Qwen3-Coder-Next

Qwen3‑Coder‑Next is an open-weight model for coding agents and local development. It has 80 billion total parameters and 3 billion active at inference, with a hybrid architecture and highly sparse MoE for high throughput and contexts up to 262,144 tokens. Trained on more than 370 programming languages, it supports tool calling, scaffold and template adaptation, error detection and recovery.

• PROVIDER LOCATION: Non-EU
• PARAMETERS: 80B (3B active)
• MAX CONTEXT: 256K token
• LICENSE: Apache 2.0
• FEATURES: Function calling, Code assistant
• OUTPUT FORMATS: Raw_text, Json_object

• Autonomous coding agent
• AI-assisted local development
• Automated refactoring and debugging
• Integration into CI/CD pipelines

curl --request POST \
--url https://apiaruba.it/aiplatform/v1/chat/completions \
--header 'content-type: application/json' \
--header 'x-aruba-api-key: *****' \
--data '{
"model": "Qwen3-Coder-Next",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 1000
}'

{
"id": "chatcmpl-00cc644d-fe58-4338-b010-4c9edb5cf951",
"created": 1787560592,
"model": "Qwen3-Coder-Next",
"object": "chat.completion",
"system_fingerprint": "vllm-0.24.0-b77e1055",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "Un **embedding** è una rappresentazione vettoriale densa e a bassa dimensione di oggetti (come parole, frasi, immagini, ecc.), in cui oggetti simili sono posizionati vicini nello spazio vettoriale.\n\n### In parole semplici:\n- Prende dati non numerici (es. parole) e li trasforma in **vettori di numeri**.\n- La distanza tra i vettori riflette la **similarità** tra gli oggetti originali.\n - Esempio: *“re” – “re” ≈ “regina” – “regina”* (in termini di vettori: *re – uomo ≈ regina – donna*).\n\n### Perché servono?\n- I modelli di machine learning lavorano con numeri, non con testo o immagini grezze.\n- Gli embedding catturano **relazioni semantiche** (non solo contiguity), rendendo i modelli più efficaci.\n\n### Esempi comuni:\n- **Word2Vec**, **GloVe**, **FastText**: per parole.\n- **BERT embeddings**: per contesto di parole in frase.\n- **Image embeddings** (es. da ResNet): per immagini (vettori che codificano caratteristiche visive).\n\nIn sintesi: un embedding è una **mappatura utile e compatta** di dati complessi in uno spazio vettoriale numerico, dove la geometria riflette il significato o le somiglianze.",
"role": "assistant",
"provider_specific_fields": {
"reasoning": null,
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 340,
"prompt_tokens": 30,
"total_tokens": 370
}
}

• Qwen3‑Coder‑30B‑A3B‑Instruct

• Hugging Face
• Technical paper
• GitHub