Laster katalogen …
Laster katalogen …
Qwens MoE-kodemodell med åpne vekter og 80 milliarder / 3 milliarder aktive parametere. Har 262k kontekst, verktøykall og Apache-2.0-lisens. Egnet for kodeoppgaver på repositorienivå og IDE-assistenter.
Oversikt. Qwen3-Coder-Next er en kodespesialisert modell med åpne vekter fra Qwen, Alibabas modellteam, utgitt i februar 2026 under Apache-2.0-lisensen. Den har et Mixture-of-Experts-design med totalt 80 milliarder parametere, men bare 3 milliarder er aktive per token, fordelt på 512 eksperter. Modellen har et innebygd kontekstvindu på 262 144 token. Utviklere velger denne når de trenger en kodemodell med en lisens med få restriksjoner som kan håndtere hele repositorier i kontekst, uten det store beregningsbehovet til en tett modell med 80 milliarder parametere.
Viktigste styrker. Modellen er bygget for kodeagenter og lokal utvikling, noe resultatene fra referansetester bekrefter: En skår på 36,2 i Artificial Analysis Coding Index har holdt seg stabil over flere målinger, noe som er et solid resultat for en modell som bare aktiverer 3 milliarder parametere. Den leveres med dokumentert støtte for verktøykall, slik at den kan utføre strukturerte funksjonskall i en agentløkke. En median gjennomstrømming på rundt 110 token per sekund gjør at inferens er rask nok for IDE-lignende interaksjon, og kontekstvinduet på 262k token gjør at den kan lese store kodebaser i én enkelt forespørsel.
Når du bør bruke den. Bruk denne til kodegenerering, refaktorering og kodeforståelse på repositorienivå når du trenger et stort kontekstvindu og en åpen lisens, heller enn generell resonnering på toppnivå. Den passer til interaktive oppgaver som IDE-assistenter og kode-chat, der gjennomstrømming er viktigere enn at det første tokenet kommer på under ett sekund. Profilen fra referansetester, med en Coding Index som ligger langt over Intelligence Index, gjør den til et fornuftig valg for programmeringsoppgaver som ikke krever omfattende resonnering.
Begrensninger. Modellen kjører bare uten resonnering, uten omfattende resonnering eller blokker med tankekjeder. Skåren i Intelligence Index (10,1) og Agentic Index (3,6) hos Artificial Analysis er lav, så autonome verktøyløkker med mange steg og oppgaver som ikke gjelder kode, er svake punkter. Den støtter bare tekst, ikke bilder, lyd eller dokumenter som inndata, og det er ikke oppgitt når treningsdataene slutter. Median tid til første token ligger på over ett sekund, noe som utelukker den fra sanntidsbruk der kort svartid er kritisk.
Suverenitetsnotat. Qwen3-Coder-Next er bygget av Qwen, Alibabas modellteam i Kina, og vektene er åpne under Apache-2.0, slik at den kan kjøres på den infrastrukturen du selv ønsker. Hvor forespørslene beregnes, og om inndata oppbevares eller brukes til trening, avhenger av hvilket endepunkt som betjener forespørselen. Se fakta om endepunktet på denne siden.
| Inferensleverandør | Suverenitet | Kjører i | Inn / ut per 1M | Status | Lås |
|---|---|---|---|---|---|
| L1 | 0,15 / 0,80€ | Tilkoblet |
39 bruksområder klassifisert av kuratoren. Notatet forklarer hvorfor.
Verktøykall, promptbufring og et kontekstvindu på 262k er kjernebehovene for agenter som redigerer kodebaser; en mixture-of-experts med 3 milliarder aktive parametere holder kostnaden per token rimelig. Merk: utkaststatus og en tendens til å være ordrik kan svekke effektiviteten i løkker med høyt volum.
Førsteklasses egenskaper for verktøykall og promptbufring, støttet av et kontekstvindu på 262k for store verktøysett. Utkaststatus er det eneste varselet; selve funksjonaliteten støttes direkte.
Et langt kontekstvindu på 262k gir plass til både stack-tracer og omkringliggende kildekode, og verktøykall lar den hente inn flere filer fra en IDE eller en agent i kodebasen. Spesialisert trening på koding treffer dette bruksområdet direkte.
Trening med fokus på koding pluss et kontekstvindu på 262k gjør det mulig å forklare store filer og kalle-grafer på tvers av moduler i én runde. Åpne vekter tillater drift i egne lokaler for proprietær kode.
En spesialbygd kodemodell: 80 milliarder parametere (3 milliarder aktive) mixture-of-experts med 262k i kontekstvindu, en skår på 36,2 på kodeindeksen og åpne vekter under Apache-2.0. Støtte for promptbufring reduserer kostnadene ved gjentakende prefikser i en IDE.
Et kontekstvindu på 262k har plass til differanser for hele kodebaser, og en mixture-of-experts spesialisert på koding (3 milliarder aktive parametere) holder forbruket lavt per gjennomgang. En indeks på 36,2 plasserer modellfamilien i den konkurransedyktige klassen for koding.
Verktøykall muliggjør analyse støttet av kodegenerering, noe som passer denne kodemodellen godt; resonnering i tekstform rundt statistikk er ikke dens primære styrke.
Modellen er kompetent via prompter og strukturerte utdata gjennom verktøykall, men har ingen dedikert finjustering for klassifisering — en mindre, oppgavespesifikk modell er vanligvis billigere for merking i store volum.
Funksjonskall støtter utdata med begrensede tagger. En mixture-of-experts med 3 milliarder aktive parametere holder kostnaden per forespørsel lav, selv om oppgavespesifikke kodere forblir mer effektive i stor skala.
Verktøykall passer for DOM/API-drevne nettleseragenter, men modellen mangler bildeforståelse, så navigasjon basert på skjermbilder er ikke mulig. Tekstbasert automatisering fungerer fint.
Et kontekstvindu på 262k betyr at modellen kan skrive om spørsmål med betydelig sesjonshistorikk i sikte; promptbufring reduserer kostnadene ytterligere ved gjentatte prompter for omskriving.
Et kontekstvindu på 262k gjør det mulig å oppsummere hele dokumenter uten oppdeling. Dette motvirkes av at modellfamilien er mer ordrik enn snittet – oppsummeringer kan derfor trenge lengdebegrensninger.
Ingen støtte for bilder som inndata — behandlingskjeder for OCR trenger i stedet en modell med bildeforståelse eller en spesialmodell for OCR.
Listen over egenskaper inneholder kun verktøykall og promptbufring; mangelen på bildeforståelse betyr at skjermbilder ikke kan behandles.
Det oppgis ingen finjustering for kreativ skriving, og vurderingen av modellfamilien påpeker at den er ordrik — generelle modeller dominerer dette bruksområdet.
Modellen er ikke finjustert for dialog og er kjent for å være ordrik — et dårlig standardvalg for kundestøtte-chat med krav om korte svartider og konsise svar.
Spesialisert trening på koding og en tendens til å være ordrik gjør denne til et dårlig standardvalg for skriving av lengre tekster; generelle modeller med langt kontekstvindu er bedre egnet.
En mixture-of-experts spesialisert på kode er ikke det rette verktøyet for overbevisende korte tekster; en generell chatmodell vil gi bedre resultater til en lavere tokenkostnad.
Innhentede tall, ikke våre egne evalueringer. Persentilene er mot hele Stav-katalogen.
Beregnet fra aa-intelligence-index, gpqa-diamond, aa-engineering-index, aa-coding-index, livecodebench, terminal-bench-v4, ifbench, aa-multilingual-index, aa-lcr.
curl https://api.stav.ai/v1/chat/completions \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen/qwen3-coder-next",
"messages": [{"role": "user", "content": "Hello!"}]
}'→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level – nivået forespørselen ble betjent på