Qwen3-Coder-30B-A3B-Instruct

Qwen3‑Coder‑30B‑A3B‑Instruct es el modelo de Alibaba Cloud para desarrollo de software. Su arquitectura Mixture of Experts activa 3.000 millones de parámetros de 30.000 millones, combinando generación de código y eficiencia computacional. Admite contextos de hasta 256.000 tokens para codebases extensas y ofrece generación automática, code review, automatización del desarrollo e integración con herramientas externas mediante function calling.

• SEDE DEL PROVEEDOR: Fuera de la UE
• PARÁMETROS: 30B (3B activos)
• CONTEXTO MÁX.: 256K token
• LICENCIA: Apache 2.0
• FUNCIONALIDADES: Function calling, Asistente de código
• FORMATOS DE SALIDA: Raw_text, Json_object

• Generación automática de código
• Code review y refactoring
• Automatización del desarrollo de software
• Agente de coding con integración de herramientas

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-30B-A3B-Instruct",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 1000
}'

{
"id": "chatcmpl-5f64db30-df6e-43a8-beec-4db6d1c83d8f",
"created": 1787560792,
"model": "Qwen3-Coder-30B-A3B-Instruct",
"object": "chat.completion",
"system_fingerprint": "vllm-0.24.0-7e9730e4",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "Un **embedding** è una rappresentazione di dati (come parole, immagini o numeri) in uno spazio continuo di numeri reali, solitamente in forma di vettori ad alta dimensionalità. L'obiettivo è catturare le relazioni semantiche o simili tra i dati.\n\n### Esempio con parole:\nNel contesto del linguaggio naturale, un embedding può trasformare una parola come \"gatto\" in un vettore di numeri, ad esempio:\n\n$$\n\\text{gatto} \\rightarrow [0.2, -1.5, 0.8, 1.1, \\dots]\n$$\n\nDue parole con significati simili, come \"gatto\" e \"cane\", avranno vettori che si trovano vicini nello spazio dell'embedding, mentre parole diverse avranno vettori distanti.\n\n### Utilizzo:\nGli embedding sono ampiamente usati in **machine learning**, specialmente nei modelli di linguaggio (es. Word2Vec, GloVe, BERT), per migliorare le performance in compiti come la traduzione automatica, il riconoscimento del sentiment o la classificazione di testi.\n\nIn sintesi: \n> Un embedding è una tecnica per rappresentare informazioni in uno spazio matematico dove le similarità semantiche sono riflesse nella distanza tra i vettori.",
"role": "assistant",
"provider_specific_fields": {
"reasoning": null,
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 315,
"prompt_tokens": 30,
"total_tokens": 345
}
}

• Qwen3‑Coder‑Next

• Hugging Face
• GitHub