阿里深夜開源80B編程模型！專攻智能體，周靖人、林俊旸最新成果發布

智東西
作者 李水青
編輯 心緣

智東西2月4日報道，今日凌晨，阿里開源了一款小型混合專家模型Qwen3-Coder-Next，專為編程智能體（Agent）和本地開發打造。

該模型總參數80B，激活參數僅3B，在權威基準SWE-Bench Verified上實現了超70%的問題解決率，性能媲美激活參數規模大10-20倍的稠密模型。

Qwen3-Coder-Next的主要增強功能如下：

1、高效MoE架構：僅需激活3B參數，可達到與激活參數數量高出10-20倍的模型相當的性能，包括37B激活參數的DeepSeek-V3.2、32B激活參數的Kimi K2.5等，降低顯存與算力需求。

2、更強智能體能力：擅長長段推理、復雜工具使用以及從執行失敗中恢復，在動態編程任務中性能強大。

3、與真實世界的IDE多樣化集成：其256k的上下文長度，加上對各種腳手架模板的適應性，使其能夠與OpenClaw、Qwen Code、Claude Code、Web Dev、Browser use、Cline等不同的CLI/IDE平臺無縫集成，支持多樣化的開發環境。

Qwen3-Coder-Next在實際開發中能理解需求、編寫代碼，還能與環境交互、完成任務，可以在沒有人工干預的情況下生成可玩的網頁游戲，部署服務并自動測試。

阿里在編程智能體上進展不斷。就在昨日，阿里云CTO周靖人、阿里千問大模型技術負責人林俊旸署名的論文在Arxiv平臺上發表，為推進下一代編程Agent的發展提供了新資源和可靠方法。

簡單來說，他們提出了一個可擴展的高效框架SWE-Universe，用于從GitHub拉取請求自動構建真實世界的軟件工程（SWE）可驗證環境。利用一個構建Agent，團隊將真實世界的多語言SWE環境的數量擴展到接近百萬級（807693 個）。最后，團隊將該技術應用于Qwen3-Max-Thinking，并在SWE-Bench Verified測試中取得了75.3%的高分。

▲論文截圖

論文地址：

https://www.arxiv.org/abs/2602.02361

回到本次面向產業推出的新模型來看，團隊已正式開源Qwen3-Coder-Next（Base）與Qwen3-Coder-Next（Instruct）兩個版本，支持研究、評測及商業應用多種場景。

Qwen3-Coder-Next一經發布引起了廣泛關注，有網友在社交平臺X上稱這一模型“尺寸完美”，也有網友表示自己等便攜版的Qwen3-Coder已經很久了。

▲社交平臺X網友對Qwen3-Coder-Next模型的部分評論

魔搭社區地址：
https://www.modelscope.cn/collections/Qwen/Qwen3-Coder-Next
Hugging Face地址：
https://huggingface.co/collections/Qwen/qwen3-coder-next
GitHub地址：
https://github.com/QwenLM/Qwen3-Coder
技術報告地址：
https://qwen.ai/blog?id=qwen3-coder-next

一、實測媲美10-20倍激活參數稠密模型，趕超DeepSeek

盡管激活參數規模很小，Qwen3-Coder-Next在多項智能體評測上仍能匹敵或超過若干更大的開源模型。

該模型在SWE-Bench、TerminalBench 2.0和Aider等多個主流編程智能體基準上的表現如下。

▲Qwen3-Coder-Next實測表現

使用SWE-Agent框架時，Qwen3-Coder-Next在SWE-Bench Verified上達到70%以上，超過了DeepSeek-V3.2，接近GLM-4.7、MiniMax M2.1。

在多語言設置以及更具挑戰的SWE-Bench-Pro基準上，Qwen3-Coder-Next同樣超過了DeepSeek-V3.2，還較大幅度領先于GLM-4.7、MiniMax M2.1。

在效率方面，Qwen3-Coder-Next與同類模型在SWE-Bench-Pro基準上進行對比分析，每次推理僅激活3B參數，卻能達到與激活參數量達其10-20倍的模型相當的基準性能，包括37B激活參數的DeepSeek-V3.2、32B激活參數的GLM-4.7、32B激活參數的Kimi K2.5等。

雖然專有的全注意力模型在絕對性能上仍保持領先優勢，但Qwen3-Coder-Next在面向低成本智能體部署的應用場景中，仍能在效率與性能之間取得更優的帕累托權衡。

▲Qwen3-Coder-Next實測表現

二、創新智能體訓練配方：強化智能體訓練的信號

Qwen3-Coder-Next模型基于Qwen3-Next-80B-A3B-Base構建，采用混合注意力與MoE的新架構；通過大規模可執行任務合成、環境交互與強化學習進行智能體訓練，在降低推理成本的同時，提升編程與智能體能力。

Qwen3-Coder-Next并不只依賴參數規模擴張，而是將重點放在擴展智能體訓練信號（agentic training signals）上。團隊使用大規模的可驗證編程任務與可執行環境進行訓練，讓模型能夠直接從環境反饋中學習，而非僅依賴靜態文本。

訓練過程主要包括：

1、持續預訓練：在以代碼與智能體為中心的大規模數據上進行。

2、監督微調：基于高質量的智能體交互軌跡，優化模型的行為。

3、領域專家訓練：針對軟件工程、問答、Web/UX 等特定領域，精細化專家能力。

4、專家知識蒸餾：最終將27個專家的能力融合至一個輕量的、可部署的單一模型。

這套“配方”的核心目標，是教會模型長時程推理、熟練使用工具，以及從執行錯誤中有效恢復——這些正是實用編程智能體所需的核心能力。

三、多樣化集成下游應用，游戲生成測試無需人工干預

Qwen3-Coder-Next的價值還體現在于其低部署門檻與應用體驗。

得益于僅3B的激活參數，開發者可靈活將其集成至多種場景：作為本地IDE插件，實現自動修復與代碼生成；構建命令行智能體（CLI Agent），通過自然語言操作終端、管理項目；部署于企業內網環境，打造私有化、高響應的編程輔助系統。“小激活、快響應、強能力”為編程智能體的規模化落地提供了更具可行性的路徑。

該模型可集成到多種下游應用中，覆蓋OpenClaw、Qwen Code、Claude Code、Web Dev、Browser use、Cline等多種開發環境。

結語：研發落地雙投入，阿里加碼編程智能體

編程智能體正成為阿里通義千問團隊的強攻領域。Qwen3-Coder-Next在編程智能體基準上表現強勁，展現了技術在實用場景中的應用價值。而周靖人、林俊旸署名的新論文則代表了其編程智能體新的前沿進展，形成了研發和落地兩條路快步走的趨勢。

展望未來，團隊認為強大的智能體能力，如自主使用工具、應對難題、管理復雜任務，是更好編程智能體的關鍵。接下來團隊計劃提升模型的推理與決策能力、支持更多任務，并根據使用反饋快速迭代更新。