导读：Qwen3-Coder-Next 正式发布。这款模型基于 Qwen3-Next-80B-A3B-Base 构建，采用混合注意力与 MoE 架构，推理时仅需 3B 激活参数，却在 SWE-Bench Verified 上突破 70% 大关。

参数规模与推理成本之间的矛盾，向来是端侧部署的核心痛点。模型越大，能力越强，但部署成本也随之飙升。

Qwen3-Coder-Next 基于 Qwen3-Next-80B-A3B-Base 基座，采用混合注意力与 MoE（混合专家）新架构，推理时仅需 3B 激活参数，却能在多个编程智能体基准上与数十亿参数的大模型正面竞争。

这不是「小模型凑合用」的妥协方案，而是一次架构层面的重新思考。

Qwen3-Coder-Next 的训练思路与传统代码模型截然不同。它不依赖单纯的参数扩展来提升能力，而是聚焦于扩展智能体训练信号。团队使用大规模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，而非仅仅预测下一个 token。

具体训练流程包含四个关键阶段：

持续预训练阶段，模型在以代码与智能体为中心的高质量数据上进行密集训练，建立优良的代码理解与生成基础。

监督微调阶段，引入大量高质量智能体轨迹数据，模型学习真实世界中的问题解决路径，而不是人工标注的「理想答案」。

领域专精训练阶段，针对软件工程、质量保障、Web/UX 等垂直领域进行专家级训练，使模型在特定场景下达到专业水准。

能力蒸馏阶段，将多位专家的能力压缩并蒸馏到单一可部署模型中，确保最终产物既有专家深度，又具备通用模型的易用性。

这套配方的目标非常明确：强化长程推理能力、改善工具使用效率、提升从执行失败中恢复的韧性。这三点恰恰是当前开源代码模型的普遍短板，也是现实编程场景中最让开发者头疼的问题。

在多个业界公认的编程智能体基准上，Qwen3-Coder-Next 成绩亮眼：

使用 SWE-Agent 框架时，Qwen3-Coder-Next 在 SWE-Bench Verified 上突破 70% ，这一数字在开源模型中属于第一梯队。

在更具挑战性的多语言设置与 SWE-Bench-Pro 基准上，模型同样保持竞争力，证明了其跨语言与复杂任务处理能力。更关键的是，虽然激活参数规模很小，该模型在多项智能体评测上能够匹敌甚至超过若干更大的开源模型。

而，真正让 Qwen3-Coder-Next 脱颖而出的，是它在效率与性能之间找到了一个极佳的平衡点。数据显示，Qwen3-Coder-Next（3B 激活）的 SWE-Bench-Pro 表现可与激活参数量高 10×–20×的模型相当。

当你需要一个能够处理复杂代码任务的智能体时，不再需要为 30B、40B 甚至更高的推理成本买单。一台配备消费级显卡的开发者工作站，就能跑动一个能力足以匹敌大型模型的代码智能体。对于预算有限但对能力有要求的团队，这代表着部署成本的数量级下降。

如果你需要本地部署一个能力足够强的代码智能体，Qwen3-Coder-Next 是当前开源生态中效率与性能平衡得最好的选择之一。

参考资料：https://qwen.ai/blog?id=qwen3-coder-next