مدل Qwen3-Coder-Next که اوایل فوریه ۲۰۲۶ منتشر شد، دقیقاً همون چیزیه که برای ساخت Coding Agentهای محلی و حرفه‌ای لازم داشتیم. با ۸۰ میلیارد پارامتر کل و فقط ۳ میلیارد پارامتر فعال (Active)، این مدل عملاً روی سیستم‌های میان‌رده هم با سرعت وحشتناکی اجرا میشه. وقتی فقط ۳ میلیارد پارامتر موقع استنتاج درگیر باشن، یعنی تأخیر (Latency) به حداقل می‌رسه و این برای محیط‌های توسعه (Dev Workflows) که سرعت بازخورد توشون حیاتیه، یک پارامتر تعیین‌کننده است.

معماری این مدل هم مثل نسخه‌های پیشرفته Qwen3.5، ترکیبی از DeltaNet و Attention سنتی در کنار Sparse MoE هست. استفاده از DeltaNet یعنی مدیریت حافظه و محاسبات در پنجره‌های طولانی ۲۶۲ هزار توکنی دیگه کابوس نیست. با این ظرفیت Context، می‌تونید کل داکیومنت‌ها و بخش بزرگی از کدبیس (Codebase) پروژه رو یکجا به مدل بدید بدون اینکه نگران از دست رفتن تمرکز مدل یا پر شدن VRAM باشید. واقعیت اینه که برای ایجنت‌های کدنویس، کانتکست بالا از نون شب واجب‌تره چون باید کل ساختار پروژه رو درک کنن.

چیزی که Qwen3-Coder-Next رو از بقیه متمایز می‌کنه، بهینه‌سازی اختصاصی برای سناریوهای Agentic هست. این مدل صرفاً کد تولید نمی‌کنه؛ بلکه برای استفاده طولانی‌مدت از ابزارها (Long-horizon tool use) و مهم‌تر از اون، "بازیابی بعد از شکست" (Failure recovery) تیون شده. یعنی اگه کدی که زد در مرحله اجرا با خطا مواجه شد، می‌تونه لاگ سیستم رو بخونه و خودش رو اصلاح کنه. این دقیقاً تفاوت یه مدل معمولی با یه "مهندس هوش مصنوعی" خودمختاره.

پتانسیل این مدل توی استفاده از ابزارهای خارجی (Tool Use) و پایداری در استدلال‌های طولانی، اونو به یه انتخاب سینیور برای پروژه‌های اتوماسیون نرم‌افزار تبدیل می‌کنه. اگه دنبال ساخت یه Devin شخصی یا ابزارهای مشابه هستید، این مدل همون قطعه گمشده پازله.

📃 مخزن مدل در هاگینگ فیس:
https://huggingface.co/Qwen/Qwen3-Coder-Next

🛠 Join @LLMEngineers Community