阿里巴巴旗下千问团队近日发布了一款名为qwen3-coder-next的全新语言模型，该模型专为编码代理和本地开发场景设计，采用开放权重架构，旨在为开发者提供更高效的编程工具。与传统的参数扩展模式不同，qwen3-coder-next通过创新训练方法，在降低推理成本的同时显著提升了编程和智能体能力。
该模型基于qwen3-next-80b-a3b-base构建，引入了混合注意力机制与专家混合（moe）架构。训练过程中，团队采用大规模可执行任务合成、环境交互和强化学习技术，使模型能够直接从环境反馈中学习。具体训练方法包括：在代码与智能体数据上进行持续预训练，利用高质量智能体轨迹数据进行监督微调，针对软件工程、qa、web/ux等领域进行专家训练，最终将专家能力蒸馏到单一可部署模型中。这种训练方式特别强调长程推理、工具使用和错误恢复能力，这些特性对现实编程场景至关重要。
在性能评估方面，qwen3-coder-next在多个权威编程智能体基准测试中表现优异。使用swe-agent框架时，该模型在swe-bench verified基准上取得超过70%的成绩，在多语言设置和更具挑战性的swe-bench-pro测试中也保持竞争力。值得注意的是，尽管其激活参数规模较小，但在多项评测中仍能媲美甚至超越参数规模大10-20倍的开源模型。
效率与性能的平衡是该模型的另一大亮点。测试数据显示，qwen3-coder-next（3b激活参数）在swe-bench-pro测试中的表现可与参数量大数十倍的模型相提并论。虽然全注意力模型在绝对性能上仍具优势，但qwen3-coder-next在低成本智能体部署领域展现出明显的效率优势，处于帕累托前沿位置。这种特性使其特别适合需要快速响应和资源优化的开发场景。
目前，qwen3-coder-next已通过modelscope和hugging face平台开源，开发者可以自由获取模型权重和相关文档。千问团队表示，后续将持续优化模型的推理决策能力，扩展支持的任务类型，并根据用户反馈进行快速迭代，为编程智能体领域带来更多创新九游会j9登录入口的解决方案。
