qwen3-coder:30B-A3B
PulseAugur coverage of qwen3-coder:30B-A3B — every cluster mentioning qwen3-coder:30B-A3B across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
添加旧款 GPU 未能提升 Ollama/vLLM 的上下文窗口
使用 Ollama 和 vLLM 测试双 GPU 设置，结果显示在更强大的 RTX 3090 旁边添加一个旧款 Quadro P2000 并未增加上下文窗口。相反，旧款 GPU 导致 Ollama 的解码速度显著下降，并且被 vLLM 拒绝，因为它较低的计算能力与 AWQ 量化方法不兼容。这表明仅仅添加更多 GPU，尤其是旧款 GPU，并不能自动提升 LLM 的性能或上下文处理能力。
-
新的AI代理为AWS AI加速器自动化核生成
研究人员开发了NKI-Agent，一个旨在自动化生成用于AWS Trainium和Inferentia等AI加速器的核的新系统。该系统结合了领域特定微调和编译、验证及修复代码的代理循环。NKI-Agent在真实的Trn1硬件上进行了评估，使用Claude Opus 4.8在NKIBench基准测试中达到了77.3%的通过率，证明了代理工具使用在该复杂领域中的关键作用。
-
llama.cpp 标志将 RTX 4070 上 Qwen 35B 模型速度提升 2.8 倍
一份技术指南演示了如何在 RTX 4070 GPU（12GB VRAM）上运行 Qwen3.5-35B-A3B 模型时实现 2.8 倍的速度提升。实现这一性能提升的关键在于使用 `llama.cpp` 框架并设置特定标志：`-ngl 99` 将所有模型层卸载到 GPU，而 `--cpu-moe` 则将专家混合（MoE）层保留在 CPU 上。这种策略对于 MoE 模型尤其有效，因为每个 token 仅激活一小部分专家，当 VRAM 有限…
-
新的FPMoE模型提升函数式代码生成能力
研究人员开发了FPMoE，一个旨在改进函数式编程语言代码生成的新型开源模型。与以往在跨语言干扰方面遇到困难或未能捕捉共享抽象的旧方法不同，FPMoE采用了稀疏专家混合架构，为Haskell、OCaml和Scala设有专门的专家，并设有一个用于常见函数式模式的共享专家。这种设计使得FPMoE能够以显著更少的激活参数实现具有竞争力的性能，在FPEval基准测试中表现优于更大的模型。
-
AI模型在Agent编码基准测试中达到90%，部分成本极低
一项最近的基准测试评估了148个模型在Agent编码任务上的表现，其中Qwen3 Coder 30B A3B和最初的DeepSeek Chat两个模型达到了90%的成功率。Qwen3 Coder模型以0.0004美元的成本在28秒内完成了任务，而DeepSeek Chat则花费了0.0018美元，耗时59秒。Liquid的LFM 2 24B A2B在十项任务中以0.0002美元的成本获得85%的得分，成为最具成本效益的模型。
-
LLMs 借助代码分析提升恶意软件归因能力
研究人员开发了 LCC-LLM，这是一个旨在利用大型语言模型改进恶意软件归因的框架和数据集。该系统利用以代码为中心的表示，包括反编译的 C 代码和汇编代码，以提供比以往方法更深入的分析。LCC-LLM 集成了检索增强生成管道和网络安全知识，以提高事实可靠性和分析师决策支持，在结构化报告生成和恶意软件分类方面显示出有希望的结果。