Qwen3-Coder：480B 参数的超强“代码特工”

文章详细介绍了通义大模型最新开源的 Qwen3-Coder，特别是其旗舰版本 Qwen3-Coder-480B-A35B-Instruct。该模型是拥有 480B 参数、35B 有效参数的 MoE（混合专家）模型，在代理式编程、浏览器智能操作和基础编码任务上均达到开源模型 SOTA。文章深入阐述了模型在预训练阶段的数据扩展（7.5T 高质量代码）、上下文扩展（原生 256K，最高 1M）以及合成数据优化（利用 Qwen2.5-Coder 清洗数据）等方面的突破。后训练阶段，通过 Scaling Code RL 和 Scaling Long-Horizon RL 技术，赋予模型“代理思维”，使其能通过多轮交互解决复杂软件工程问题，并在 SWE-Bench Verified 上取得高分。此外，文章还提供了 Qwen Code 命令行工具和 API 调用示例，方便开发者快速上手。整体而言，Qwen3-Coder 展现了强大的代码理解和生成能力，旨在开启智能编程新时代。

面向世界的智能编程引擎——Qwen3-Coder开源并发布！

其中首发的旗舰版本 Qwen3-Coder-480B-A35B-Instruct ，是一个拥有 480B 参数、35B 有效参数的 MoE（混合专家）模型，在编程能力与自主决策能力上实现全面突破。

该模型在 Agentic Coding（代理式编程）、Agentic Browser-Use（浏览器智能操作）和基础编码任务（Foundational Coding Tasks）上，均刷新了开源模型的 SOTA（State-of-the-Art）纪录！

Qwen3-Coder 性能对比

不止于模型，我们还同步开源了一整套工具链：

• Qwen Code ：专为 Qwen3-Coder 优化的命令行编程工具（CLI）

• 无缝集成 Claude Code 与 Cline（VS Code 插件）

• 支持通过阿里云 DashScope 平台调用 API

从数据到上下文全面升级，为了让 Qwen3-Coder 更懂代码、更懂工程，我们在预训练阶段从三个维度进行了系统性扩展。

1、数据扩展：7.5T 高质量代码

代码数据占比高达 70%，这不仅让模型在编程能力上出类拔萃，也确保了其在通用知识和数学推理方面保持强大实力。

2、上下文扩展：256K 原生支持，最高可达 1M

模型原生支持 256K 的上下文长度，并可通过 Yarn 等技术扩展至 1M 。这意味着它能一次性“消化”整个代码仓库、PR 提交历史和项目文档，实现真正的“全局视角”编程。

3、合成数据优化：用 Qwen2.5-Coder 清洗数据

为确保数据质量，我们创新性地利用前代模型 Qwen2.5-Coder ，对海量低质量代码数据进行自动清洗与重写。这一“以模治模”的方法，显著提升了训练数据的准确性与可执行性。

Qwen3-Coder 的突破不仅在于“写代码”，更在于“解决问题”。我们通过两大强化学习技术，赋予模型真正的“代理思维”。

Qwen3-Coder 的训练表现

我们聚焦于“难解易验”（Hard to Solve, Easy to Verify）的真实编码任务，通过自动扩展多样化测试用例，构建高质量的反馈信号，让模型在“生成-执行-反馈”的强化学习循环中不断优化，显著提升了代码的执行成功率，更意外地增强了其在非执行任务上的泛化能力。

在真实软件工程任务（如 SWE-Bench）中，模型需要通过多轮交互与环境深度沟通，包括规划、调用工具、接收反馈并调整策略。这正是长周期强化学习（Long-Horizon RL）的典型应用场景。

在 Qwen3-Coder 的后训练阶段，我们引入了 Agent RL ，鼓励模型像人类工程师一样“边做边学”，通过多轮交互的方式解决复杂问题。

为支撑大规模训练，我们构建了可并行运行 20000 个独立环境 的系统，依托阿里云实现高效反馈与评估。如下图所示，Qwen3-Coder 在 SWE-Bench Verified 上达到 69.6% 的高分（支持 500 轮交互），仅次于 Claude-Sonnet-4，位居开源模型榜首。

Qwen3-Coder 在 SWE-bench Verified 上的表现

git clone https://github.com/QwenLM/qwen-code
cd qwen-code && npm install && npm install -g .

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="your_api_base_url_here"
export OPENAI_MODEL="your_api_model_here"

import os
from openai import OpenAI
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
prompt = "Help me create a web page for an online bookstore."
# Send request to qwen3-coder-plus model
completion = client.chat.completions.create(
    model="qwen3-coder-plus",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": prompt}
    ],
)
# Print the response
print(completion.choices[0].message.content.strip())