Alibaba представила Qwen3-Coder-Next — открытая LLM для кодинга и агентных задач
Введение
Alibaba выпустила Qwen3-Coder-Next — новую языковую модель с открытым исходным кодом и объемом 80 миллиардов параметров для задач программирования и агентской разработки. Alibaba отметила, что нейросеть создавалась как основа для создания кодинг-агентов, которые способны работать в исполняемых средах, использовать инструменты и выполнять многоуровневые операции.
Подробнее о Qwen3-Coder-Next
Qwen3-Coder-Next базируется на ранее выпущенной модели Qwen3-Next-80B-A3B-Base и использует MoE с 3 миллиардами активных параметров при 80 миллиардов общих параметров, благодаря чему при инференсе модель требует меньше вычислительных ресурсов при сохранении высокой точности в агентных сценариях. При обучении Qwen3-Coder-Next разработчики сместили фокус в сторону масштабирования агентных сигналов — модель прошла крупномасштабное предобучение на датасете, ориентированном на код и агентскую разработку, а также дополнительное дообучение на проверяемых задачах в исполняемых окружениях, где обратная связь формируется напрямую от среды. Помимо этого, для еще большего повышения точности модель обучалась на агентных траекториях, подготовленных для реальных сценариев разработки ПО, тестирования и веб-задач, с последующей дистилляцией специализированных экспертов в единую модель, пригодную для практического развертывания.
ИИ-производительность модели Qwen3-Coder-Next в агентских бенчмарках. Источник: .
Эффективность модели подтверждается в агентно-ориентированных бенчмарках, где Qwen3-Coder-Next демонстрирует более чем конкурентоспособные результаты. На SWE-Bench Verified модель преодолевает отметку в 70% точности при использовании стандартного агентного окружения, сохраняя устойчивость показателей в многоязычных конфигурациях и на усложненном SWE-Bench Pro. Qwen3-Coder-Next выходит на уровень проприетарной модели Claude Sonnet 4.5 и на порядок превосходит топовые открытые решения, такие как GLM 4.7, DeepSeek V3.2 и Kimi K2.5. Отдельно отмечается способность модели эффективно масштабироваться по числу агентных шагов, что указывает на эффективные навыки рассуждения на длинном горизонте и стабильное поведение в многошаговых задачах.
ИИ-производительность модели Qwen3-Coder-Next в бенчмраке SWE-Bench Pro. Источник: .
Выводы
Релиз Qwen3-Coder-Next подтверждает смещение фокуса в развитии кодинговых LLM от простого увеличения параметров к оптимизации агентских навыков и эффективности инференса. Открытые веса, архитектура MoE и сильные результаты на SWE-Bench делают новое ИИ-решение Alibaba отличным выбором для локальной разработки кода и построения автономных кодинг-агентов. Для экосистемы open source релиз Qwen3-Coder-Next крайне важен, так как благодаря нему у открытого сообщества появился еще один практичный инструмент, ориентированный не на демонстрационные сценарии, а на реальное применение в автоматизации разработки ПО.
