Automatio
alibaba

Qwen3-Coder-Next

Qwen3-Coder-Next adalah model coding Apache 2.0 unggulan dari Alibaba Cloud, yang menampilkan arsitektur MoE 80B dan context window 256k untuk pengembangan...

AI CodingOpen WeightsMixture of ExpertsAgentic WorkflowsLLM Lokal
alibaba logoalibabaQwen33 Februari 2026
Konteks
256Ktoken
Output maks.
8Ktoken
Harga input
$0.14/ 1M
Harga output
$0.42/ 1M
Modalitas:Text
Kemampuan:AlatStreaming
Benchmarks
GPQA
53.4%
GPQA: Tanya Jawab Sains Tingkat Doktoral. Benchmark ketat dengan 448 pertanyaan pilihan ganda dalam biologi, fisika, dan kimia yang dibuat oleh pakar domain. Para ahli PhD hanya mencapai akurasi 65-74%, sementara non-ahli hanya mendapat 34% bahkan dengan akses web tak terbatas (sehingga disebut 'tahan Google'). Qwen3-Coder-Next meraih skor 53.4% pada benchmark ini.
HLE
28.5%
HLE: Penalaran Keahlian Tingkat Tinggi. Menguji kemampuan model untuk mendemonstrasikan penalaran tingkat ahli di domain khusus. Mengevaluasi pemahaman mendalam tentang topik kompleks yang membutuhkan pengetahuan tingkat profesional. Qwen3-Coder-Next meraih skor 28.5% pada benchmark ini.
MMLU
86.2%
MMLU: Pemahaman Bahasa Multitugas Masif. Benchmark komprehensif dengan 16.000 pertanyaan pilihan ganda meliputi 57 mata pelajaran akademik termasuk matematika, filsafat, hukum, dan kedokteran. Menguji pengetahuan luas dan kemampuan penalaran. Qwen3-Coder-Next meraih skor 86.2% pada benchmark ini.
MMLU Pro
78.4%
MMLU Pro: MMLU Edisi Profesional. Versi MMLU yang ditingkatkan dengan 12.032 pertanyaan menggunakan format 10 pilihan yang lebih sulit. Mencakup Matematika, Fisika, Kimia, Hukum, Teknik, Ekonomi, Kesehatan, Psikologi, Bisnis, Biologi, Filsafat, dan Ilmu Komputer. Qwen3-Coder-Next meraih skor 78.4% pada benchmark ini.
SimpleQA
48.2%
SimpleQA: Benchmark Akurasi Faktual. Menguji kemampuan model untuk memberikan respons yang akurat dan faktual terhadap pertanyaan langsung. Mengukur keandalan dan mengurangi halusinasi dalam tugas pengambilan pengetahuan. Qwen3-Coder-Next meraih skor 48.2% pada benchmark ini.
IFEval
89.1%
IFEval: Evaluasi Kepatuhan Instruksi. Mengukur seberapa baik model mengikuti instruksi dan batasan tertentu. Menguji kemampuan untuk mematuhi aturan format, batas panjang, dan persyaratan eksplisit lainnya. Qwen3-Coder-Next meraih skor 89.1% pada benchmark ini.
AIME 2025
89.2%
AIME 2025: Ujian Matematika Undangan Amerika. Soal matematika tingkat kompetisi dari ujian AIME bergengsi yang dirancang untuk siswa SMA berbakat. Menguji pemecahan masalah matematika tingkat lanjut yang membutuhkan penalaran abstrak, bukan sekadar pencocokan pola. Qwen3-Coder-Next meraih skor 89.2% pada benchmark ini.
MATH
83.5%
MATH: Pemecahan Masalah Matematika. Benchmark matematika komprehensif yang menguji pemecahan masalah dalam aljabar, geometri, kalkulus, dan domain matematika lainnya. Membutuhkan penalaran multi-langkah dan pengetahuan matematika formal. Qwen3-Coder-Next meraih skor 83.5% pada benchmark ini.
GSM8k
95.8%
GSM8k: Matematika SD 8K. 8.500 soal cerita matematika tingkat SD yang membutuhkan penalaran multi-langkah. Menguji aritmatika dasar dan pemikiran logis melalui skenario dunia nyata seperti belanja atau perhitungan waktu. Qwen3-Coder-Next meraih skor 95.8% pada benchmark ini.
MGSM
92.5%
MGSM: Matematika SD Multibahasa. Benchmark GSM8k yang diterjemahkan ke 10 bahasa termasuk Spanyol, Prancis, Jerman, Rusia, Cina, dan Jepang. Menguji penalaran matematika dalam berbagai bahasa. Qwen3-Coder-Next meraih skor 92.5% pada benchmark ini.
MathVista
71.2%
MathVista: Penalaran Matematika Visual. Menguji kemampuan untuk menyelesaikan masalah matematika yang melibatkan elemen visual seperti grafik, diagram geometri, dan figur ilmiah. Menggabungkan pemahaman visual dengan penalaran matematika. Qwen3-Coder-Next meraih skor 71.2% pada benchmark ini.
SWE-Bench
74.2%
SWE-Bench: Benchmark Rekayasa Perangkat Lunak. Model AI mencoba menyelesaikan masalah GitHub nyata dalam proyek Python open-source dengan verifikasi manusia. Menguji keterampilan rekayasa perangkat lunak praktis pada codebase produksi. Model terbaik meningkat dari 4,4% di 2023 menjadi lebih dari 70% di 2024. Qwen3-Coder-Next meraih skor 74.2% pada benchmark ini.
HumanEval
94.1%
HumanEval: Masalah Pemrograman Python. 164 masalah pemrograman yang ditulis tangan di mana model harus menghasilkan implementasi fungsi Python yang benar. Setiap solusi diverifikasi dengan unit test. Model terbaik sekarang mencapai akurasi lebih dari 90%. Qwen3-Coder-Next meraih skor 94.1% pada benchmark ini.
LiveCodeBench
74.5%
LiveCodeBench: Benchmark Koding Langsung. Menguji kemampuan koding pada tantangan pemrograman dunia nyata yang terus diperbarui. Berbeda dengan benchmark statis, menggunakan masalah baru untuk mencegah kontaminasi data dan mengukur keterampilan koding yang sebenarnya. Qwen3-Coder-Next meraih skor 74.5% pada benchmark ini.
MMMU
72.4%
MMMU: Pemahaman Multimodal. Benchmark Pemahaman Multimodal Multi-disiplin Masif yang menguji model penglihatan-bahasa pada masalah tingkat universitas di 30 mata pelajaran yang membutuhkan pemahaman gambar dan pengetahuan ahli. Qwen3-Coder-Next meraih skor 72.4% pada benchmark ini.
MMMU Pro
58.6%
MMMU Pro: MMMU Edisi Profesional. Versi MMMU yang ditingkatkan dengan pertanyaan lebih sulit dan evaluasi lebih ketat. Menguji penalaran multimodal tingkat lanjut di tingkat profesional dan ahli. Qwen3-Coder-Next meraih skor 58.6% pada benchmark ini.
ChartQA
86.4%
ChartQA: Tanya Jawab Grafik. Menguji kemampuan untuk memahami dan bernalar tentang informasi yang disajikan dalam grafik dan diagram. Membutuhkan ekstraksi data, perbandingan nilai, dan melakukan perhitungan dari representasi visual data. Qwen3-Coder-Next meraih skor 86.4% pada benchmark ini.
DocVQA
93.5%
DocVQA: Tanya Jawab Visual Dokumen. Benchmark Tanya Jawab Visual Dokumen yang menguji kemampuan untuk mengekstrak dan bernalar tentang informasi dari gambar dokumen termasuk formulir, laporan, dan teks yang dipindai. Qwen3-Coder-Next meraih skor 93.5% pada benchmark ini.
Terminal-Bench
58.2%
Terminal-Bench: Tugas Terminal/CLI. Menguji kemampuan untuk melakukan operasi baris perintah, menulis skrip shell, dan menavigasi lingkungan terminal. Mengukur keterampilan administrasi sistem praktis dan alur kerja pengembangan. Qwen3-Coder-Next meraih skor 58.2% pada benchmark ini.
ARC-AGI
12.5%
ARC-AGI: Abstraksi dan Penalaran. Abstraction and Reasoning Corpus untuk AGI - menguji kecerdasan fluida melalui teka-teki pengenalan pola baru. Setiap tugas membutuhkan penemuan aturan yang mendasari dari contoh, mengukur kemampuan penalaran umum daripada menghafal. Qwen3-Coder-Next meraih skor 12.5% pada benchmark ini.
Lihat dokumentasi API

Tentang Qwen3-Coder-Next

Pelajari tentang kemampuan, fitur, dan cara menggunakan Qwen3-Coder-Next.

Arsitektur Model

Qwen3-Coder-Next adalah model open-weight khusus yang dirancang oleh Alibaba Cloud untuk agen rekayasa perangkat lunak. Model ini menggunakan arsitektur Mixture-of-Experts (MoE) dengan total 80 miliar parameters, namun hanya mengaktifkan 3 miliar parameters per token. Desain ini menggabungkan kecerdasan model masif dengan kecepatan inference model kecil. Arsitekturnya mencakup mekanisme attention hibrida, mengintegrasikan Gated DeltaNet dengan Gated Attention standar untuk memproses konteks hingga 262.144 tokens.

Spesialisasi Agentic

Model ini dilatih pada lebih dari 800.000 tugas coding yang dapat diverifikasi dan lingkungan eksekusi. Pelatihan ini menekankan pada reasoning jangka panjang dan kemampuan untuk pulih dari kegagalan eksekusi. Model ini mencetak skor 70,8% pada SWE-Bench Verified, menunjukkan kapasitasnya dalam menangani tugas pengembangan multi-langkah mulai dari perencanaan awal hingga eksekusi kode akhir. Model ini unggul dalam kerangka kerja agentic otonom seperti OpenClaw dan Qwen Code.

Deployment dan Privasi

Dilisensikan di bawah Apache 2.0, model ini menyediakan alternatif aman bagi pengembang yang memerlukan lingkungan pengembangan lokal dan privat. Model ini dapat berjalan pada perangkat keras kelas konsumen dengan RAM yang memadai melalui kuantisasi. Window konteks yang tinggi memungkinkan analisis skala repositori tanpa penurunan performa yang biasanya terlihat pada model dengan konteks yang lebih kecil.

Qwen3-Coder-Next

Kasus Penggunaan untuk Qwen3-Coder-Next

Temukan berbagai cara menggunakan Qwen3-Coder-Next untuk hasil yang luar biasa.

Agen Coding Otonom

Memberdayakan kerangka kerja untuk menangani tugas pengembangan multi-langkah mulai dari perencanaan hingga eksekusi akhir.

Pengembangan Privat Lokal

Menjalankan asisten coding tingkat tinggi pada GPU konsumen dengan 16GB VRAM menggunakan lapisan MoE terkuantisasi.

Analisis Repositori Skala Besar

Memproses seluruh codebase dalam window 256k untuk mengidentifikasi utang teknis (technical debt).

Perbaikan dan Refactoring Kode

Memperbarui kode lama ke standar modern dengan memberikan umpan balik lingkungan yang dapat dieksekusi.

Scripting Multibahasa

Menghasilkan kode dengan fidelitas tinggi di lebih dari 40 bahasa pemrograman termasuk Rust dan Go.

Simulasi 3D Interaktif

Membangun visualisator dan simulasi berbasis web yang kompleks menggunakan pembuatan sekali jalan (one-shot) yang cepat.

Kelebihan

Keterbatasan

Efisiensi MoE: Beroperasi dengan 3B parameters aktif untuk perangkat keras konsumen sambil mempertahankan kecerdasan kelas 80B.
Kebutuhan RAM Sistem: Total 80B parameters memerlukan sekitar 45GB RAM total untuk kuantisasi 4-bit yang efektif.
Spesialisasi Agentic: Mencapai skor 70,8% pada SWE-Bench Verified, menunjukkan pemecahan masalah multi-turn yang superior.
Keterbatasan Status Berulang (Recurrent State): Arsitektur attention hibrida membuat self-speculative decoding tidak didukung dalam mesin inference umum.
Konteks Bawaan Masif: Window 262.144 tokens mendukung analisis skala repositori tanpa penurunan performa.
Batasan Khusus Teks: Tidak memiliki kemampuan visi multimodal, sehingga tidak dapat melakukan debugging layout dari tangkapan layar.
Lisensi Permisif: Dirilis di bawah Apache 2.0, memungkinkan penggunaan komersial tanpa batas dan hosting lokal secara privat.
Fisika Kompleksitas Tinggi: Mungkin kesulitan dalam pembuatan logika fisika 3D ekstrem secara one-shot dibandingkan dengan model flagship padat.

Mulai Cepat API

alibaba/qwen-3-coder-next

Lihat Dokumentasi
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();

Instal SDK dan mulai melakukan panggilan API dalam hitungan menit.

Apa Kata Orang Tentang Qwen3-Coder-Next

Lihat apa yang dipikirkan komunitas tentang Qwen3-Coder-Next

“Hampir menyamai Claude dalam kemampuan coding keseluruhan. Mengalahkan Claude 3.5 Sonnet pada HumanEval dengan 92,7%.”
— Philipp Schmid
twitter
“Efisiensi versi MoE sungguh luar biasa untuk perangkat keras lokal. Saya mendapatkan 26 TPS pada sistem kelas menengah.”
— LocalAI_Dev
reddit
“Self-speculative decoding secara matematis tidak mungkin dilakukan untuk Qwen Coder Next karena status berulang.”
— GodComplecs
reddit
“Qwen3-Coder-Next didasarkan pada MoE, dan jauh lebih kuat serta pintar dari sebelumnya!”
— JustinLin610
twitter
“Menunjukkan kemampuan untuk berpindah penyedia layanan di tengah proyek dengan varian model 480B baru.”
— saveralter
reddit
“Resep pelatihan agentic pada 800k tugas terlihat dari cara ia pulih dari kesalahan build.”
— TechGurus
hackernews

Video Tentang Qwen3-Coder-Next

Tonton tutorial, ulasan, dan diskusi tentang Qwen3-Coder-Next

“Meskipun ini adalah model dengan total 80 miliar parameters, hanya ada 3 miliar yang aktif.”

“Itu sebenarnya cukup bagus. Sepertinya ada sedikit warna di sini. Visualizer audio visual secara real-time.”

“yaitu kita dapat menjalankannya secara lokal. Ada banyak quant yang tersedia saat ini. Ada quant untuk sistem Apple. Sepertinya saya melihat quant NVFP4, tapi jangan jadikan itu patokan. Jadi itu juga akan menjadi hal yang menarik untuk dijelajahi”

“Model ini ternyata sangat praktis, bahkan pada quantization 3-bit.”

“Namun, jika kita membandingkan hasilnya dengan Gemini 3.1 Pro, meskipun Gemini menangani animasi dengan jauh lebih baik, hasil Qwen 3 Coder next tidak terlihat terlalu jauh tertinggal.”

“Kali ini prompt membutuhkan waktu sekitar 30 menit untuk selesai dan inilah hasilnya. Kali ini kita mulai melihat batas dari model 80 miliar yang dikuantisasi secara masif dengan prompt konsep yang kompleks. Yang pertama”

“Kecepatan model ini sangat mengesankan.”

“memori. Jadi kita mendapatkan dua quantization content model di sini. Satu untuk pengguna RAM 128 GB dan satu untuk pengguna RAM 64 GB.”

“adalah pilihan terbaik untuk didapatkan dan 5.5 masih memiliki akurasi token 95%. Dan dengan 95, Anda bisa mendapatkannya di komputer dengan RAM 64 GB. Jadi,”

Lebih dari sekadar prompt

Tingkatkan alur kerja Anda dengan Otomatisasi AI

Automatio menggabungkan kekuatan agen AI, otomatisasi web, dan integrasi cerdas untuk membantu Anda mencapai lebih banyak dalam waktu lebih singkat.

Agen AI
Otomasi Web
Alur Kerja Cerdas

Tips Pro untuk Qwen3-Coder-Next

Tips ahli untuk memaksimalkan Qwen3-Coder-Next.

Gunakan System Prompts yang Panjang

Berikan model contoh dan dokumentasi yang mendetail untuk menyelaraskan perilaku agentic-nya.

Umpan Balik Kesalahan Iteratif

Masukkan log kesalahan konsol browser kembali ke dalam model untuk koreksi mandiri dengan tingkat keberhasilan tinggi.

Optimalkan Layer Offloading

Pindahkan lapisan ahli (expert layers) MoE tertentu ke RAM sistem untuk menyeimbangkan kecepatan inference dan reasoning.

Selaraskan Parameter Sampling

Gunakan temperature 1.0 dengan top_p 0.95 dan top_k 40 untuk hasil coding yang paling akurat.

Testimoni

Apa Kata Pengguna Kami

Bergabunglah dengan ribuan pengguna puas yang telah mengubah alur kerja mereka

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.

Terkait AI Models

deepseek

DeepSeek-V4-Flash

DeepSeek

DeepSeek-V4-Flash is an open-weight 1M context AI model scoring 54.4% on SWE-bench at $0.14 per 1M tokens, optimized for agentic coding and reasoning.

1M context
$0.14/$0.28/1M
other

MiMo V2.5 Pro

Other

MiMo V2.5 Pro is Xiaomi's open-source 1.02T parameter MoE model featuring a 1M context window, native multimodality, and elite agentic coding performance.

1M context
$1.00/$3.00/1M
google

Gemini 3.8 Flash

Google

Gemini 3.8 Flash is Google's multimodal AI offering 1M context, 64K output, and agentic coding capabilities at $0.75 per million input tokens.

1M context
$0.75/$3.75/1M
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
google

Gemini 3.6 Flash

Google

Gemini 3.6 Flash is Google's high-speed model featuring a 17% reduction in token consumption, $1.50/M input pricing, and advanced 3D visualization.

1M context
$1.50/$7.50/1M
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
moonshot

Kimi K2.7 Code

Moonshot

Kimi K2.7 Code is a 1T parameter MoE model from Moonshot AI. It features a 262k context window and 30% more efficient reasoning for software engineering.

262K context
$0.95/$4.00/1M

Pertanyaan yang Sering Diajukan tentang Qwen3-Coder-Next

Temukan jawaban untuk pertanyaan umum tentang Qwen3-Coder-Next