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。效率与性能的权衡

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。总结与未来工作

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：