Загрузка...
Последние обновления инструментов, релизы и важные события из мира вайб-кодинга
Команда Qwen представила Qwen3-Coder-Next — MoE-модель на 80 млрд параметров, которая обходит DeepSeek-V3 в тестах SWE-bench, потребляя при этом минимум ресурсов.
2026/02/03
Команда Qwen выкатила Qwen3-Coder-Next — новую open-weight модель, специально заточенную под работу AI-агентов и локальную разработку. Это не просто очередной «дописыватель кода», а полноценный движок для агентных воркафлоу, который по производительности наступает на пятки гигантам, оставаясь при этом эффективным.
В основе модели лежит архитектура Sparse Mixture-of-Experts (MoE) на базе Qwen3-Next-80B-A3B. Общий объем параметров составляет 80 млрд, но благодаря MoE на каждый токен активируется всего 3 млрд параметров.
Главная фишка — структура слоев: 12 повторений связки Gated DeltaNet → MoE, за которыми следует слой Gated Attention → MoE. Такая гибридная схема позволяет модели эффективно работать с контекстом до 256K токенов, что критично для вайбкодинга, когда в промпт нужно закинуть логи, документацию и несколько файлов проекта целиком.
Результаты на SWE-bench Verified (тест на решение реальных GitHub-issue) впечатляют. Используя фреймворк SWE-agent, Qwen3-Coder-Next набрала 70.6 баллов. Для сравнения:
На мультиязычном тесте SWE-Bench Multilingual модель показала 62.8, практически сравнявшись с DeepSeek. В тесте Terminal-Bench 2.0 (работа с CLI) результат составил 36.2, что подтверждает пригодность модели для автономной работы в терминале.
Qwen3-Coder-Next создавалась не для автокомплита, а для Agentic Coding. Разработчики обучили её на огромном корпусе исполняемых задач с применением Reinforcement Learning (RL), чтобы модель умела планировать действия и пользоваться инструментами.
Как это использовать:
Модель уже доступна с открытыми весами, что делает её отличным кандидатом на роль основного бэкенда для ваших локальных AI-агентов.
