阿里巴巴旗下千問團隊近日正式發布全新語言模型Qwen3-Coder-Next，這款專為編碼代理和本地開發場景設計的開放權重模型，通過創新架構與訓練方法在編程智能體領域展現出顯著優勢。該模型基于Qwen3-Next-80B-A3B-Base構建，采用混合注意力機制與專家混合（MoE）架構，在保持低推理成本的同時實現了強大的編程能力。
在訓練方法上，研究團隊突破傳統參數擴展模式，重點強化智能體訓練信號的擴展性。通過構建包含大規模可驗證編程任務和可執行環境的訓練體系，模型能夠直接從環境反饋中學習優化。具體訓練流程涵蓋四個階段：首先在代碼與智能體相關數據上進行持續預訓練，隨后利用高質量智能體軌跡數據進行監督微調，接著針對軟件工程、QA測試、Web/UX設計等領域開展專家訓練，最終將多領域專家能力蒸餾整合到單一可部署模型中。這種訓練范式特別強化了長程推理、工具調用和錯誤恢復能力，這些特性對現實編程場景至關重要。
性能評估顯示，該模型在多個權威編程智能體基準測試中表現突出。在SWE-Bench系列測試中，使用SWE-Agent框架時模型在Verified版本上取得超過70%的準確率，在多語言版本和更具挑戰性的Pro版本中仍保持競爭力。特別值得注意的是，盡管激活參數規模僅30億，其性能已可媲美激活參數多10-20倍的開源模型。在TerminalBench 2.0和Aider等基準測試中，模型同樣展現出優異表現。
效率分析圖表揭示，Qwen3-Coder-Next在性能與資源消耗間實現了更優平衡。在SWE-Bench-Pro測試中，30億激活參數版本的性能與參數量大數十倍的模型相當，展現出顯著的成本優勢。雖然全注意力架構的專有模型在絕對性能上仍占優勢，但該模型在低成本智能體部署場景中已處于領先位置，特別適合資源受限環境下的編程任務處理。
技術文檔顯示，模型開發團隊將持續優化推理決策能力，計劃擴展對更多編程任務類型的支持，并建立快速迭代機制根據用戶反饋持續改進。目前該模型已通過ModelScope和Hugging Face平臺開源，開發者可自由獲取模型權重及訓練代碼進行二次開發。
