Qwen3-Coder: Agentic Coding in the World（附k2对比）

Qwen3-Coder: Agentic Coding in the World

Qwen3-Coder：迈向 Agentic 编程新时代

今天，我们正式发布 Qwen3-Coder ------ 迄今为止我们最具"Agentic"（智能代理式）的代码大模型。虽然 Qwen3-Coder 拥有多个不同参数规模的版本，但我们首先推出最强大的变体：Qwen3-Coder-480B-A35B-Instruct 。这是一个 4800 亿参数的专家混合（MoE）模型，其中激活参数为 350 亿。该模型原生支持 256K token 的上下文长度 ，通过 extrapolation（外推方法）可扩展至 100 万 tokens ，在代码生成与智能代理任务上都展现出卓越性能。

在 Agentic 编程、Agentic 浏览器使用与 Agentic 工具调用等任务中，Qwen3-Coder-480B-A35B-Instruct 在开源模型中达到了新的 SOTA 水平，整体能力可媲美 Claude Sonnet 4。

同步发布：Qwen Code 命令行工具

与此同时，我们也开源了一个用于 Agentic 编程的命令行工具 ------ Qwen Code 。该工具基于 Gemini Code 项目分支而来，经过 prompt 定制与函数调用协议适配，使 Qwen3-Coder 在 Agentic 编程任务中释放全部潜力。Qwen3-Coder 可与社区中最优秀的开发工具无缝协作。作为一个基础模型，我们希望它能"无处不在"，真正实现 Agentic Coding in the World。

训练策略

预训练阶段

在预训练方面仍有巨大的潜力可挖，我们从多个维度扩展了 Qwen3-Coder 的能力：

Token 规模扩展：使用 7.5 万亿 tokens（其中代码数据占比 70%），在强化代码能力的同时保留了通用能力与数学能力。
上下文扩展：原生支持 256K 上下文，结合 YaRN 技术可扩展至 1M tokens，适用于大规模代码库与动态数据（如 Pull Request），为 Agentic 编程赋能。
合成数据扩展：借助 Qwen2.5-Coder 清洗与重写噪声数据，显著提升整体数据质量。

微调与后训练

强化学习扩展：代码任务------"难以生成、易于验证"

不同于当前主流社区将精力集中在"竞赛级代码生成"，我们认为所有代码任务天生就适合执行驱动的大规模强化学习（Code RL） 。

我们大幅扩展了在真实世界代码任务上的 Code RL 训练，通过自动扩展测试用例来生成高质量训练样本，有效提升了模型的执行成功率，并带动其他任务的性能提升。

这些结果坚定了我们继续探索"难生成、易验证"任务作为 RL 土壤的信心。

长视野强化学习：Agent RL

在如 SWE-Bench 等真实的软件工程任务中，模型需要与环境进行多轮交互：规划、调用工具、接收反馈、做出决策。

为此，我们在后训练阶段引入了 长视野强化学习（Agent RL） ，鼓励模型通过工具多轮交互来完成复杂任务。

Agent RL 的关键挑战是"环境扩展性"。我们基于阿里云搭建了可支持 2万个并发环境 的可扩展系统，为大规模 RL 提供反馈支持与评估能力。

Qwen3-Coder 由此在 SWE-Bench Verified 上取得了开源模型的 SOTA 成绩，且无需在测试阶段进行额外 scaling。

用 Qwen3-Coder 编写代码

Qwen Code 工具

Qwen Code 是为研究目的设计的 CLI 工具，基于 Gemini CLI，增强了解析器与工具支持。

确保你已经安装了 Node.js 20 及以上版本：

arduino 复制代码

curl -qL https://www.npmjs.com/install.sh | sh

安装 Qwen Code：

css 复制代码

npm i -g @qwen-code/qwen-code

也可以从源码安装：

bash 复制代码

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

Qwen Code 支持通过 OpenAI SDK 调用大模型。你可以配置环境变量，或在 .env 文件中设置：

ini 复制代码

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
export OPENAI_MODEL="qwen3-coder-plus"

然后，愉快地开始编程吧：

复制代码

qwen

与 Claude Code 联用

除了 Qwen Code，你也可以通过 Claude Code 使用 Qwen3-Coder。只需在阿里云 Model Studio 获取 API Key 并安装 Claude Code：

bash 复制代码

npm install -g @anthropic-ai/claude-code

我们提供两种接入方式：

方式 1：Claude Code 代理 API 配置

bash 复制代码

export ANTHROPIC_BASE_URL=https://dashscope-intl.aliyuncs.com/api/v2/apps/claude-code-proxy
export ANTHROPIC_AUTH_TOKEN=your-dashscope-apikey

即可用 Claude Code 体验 Qwen3-Coder。

方式 2：claude-code-router 自定义后端模型

安装路由器与配置插件：

bash 复制代码

npm install -g @musistudio/claude-code-router
npm install -g @dashscope-js/claude-code-config

然后执行配置命令：

复制代码

ccr-dashscope

这将自动生成配置文件与插件目录。你也可以手动修改位于 ~/.claude-code-router/ 的文件。之后，使用：

css 复制代码

ccr code

即可用 Qwen3-Coder 编码。

与 Cline 联动

若你使用 Cline，可以在配置中：

设置 API Provider 为 "OpenAI Compatible"
填写 DashScope 提供的 API Key
勾选 "Use custom base URL"，填写：
arduino 复制代码
```
https://dashscope-intl.aliyuncs.com/compatible-mode/v1
```
模型名称填写 qwen3-coder-plus

API 使用示例

你可以通过阿里云 Model Studio 的 Qwen API 直接使用 Qwen3-Coder：

ini 复制代码

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

prompt = "Help me create a web page for an online bookstore."

completion = client.chat.completions.create(
    model="qwen3-coder-plus",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": prompt}
    ],
)

print(completion.choices[0].message.content.strip())

后续计划

我们仍在持续优化 Qwen Coding Agent，希望它能承担更复杂繁琐的软件工程任务，从而释放人类生产力。

后续还将发布更多参数规模的 Qwen3-Coder 模型，在保证性能的同时降低部署成本。

我们也在积极探索一个激动人心的问题：Coding Agent 能否自我进化？

附：Qwen 3‑Code vs Kimi‑K2 ------ 核心规格与能力全景对比

维度	Qwen 3‑Code (480B‑A35B‑Instruct)	Kimi‑K2 (Instruct)
发布日期	2025‑07‑22	2025‑07‑11
定位	专攻 Agentic Coding（代码补全 + 自动规划 + 工具调用）	通用 LLM，强化代码与长链式 Agent 能力
架构	MoE 480 B 总参，激活 35 B，62 层，GQA‑96/8	MoE 1 T 总参，激活 32 B，61 层，MLA 注意力
上下文窗口	原生 256 K，可 YaRN 扩展至 1 M tokens	128 K（部分资料写 130 K）
训练数据	7.5 T tokens（70 % 代码） + 大规模 Code RL & Agent RL	15.5 T tokens；MuOnClip 优化器稳定训练超大 MoE
许可证	Apache‑2.0	Modified MIT（大规模商用需署名）
权重获取	GitHub / HF / ModelScope，FP8 & BF16	GitHub / HF，Block‑FP8
官方 API 计费	DashScope：0‑32 K  <math xmlns="http://www.w3.org/1998/Math/MathML"> 1 / M ； 32 ‑ 128   K   1/M；32‑128 K  </math>1/M；32‑128 K 1.8/M；输出 $5/9/15/60/M	Moonshot：输入  <math xmlns="http://www.w3.org/1998/Math/MathML"> 1 / M ，输出  1/M，输出  </math>1/M，输出 3/M；OpenRouter $1.5/M
典型硬件需求	推理 ≥ 8×A100 80G（BF16）；量化后 2×H100 亦可	推理 16×H200；4‑bit 量化需 ≥ 1 TB RAM
配套 CLI / 工具	Qwen Code（Gemini‑CLI fork，npm 包）	官方脚本 + vLLM / SGLang 部署指引
生态兼容	OpenAI/Anthropic 兼容端点；Transformers、vLLM、Ollama、llama.cpp	OpenAI/Anthropic 兼容 API；vLLM、SGLang、TensorRT‑LLM

评测对比

评测集 (指标)	Qwen 3‑Code 480B‑A35B	Kimi‑K2 Instruct
Terminal‑Bench (Acc)	37.5	30.0
SWE‑bench Verified · OpenHands 500 turns (Pass@1)	69.6	65.4
SWE‑bench Verified · OpenHands 100 turns (Pass@1)	67.0	65.8
SWE‑bench Live (Pass@1)	26.3	22.3
SWE‑bench Multilingual (Pass@1)	54.7	47.3
Multi‑SWE‑bench mini (Pass@1)	25.8	19.8
Multi‑SWE‑bench flash (Pass@1)	27.0	20.7
Aider‑Polyglot (Acc)	61.8	60.0
Spider2 (Acc)	31.1	25.2
WebArena (Score)	49.9	47.4
Mind2Web (Score)	55.8	42.7
BFCL‑v3 (Acc)	68.7	65.2
TAU‑Bench Retail (Acc)	77.5	70.7
TAU‑Bench Airline (Acc)	60.0	53.5

性能

指标	Qwen 3‑Code‑480B‑A35B	Kimi‑K2‑Instruct
单序列吞吐（Tok/s，4 × A100，FP8）	60--70 t/s	49.8 t/s（API 平均）
批量吞吐（batch = 32，总吞吐）	≈ 1 400 t/s（4 × H100）	≈ 7.2 t/s（1 × H200，vLLM）
首 token 延迟（TTFT）	≈ 0.25 s（4 × H100）	≈ 0.53 s（API）
最低推荐部署配置	4 × A100 80 G（FP8，TP4）	16 × H200（FP8，TP16）
推理显存需求（FP8）	≈ 30 GB / 卡	> 140 GB / 卡（H200）
本地低比特量化吞吐（4-bit）	24 t/s（M3 Ultra）	~5 t/s（24 GB GPU，1.8-bit）

Qwen3-Coder: Agentic Coding in the World（附k2对比）

Qwen3-Coder：迈向 Agentic 编程新时代

同步发布：Qwen Code 命令行工具

训练策略

预训练阶段

微调与后训练

强化学习扩展：代码任务------"难以生成、易于验证"

长视野强化学习：Agent RL

用 Qwen3-Coder 编写代码

Qwen Code 工具

与 Claude Code 联用

与 Cline 联动

API 使用示例

后续计划

附：Qwen 3‑Code vs Kimi‑K2 ------ 核心规格与能力全景对比

评测对比

性能

附：Qwen 3‑Code vs Kimi‑K2 ------ 核心规格与能力全景对比