阿里巴巴旗下千問團隊近日發布了一款名為Qwen3-Coder-Next的開放權重語言模型，該模型專為編碼代理和本地開發場景設計，通過創新架構與訓練方法實現了性能與效率的雙重突破。基于Qwen3-Next-80B-A3B-Base構建的混合注意力與MoE架構，使模型在保持低推理成本的同時，展現出強大的編程和智能體能力。
與傳統依賴參數擴展的模型不同，Qwen3-Coder-Next聚焦于智能體訓練信號的擴展。研發團隊采用大規模可驗證編程任務與可執行環境進行訓練，使模型能夠直接從環境反饋中學習。訓練過程包含四個關鍵階段：在代碼與智能體數據上進行持續預訓練，在高質量智能體軌跡數據上開展監督微調，針對軟件工程、QA、Web/UX等領域進行專家訓練，最后將專家能力蒸餾至單一可部署模型。這種訓練方式特別強化了長程推理、工具使用和執行失敗恢復能力，這些特性對現實編程場景至關重要。
在編程智能體基準測試中，Qwen3-Coder-Next展現出顯著優勢。使用SWE-Agent框架時，該模型在SWE-Bench Verified基準上取得超過70%的成績，在多語言設置和更具挑戰性的SWE-Bench-Pro測試中保持競爭力。值得注意的是，盡管其激活參數規模較小，但在多項評測中仍能比肩甚至超越參數規模大10-20倍的開源模型。特別是在TerminalBench 2.0和Aider等基準測試中，模型證明了其在復雜編程任務中的實用價值。
效率與性能的平衡是該模型的另一大亮點。測試數據顯示，3B激活參數版本的Qwen3-Coder-Next在SWE-Bench-Pro上的表現，可與激活參數量高10-20倍的模型相媲美。雖然專有全注意力模型在絕對性能上仍占優勢，但Qwen3-Coder-Next在低成本智能體部署場景中展現出明顯的帕累托前沿優勢，為資源受限環境下的編程智能體應用提供了新選擇。
目前，Qwen3-Coder-Next已通過ModelScope和Hugging Face平臺開源，開發者可自由獲取模型權重及相關文檔。研發團隊表示，后續將重點提升模型的推理決策能力，擴展任務支持范圍，并根據用戶反饋持續優化模型性能。這一創新成果有望推動編程智能體在軟件開發、自動化測試等領域的廣泛應用。
