Qwen3-Coder-30B-A3B-Instruct

Qwen3‑Coder‑30B‑A3B‑Instruct est le modèle Alibaba Cloud dédié au développement logiciel. Son architecture Mixture of Experts active 3 milliards de paramètres sur 30, combinant génération de code et efficacité de calcul. Il prend en charge jusqu’à 256 000 tokens pour les grandes codebases et propose génération automatique, code review, automatisation du développement et intégration d’outils externes via function calling.

• SIÈGE DU FOURNISSEUR: Hors UE
• PARAMÈTRES: 30B (3B actifs)
• CONTEXTE MAX.: 256K token
• LICENCE: Apache 2.0
• FONCTIONNALITÉS: Function calling, Assistant de code
• FORMATS DE SORTIE: Raw_text, Json_object

• Génération automatique de code
• Code review et refactoring
• Automatisation du développement logiciel
• Agent de coding avec intégration d’outils

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