Qwen3-Coder-Next

Qwen3‑Coder‑Next est un modèle open weight pour agents de coding et développement local. Il compte 80 milliards de paramètres au total et 3 milliards actifs en inférence, avec une architecture hybride et un MoE très sparse pour un débit élevé et des contextes jusqu’à 262 144 tokens. Entraîné sur plus de 370 langages, il prend en charge tool calling, adaptation aux scaffolds et templates, détection et récupération des erreurs.

• SIÈGE DU FOURNISSEUR: Hors UE
• PARAMÈTRES: 80B (3B actifs)
• CONTEXTE MAX.: 256K token
• LICENCE: Apache 2.0
• FONCTIONNALITÉS: Function calling, Assistant de code
• FORMATS DE SORTIE: Raw_text, Json_object

• Agent de coding autonome
• Développement local assisté par IA
• Refactoring et débogage automatisés
• Intégration aux 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
• Document technique
• GitHub