Qwen3-Coder-Next

Qwen3‑Coder‑Next es un modelo open weight para agentes de coding y desarrollo local. Tiene 80.000 millones de parámetros totales y 3.000 millones activos en inferencia, con arquitectura híbrida y MoE muy disperso para alto throughput y contextos de hasta 262.144 tokens. Entrenado en más de 370 lenguajes, admite tool calling, adaptación a scaffolds y templates, detección y recuperación de errores.

• SEDE DEL PROVEEDOR: Fuera de la UE
• PARÁMETROS: 80B (3B activos)
• CONTEXTO MÁX.: 256K token
• LICENCIA: Apache 2.0
• FUNCIONALIDADES: Function calling, Asistente de código
• FORMATOS DE SALIDA: Raw_text, Json_object

• Agente de coding autónomo
• Desarrollo local asistido por IA
• Refactoring y depuración automatizados
• Integración en pipelines CI/CD

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
• Documento técnico
• GitHub