Instant, OpenAI's "Anti-Cringe" model. Features a 128K context window, 26.8% fewer hallucinations, and a natural, helpful tone for everyday...

128K context
$1.75/$14.00/1M
google

Gemini 3.1 Pro

Google

Gemini 3.1 Pro is Google's elite multimodal model featuring the DeepThink reasoning engine, a 1M+ context window, and industry-leading ARC-AGI logic scores.

1M context
$2.00/$12.00/1M

سوالات متداول درباره Qwen3-Coder-Next

پاسخ سوالات رایج درباره Qwen3-Coder-Next را بیابید