阿里巴巴千問團隊近日正式發(fā)布了一款名為Qwen3-Coder-Next的開放權重語言模型，該模型專為編碼代理和本地開發(fā)場景設計，通過創(chuàng)新架構與訓練方法實現(xiàn)了性能與效率的顯著提升。與傳統(tǒng)的參數(shù)擴展模式不同，新模型聚焦于智能體訓練信號的擴展，采用混合注意力機制與MoE（專家混合）架構，在降低推理成本的同時強化了編程能力與智能體交互水平。

在訓練方法上，團隊構建了多階段強化體系：首先通過持續(xù)預訓練讓模型吸收代碼與智能體相關數(shù)據(jù)，隨后利用高質(zhì)量智能體軌跡數(shù)據(jù)進行監(jiān)督微調(diào)，并針對軟件工程、QA測試、Web/UX開發(fā)等垂直領域開展專家訓練。最終通過知識蒸餾技術將專家能力整合到單一可部署模型中。這種訓練策略特別強化了長程推理、工具調(diào)用及錯誤恢復能力，使其更適應真實開發(fā)環(huán)境的需求。

基準測試數(shù)據(jù)顯示，當集成SWE-Agent框架時，該模型在SWE-Bench Verified基準上取得超過70%的準確率，在多語言版本及更具挑戰(zhàn)性的Pro版本中仍保持競爭力。值得注意的是，盡管其激活參數(shù)規(guī)模僅為30億，但在TerminalBench 2.0和Aider等智能體評測中，性能表現(xiàn)可與激活參數(shù)量高10-20倍的開源模型媲美，展現(xiàn)出顯著的效率優(yōu)勢。

效率對比圖表進一步證實，在SWE-Bench-Pro任務中，Qwen3-Coder-Next的3B激活參數(shù)版本已達到行業(yè)領先水平，其性能曲線處于帕累托前沿位置。雖然全注意力架構的專有模型在絕對指標上仍占優(yōu)勢，但新模型在低成本智能體部署場景中展現(xiàn)出更強的實用性，特別適合資源受限的開發(fā)環(huán)境。

該模型現(xiàn)已通過ModelScope和Hugging Face平臺開源，開發(fā)團隊表示將持續(xù)優(yōu)化模型的推理決策能力，擴展其任務支持范圍，并根據(jù)用戶反饋進行快速迭代。此次發(fā)布標志著編程智能體領域在效率優(yōu)化方向取得重要突破，為開發(fā)者提供了更具性價比的選擇。