💜 通义千问聊天   |   🤗 Hugging Face   |   🤖 ModelScope   |    📑 博客    ｜   📖 文档
🌍 Web开发   |   💬 微信   |   🫨 Discord   |    📄 Arxiv   |    👽 Qwen Code

请访问我们的 Hugging Face 或 ModelScope 组织（点击上方链接），搜索以 Qwen3-Coder- 开头的检查点，您将找到所需的一切！尽情享受吧！

---

目录

• 简介
  • 关键特性
• 基本信息
• 快速入门
  • 👉🏻 与 Qwen3-Coder 聊天
    • 用 Qwen3-Coder 填充中间部分
• 用例
  • 示例：发布一个网站
  • 示例：整理桌面
  • 示例：僵尸大战植物
  • 示例：声音 ASCII 艺术
  • 示例：氛围检测
  • 示例：跑酷游戏
• 星标历史
• 引用
• 联系我们

---

Qwen3-Coder-Next：推动小型混合模型在代理式编程中的应用

简介

我们在此宣布推出 Qwen3-Coder，这是我们迄今为止最具代理能力的代码模型。Qwen3-Coder 提供多种规模版本，包括 Qwen3-Coder-480B-A35B-Instruct、Qwen3-Coder-30B-A3B-Instruct 和 Qwen3-Coder-Next，在编码和代理任务方面均表现出色。

Qwen3-Coder-Next 是一款专为编码代理和本地开发设计的开源权重语言模型。它基于 Qwen3-Next-80B-A3B-Base 构建，采用了结合混合注意力机制与 MoE 的创新架构。Qwen3-Coder-Next 在大规模可执行任务合成、环境交互以及强化学习等方面进行了大规模的代理式训练，从而具备强大的编码和代理能力，同时显著降低了推理成本。

关键特性

💻 效率与性能的平衡：在 代理式编程、代理式浏览器使用 等基础编码任务中，其表现可与 Claude Sonnet 相媲美。

🛠 扩展代理式编程能力：支持大多数平台，如 Qwen Code、CLINE、Claude Code，并采用专门设计的函数调用格式；

📚 长上下文处理能力：原生支持 256K 个 token，通过 Yarn 技术可扩展至 1M 个 token，特别优化用于仓库级别的理解。

---

基本信息

1. ✨ 支持长上下文理解和生成，上下文长度可达 256K 个 token；
2. ✨ 支持 358 种编程语言；

点击查看所有支持的语言

``` ['ABAP', 'ActionScript', 'Ada', 'Agda', 'Alloy', 'ApacheConf', 'AppleScript', 'Arc', 'Arduino', 'AsciiDoc', 'AspectJ', 'Assembly', 'Augeas', 'AutoHotkey', 'AutoIt', 'Awk', 'Batchfile', 'Befunge', 'Bison', 'BitBake', 'BlitzBasic', 'BlitzMax', 'Bluespec', 'Boo', 'Brainfuck', 'Brightscript', 'Bro', 'C', 'C#', 'C++', 'C2hs Haskell', 'CLIPS', 'CMake', 'COBOL', 'CSS', 'CSV', "Cap'n Proto", 'CartoCSS', 'Ceylon', 'Chapel', 'ChucK', 'Cirru', 'Clarion', 'Clean', 'Click', 'Clojure', 'CoffeeScript', 'ColdFusion', 'ColdFusion CFC', 'Common Lisp', 'Component Pascal', 'Coq', 'Creole', 'Crystal', 'Csound', 'Cucumber', 'Cuda', 'Cycript', 'Cython', 'D', 'DIGITAL Command Language', 'DM', 'DNS Zone', 'Darcs Patch', 'Dart', 'Diff', 'Dockerfile', 'Dogescript', 'Dylan', 'E', 'ECL', 'Eagle', 'Ecere Projects', 'Eiffel', 'Elixir', 'Elm', 'Emacs Lisp', 'EmberScript', 'Erlang', 'F#', 'FLUX', 'FORTRAN', 'Factor', 'Fancy', 'Fantom', 'Forth', 'FreeMarker', 'G-code', 'GAMS', 'GAP', 'GAS', 'GDScript', 'GLSL', 'Genshi', 'Gentoo Ebuild', 'Gentoo Eclass', 'Gettext Catalog', 'Glyph', 'Gnuplot', 'Go', 'Golo', 'Gosu', 'Grace', 'Gradle', 'Grammatical Framework', 'GraphQL', 'Graphviz (DOT)', 'Groff', 'Groovy', 'Groovy Server Pages', 'HCL', 'HLSL', 'HTML', 'HTML+Django', 'HTML+EEX', 'HTML+ERB', 'HTML+PHP', 'HTTP', 'Haml', 'Handlebars', 'Harbour', 'Haskell', 'Haxe', 'Hy', 'IDL', 'IGOR Pro', 'INI', 'IRC log', 'Idris', 'Inform 7', 'Inno Setup', 'Io', 'Ioke', 'Isabelle', 'J', 'JFlex', 'JSON', 'JSON5', 'JSONLD', 'JSONiq', 'JSX', 'Jade', 'Jasmin', 'Java', 'Java Server Pages', 'JavaScript', 'Julia', 'Jupyter Notebook', 'KRL', 'KiCad', 'Kit', 'Kotlin', 'LFE', 'LLVM', 'LOLCODE', 'LSL', 'LabVIEW', 'Lasso', 'Latte', 'Lean', 'Less', 'Lex', 'LilyPond', 'Linker Script', 'Liquid', 'Literate Agda', 'Literate CoffeeScript', 'Literate Haskell', 'LiveScript', 'Logos', 'Logtalk', 'LookML', 'Lua', 'M', 'M4', 'MAXScript', 'MTML', 'MUF', 'Makefile', 'Mako', 'Maple', 'Markdown', 'Mask', 'Mathematica', 'Matlab', 'Max', 'MediaWiki', 'Metal', 'MiniD', 'Mirah', 'Modelica', 'Module Management System', 'Monkey', 'MoonScript', 'Myghty', 'NSIS', 'NetLinx', 'NetLogo', 'Nginx', 'Nimrod', 'Ninja', 'Nit', 'Nix', 'Nu', 'NumPy', 'OCaml', 'ObjDump', 'Objective-C++', 'Objective-J', 'Octave', 'Omgrofl', 'Opa', 'Opal', 'OpenCL', 'OpenEdge ABL', 'OpenSCAD', 'Org', 'Ox', 'Oxygene', 'Oz', 'PAWN', 'PHP', 'POV-Ray SDL', 'Pan', 'Papyrus', 'Parrot', 'Parrot Assembly', 'Parrot Internal Representation', 'Pascal', 'Perl', 'Perl6', 'Pickle', 'PigLatin', 'Pike', 'Pod', 'PogoScript', 'Pony', 'PostScript', 'PowerShell', 'Processing', 'Prolog', 'Propeller Spin', 'Protocol Buffer', 'Public Key', 'Pure Data', 'PureBasic', 'PureScript', 'Python', 'Python traceback', 'QML', 'QMake', 'R', 'RAML', 'RDoc', 'REALbasic', 'RHTML', 'RMarkdown', 'Racket', 'Ragel in Ruby Host', 'Raw token data', 'Rebol', 'Red', 'Redcode', "Ren'Py", 'RenderScript', 'RobotFramework', 'Rouge', 'Ruby', 'Rust', 'SAS', 'SCSS', 'SMT', 'SPARQL', 'SQF', 'SQL', 'STON', 'SVG', 'Sage', 'SaltStack', 'Sass', 'Scala', 'Scaml', 'Scheme', 'Scilab', 'Self', 'Shell', 'ShellSession', 'Shen', 'Slash', 'Slim', 'Smali', 'Smalltalk', 'Smarty', 'Solidity', 'SourcePawn', 'Squirrel', 'Stan', 'Standard ML', 'Stata', 'Stylus', 'SuperCollider', 'Swift', 'SystemVerilog', 'TOML', 'TXL', 'Tcl', 'Tcsh', 'TeX', 'Tea', 'Text', 'Textile', 'Thrift', 'Turing', 'Turtle', 'Twig', 'TypeScript', 'Unified Parallel C', 'Unity3D Asset', 'Uno', 'UnrealScript', 'UrWeb', 'VCL', 'VHDL', 'Vala', 'Verilog', 'VimL', 'Visual Basic', 'Volt', 'Vue', 'Web Ontology Language', 'WebAssembly', 'WebIDL', 'X10', 'XC', 'XML', 'XPages', 'XProc', 'XQuery', 'XS', 'XSLT', 'Xojo', 'Xtend', 'YAML', 'YANG', 'Yacc', 'Zephir', 'Zig', 'Zimpl', 'desktop', 'eC', 'edn', 'fish', 'mupad', 'nesC', 'ooc', 'reStructuredText', 'wisp', 'xBase'] ```

3. ✨ 保留基础模型在数学和通用能力方面的优势。

[!重要]

Qwen3-Coder 的函数调用依赖于我们在 SGLang 和 vLLM 中的新工具解析器 这里。

我们更新了特殊标记及其对应的标记 ID，以保持与 Qwen3 的一致性。请确保使用新的分词器。

模型名称	类型	长度	下载
Qwen3-Coder-Next	指令	256k	🤗 Hugging Face • 🤖 ModelScope
Qwen3-Coder-Next-Base	基础	256k	🤗 Hugging Face • 🤖 ModelScope
Qwen3-Coder-480B-A35B-Instruct	指令	256k	🤗 Hugging Face • 🤖 ModelScope
Qwen3-Coder-30B-A3B-Instruct	指令	256k	🤗 Hugging Face • 🤖 ModelScope
Qwen3-Coder-Next-FP8	指令	256k	🤗 Hugging Face • 🤖 ModelScope
Qwen3-Coder-Next-GGUF	指令	256k	🤗 Hugging Face • 🤖 ModelScope
Qwen3-Coder-480B-A35B-Instruct-FP8	指令	256k	🤗 Hugging Face • 🤖 ModelScope
Qwen3-Coder-30B-A3B-Instruct-FP8	指令	256k	🤗 Hugging Face • 🤖 ModelScope

详细性能和介绍请参阅此 📑 博客。

---

快速入门

[!重要] Qwen3-Coder 是用于聊天的指令模型；

该模型仅支持非思考模式，其输出中不会生成 <think></think> 块。同时，不再需要指定 enable_thinking=False。

👉🏻 与 Qwen3-Coder 聊天

您可以使用 transformers 库编写几行代码来与 Qwen3-Coder-Next 进行对话。本质上，我们通过 from_pretrained 方法加载分词器和模型，并利用分词器提供的聊天模板，调用 generate 方法进行对话。以下是与 Qwen3-Coder-Next 对话的示例：

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-Coder-Next"

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

prompt = "写一个快速排序算法。"
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=65536
)
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

apply_chat_template() 函数用于将消息转换为模型可以理解的格式。 add_generation_prompt 参数用于在输入中添加生成提示，即 <|im_start|>assistant\n。值得注意的是，我们沿用了之前的实践，为聊天模型应用 ChatML 模板。 max_new_tokens 参数用于设置响应的最大长度。tokenizer.batch_decode() 函数用于解码响应。上述消息只是一个示例，展示了如何格式化您的对话历史和系统提示。 您也可以以相同的方式使用其他尺寸的指令模型。

在中间填充代码：Qwen3-Coder 的 FIM 任务

代码插入任务，也称为“填空挑战”，要求在给定的代码上下文中插入代码片段，以填补空白。为了遵循最佳实践，我们建议按照论文《高效训练语言模型以填补中间》[arxiv] 中概述的格式指南进行操作。

[!重要] 需要注意的是，FIM 在所有版本的 Qwen3-Coder 中都受支持。此处以 Qwen3-Coder-Next 为例。

提示应按以下结构组织：

prompt = '<|num_start|>' + prefix_code + '<|num_end|>' + suffix_code + '

### 示例：声音 ASCII 艺术

<details>
<summary>带有 Cline 的提示</summary>

构建一个带有声音反馈的交互式 ASCII 艺术绘制工具。该应用应：

1. 创建一个画布，用户可以通过点击和拖动进行绘画
2. 在用户绘画时放置不同的 ASCII 字符或符号
3. 每当放置一个字符时，播放对应的音符
4. 包含多组图案，每组使用不同的字符和相应的音阶
5. 添加一个图案切换按钮，用于在不同的字符/声音主题之间循环切换
6. 提供一个清除按钮，用于重置画布
7. 支持鼠标和触摸输入，以实现移动设备兼容性

该应用应富有创意且有趣，创造出一种视听体验：字符的排列不仅形成视觉艺术，还能产生音乐模式。确保按顺序播放的音符和谐悦耳。

</details>

<p align="center">
    <a href="https://qianwen-res.oss-accelerate-overseas.aliyuncs.com/Qwen3-Coder-Next/cline/sound_art.mp4">
    <img src="https://oss.gittoolsai.com/images/QwenLM_Qwen3-Coder_readme_f74c5ef48637.png" width="400" />
    </a>
</p>

### 示例：氛围检测


<details>
<summary>带有浏览器使用代理的提示</summary>

测试这个网站的氛围。四处点击，尝试各种操作，报告哪些地方有问题。

</details>

<p align="center">
    <a href="https://qianwen-res.oss-accelerate-overseas.aliyuncs.com/Qwen3-Coder-Next/bua/vibe.mp4">
    <img src="https://oss.gittoolsai.com/images/QwenLM_Qwen3-Coder_readme_ef5848e91794.png" width="400" />
    </a>
</p>

### 示例：跑酷游戏


<details>
<summary>带有 Qwen Chat Web 开发的提示</summary>

使用 HTML5 Canvas 创建一个交互式的实时粒子系统：

核心功能：

• 渲染 800–1200 个具有物理运动效果的动画粒子
• 鼠标光标对附近的粒子施加吸引或排斥力
• 单击可在吸引和排斥模式之间切换
• 粒子响应平滑的加速度和速度计算

技术要求：

• 使用 requestAnimationFrame 以获得最佳性能
• 根据与光标的距离实现力的计算
• 添加视觉反馈：粒子发光、颜色变化和淡出效果
• 包括性能监控（FPS 计数器）

交付内容：

• 单个 HTML 文件，内嵌 CSS 和 JavaScript
• 代码整洁、注释清晰，遵循最佳实践
• 响应式设计，兼容现代浏览器

</details>

<p align="center">
    <a href="https://qianwen-res.oss-accelerate-overseas.aliyuncs.com/Qwen3-Coder-Next/WebDev/chico_paredao.mp4">
    <img src="https://oss.gittoolsai.com/images/QwenLM_Qwen3-Coder_readme_3c83e1266333.png" width="400" />
    </a>
</p>


---

## 星级历史
[![星级历史图表](https://oss.gittoolsai.com/images/QwenLM_Qwen3-Coder_readme_ddff9dead24e.png)](https://star-history.com/#QwenLM/Qwen3-Coder&Date)

---

## 引用

如果您觉得我们的工作有所帮助，请随时引用我们。

```bibtex
@article{Qwen3-Coder-Next,
    title={Qwen3-Coder-Next 技术报告},
    author={Ruisheng Cao 和 Mouxiang Chen 和 Jiawei Chen 和 Zeyu Cui 和 Yunlong Feng 和 Binyuan Hui 和 Yuheng Jing 和 Kaixin Li 和 Mingze Li 和 Junyang Lin 和 Zeyao Ma 和 Kashun Shum 和 Xuwu Wang 和 Jinxi Wei 和 Jiaxi Yang 和 Jiajun Zhang 和 Lei Zhang 和 Zongmeng Zhang 和 Wenting Zhao 和 Fan Zhou},
    journal={arXiv 预印本 arXiv:2603.00729},
    year={2026},
}

---

联系我们

如果您想给我们的研究团队或产品团队留言，请加入我们的 Discord 或 微信小组！

↑ 回到顶部 ↑

Qwen3-Coder 快速上手指南

Qwen3-Coder 是通义千问团队推出的最新代码专用模型系列，专为智能体编程（Agentic Coding）和本地开发设计。其中 Qwen3-Coder-Next 基于混合注意力机制和 MoE 架构，支持 256K 原生上下文（可扩展至 1M），在保持强大数学与通用能力的同时，显著降低了推理成本。

环境准备

系统要求

• 操作系统: Linux, macOS, Windows (WSL 推荐)
• Python: >= 3.9
• GPU: 推荐使用 NVIDIA GPU (显存需求视模型版本而定，FP8/GGUF 版本可降低显存占用)
• CUDA: 建议安装与 PyTorch 版本匹配的 CUDA 驱动

前置依赖

确保已安装以下核心库：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121
pip install transformers>=4.40.0 accelerate

注意：Qwen3-Coder 的功能调用依赖于 SGLang 或 vLLM 中的新工具解析器。若需生产级部署或高性能推理，请额外安装对应后端。

安装步骤

方式一：通过 Hugging Face (国际通用)

pip install huggingface_hub
huggingface-cli login

方式二：通过 ModelScope (国内推荐，加速下载)

对于中国开发者，推荐使用阿里云 ModelScope 平台获取模型，下载速度更快且无需特殊网络环境。

1. 安装 ModelScope 库：

pip install modelscope

2. 登录（可选，部分大模型可能需要）：

modelscope login

3. 验证模型可用性（以 Qwen3-Coder-Next 为例）：

from modelscope import snapshot_download
model_dir = snapshot_download('Qwen/Qwen3-Coder-Next')
print(f"Model downloaded to: {model_dir}")

基本使用

以下示例展示如何使用 transformers 库与 Qwen3-Coder-Next 进行对话。该模型为 Instruct 版本，仅支持非思考模式（non-thinking mode），无需设置 enable_thinking=False，也不会输出 <think> 标签。

代码生成示例

from transformers import AutoModelForCausalLM, AutoTokenizer

# 指定模型名称，国内用户可替换为本地下载路径 model_dir
model_name = "Qwen/Qwen3-Coder-Next"

# 加载模型和分词器
model = AutoModelForCausalLM.from_pretrained(
    model_name,
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 构建提示词
prompt = "write a quick sort algorithm."
messages = [
    {"role": "user", "content": prompt}
]

# 应用聊天模板
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

# 编码输入
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

# 生成回答
generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=65536
)

# 解码输出
generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]

print(response)

关键特性说明

• 长上下文支持：原生支持 256K tokens，适合处理整个代码仓库或超长文档。
• 多语言覆盖：支持包括 Python, Java, C++, JavaScript, Go, Rust 等在内的 358 种编程语言。
• 功能调用：模型内置专门设计的函数调用格式，完美适配 Qwen Code、CLINE 等智能体框架。

提示：如需更低显存占用，可尝试下载 Qwen3-Coder-Next-FP8 或 Qwen3-Coder-Next-GGUF 版本。