智东西股票配资专业平台
作者 | 李水青编辑 | 心缘智东西2月4日报道，今日凌晨，阿里开源了一款小型混合专家模型Qwen3-Coder-Next，专为编程智能体（Agent）和本地开发打造。
该模型总参数80B，激活参数仅3B，在权威基准SWE-Bench Verified上实现了超70%的问题解决率，性能媲美激活参数规模大10-20倍的稠密模型。
Qwen3-Coder-Next的主要增强功能如下：
1、高效MoE架构：仅需激活3B参数，可达到与激活参数数量高出10-20倍的模型相当的性能，包括37B激活参数的DeepSeek-V3.2、32B激活参数的Kimi K2.5等，降低显存与算力需求。
2、更强智能体能力：擅长长段推理、复杂工具使用以及从执行失败中恢复，在动态编程任务中性能强大。
3、与真实世界的IDE多样化集成：其256k的上下文长度，加上对各种脚手架模板的适应性，使其能够与OpenClaw、Qwen Code、Claude Code、Web Dev、Browser use、Cline等不同的CLI/IDE平台无缝集成，支持多样化的开发环境。
Qwen3-Coder-Next在实际开发中能理解需求、编写代码，还能与环境交互、完成任务，可以在没有人工干预的情况下生成可玩的网页游戏，部署服务并自动测试。
阿里在编程智能体上进展不断。就在昨日，阿里云CTO周靖人、阿里千问大模型技术负责人林俊旸署名的论文在Arxiv平台上发表，为推进下一代编程Agent的发展提供了新资源和可靠方法。
简单来说，他们提出了一个可扩展的高效框架SWE-Universe，用于从GitHub拉取请求自动构建真实世界的软件工程（SWE）可验证环境。利用一个构建Agent，团队将真实世界的多语言SWE环境的数量扩展到接近百万级（807693 个）。最后，团队将该技术应用于Qwen3-Max-Thinking，并在SWE-Bench Verified测试中取得了75.3%的高分。
▲论文截图
论文地址：
https://www.arxiv.org/abs/2602.02361
回到本次面向产业推出的新模型来看，团队已正式开源Qwen3-Coder-Next（Base）与Qwen3-Coder-Next（Instruct）两个版本，支持研究、评测及商业应用多种场景。
Qwen3-Coder-Next一经发布引起了广泛关注，有网友在社交平台X上称这一模型“尺寸完美”，也有网友表示自己等便携版的Qwen3-Coder已经很久了。
▲社交平台X网友对Qwen3-Coder-Next模型的部分评论
魔搭社区地址：
https://www.modelscope.cn/collections/Qwen/Qwen3-Coder-NextHugging Face地址：https://huggingface.co/collections/Qwen/qwen3-coder-nextGitHub地址：https://github.com/QwenLM/Qwen3-Coder技术报告地址：https://qwen.ai/blog?id=qwen3-coder-next一、实测媲美10-20倍激活参数稠密模型，赶超DeepSeek尽管激活参数规模很小，Qwen3-Coder-Next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。
该模型在SWE-Bench、TerminalBench 2.0和Aider等多个主流编程智能体基准上的表现如下。
▲Qwen3-Coder-Next实测表现
使用SWE-Agent框架时，Qwen3-Coder-Next在SWE-Bench Verified上达到70%以上，超过了DeepSeek-V3.2，接近GLM-4.7、MiniMax M2.1。
在多语言设置以及更具挑战的SWE-Bench-Pro基准上，Qwen3-Coder-Next同样超过了DeepSeek-V3.2，还较大幅度领先于GLM-4.7、MiniMax M2.1。
在效率方面，Qwen3-Coder-Next与同类模型在SWE-Bench-Pro基准上进行对比分析，每次推理仅激活3B参数，却能达到与激活参数量达其10-20倍的模型相当的基准性能，包括37B激活参数的DeepSeek-V3.2、32B激活参数的GLM-4.7、32B激活参数的Kimi K2.5等。
虽然专有的全注意力模型在绝对性能上仍保持领先优势，但Qwen3-Coder-Next在面向低成本智能体部署的应用场景中，仍能在效率与性能之间取得更优的帕累托权衡。
▲Qwen3-Coder-Next实测表现
二、创新智能体训练配方：强化智能体训练的信号Qwen3-Coder-Next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，在降低推理成本的同时，提升编程与智能体能力。
Qwen3-Coder-Next并不只依赖参数规模扩张，而是将重点放在扩展智能体训练信号（agentic training signals）上。团队使用大规模的可验证编程任务与可执行环境进行训练，让模型能够直接从环境反馈中学习，而非仅依赖静态文本。
训练过程主要包括：
1、持续预训练：在以代码与智能体为中心的大规模数据上进行。
2、监督微调：基于高质量的智能体交互轨迹，优化模型的行为。
3、领域专家训练：针对软件工程、问答、Web/UX 等特定领域，精细化专家能力。
4、专家知识蒸馏：最终将27个专家的能力融合至一个轻量的、可部署的单一模型。
这套“配方”的核心目标，是教会模型长时程推理、熟练使用工具，以及从执行错误中有效恢复——这些正是实用编程智能体所需的核心能力。
三、多样化集成下游应用，游戏生成测试无需人工干预Qwen3-Coder-Next的价值还体现在于其低部署门槛与应用体验。
得益于仅3B的激活参数，开发者可灵活将其集成至多种场景：作为本地IDE插件，实现自动修复与代码生成；构建命令行智能体（CLI Agent），通过自然语言操作终端、管理项目；部署于企业内网环境，打造私有化、高响应的编程辅助系统。“小激活、快响应、强能力”为编程智能体的规模化落地提供了更具可行性的路径。
该模型可集成到多种下游应用中，覆盖OpenClaw、Qwen Code、Claude Code、Web Dev、Browser use、Cline等多种开发环境。
结语：研发落地双投入，阿里加码编程智能体编程智能体正成为阿里通义千问团队的强攻领域。Qwen3-Coder-Next在编程智能体基准上表现强劲，展现了技术在实用场景中的应用价值。而周靖人、林俊旸署名的新论文则代表了其编程智能体新的前沿进展，形成了研发和落地两条路快步走的趋势。
展望未来股票配资专业平台，团队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。接下来团队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。
牛策略平台提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
