qwen3-coder-next
PulseAugur coverage of qwen3-coder-next — every cluster mentioning qwen3-coder-next across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
社区发布无审查大语言模型：LongCat-Flash-Lite-Sparse 等
一位社区成员发布了多个无审查的大语言模型，包括支持稀疏注意力和一百万 token 上下文长度的 LongCat-Flash-Lite-Sparse。此次发布还包括 Qwen3.8-27B、Qwen3.5-122B-A10B、Qwen3-Coder-Next 和支持视觉功能的 Laguna-S2.1，所有模型均提供 GGUF 格式。发布内容还包括修改后的 llama.cpp 版本以支持这些模型，并提供了下载各种模型变体的具体链接。
-
本地编码代理面临成本和性能挑战
一位开发者出于对API token成本的担忧，尝试在本地运行编码代理，但发现虽然Qwen Code可以构建UI，但在调试方面存在困难，并且比Claude Code和Codex等云端模型慢。实验表明，本地推理虽然没有token费用，但在时间和重试方面产生了显著成本，这表明成本节省并非必然。开发者还指出，尽管Qwen3-Coder-Next被描述为用于编码代理，但其从执行失败中恢复的能力有限，并且并非如先前假设的那样是Gemini CLI的直接分支。
-
开发者构建代理编排系统，可并行运行ChatGPT、Claude和本地LLM
一位开发者创建了一个名为agent-orchestra的系统，用于同时管理多个大型语言模型（LLM）以完成编码任务。该工具允许跨ChatGPT、Claude和本地Qwen 2.5 Coder 32B等模型并行执行任务，并利用Git worktrees防止冲突。该系统旨在通过在达到token限制或特定模型在某些任务上表现更好时提供备选方案来维持编码的连续性。开发者发现，虽然本地模型正在改进，但强大的编排工具对于代理工作流至关重要。
-
新框架衡量大型语言模型教育控制能力，揭示难度调整差距
研究人员开发了一个新的框架，该框架与Bloom分类法对齐，用于衡量大型语言模型（LLMs）在多大程度上能够调整教育任务的认知需求。当应用于编程任务时，该框架显示LLMs可以有效地提高任务难度，但在降低难度方面存在困难，这表明其在强大的执行性能和自适应教育控制之间存在差距。该研究特别比较了两个Qwen3-Next模型，Qwen3-Next-80B-A3B-Instruct和Qwen3-Coder-Next，在2520个任务上进行了测试，…
-
研究发现：大型语言模型在安全代码生成方面过于自信
一项新的 arXiv 研究调查了大型语言模型（LLMs）在生成代码时的安全校准问题。研究人员评估了 GPT-4o-mini、Gemini-2.0 Flash 和 Qwen3-Coder-Next，发现这些模型经常表现出过度自信，对不安全的代码赋予高置信度。研究还探讨了校准引导的自动化修复，发现在不引入功能回归的情况下修复漏洞方面效果有限。诸如架构门控之类的缓解策略在受控基准测试中提高了校准度，但在实际代码库环境中效果不佳，增加了高置信…
-
阿里巴巴的 Qwen3-Coder-Next 在 SWE-bench 上达到 70.6%，采用高效 MoE 架构
Qwen3-Coder-Next 模型是阿里巴巴 Qwen 团队推出的一个拥有 800 亿参数的混合专家（Mixture-of-Experts）模型，在 SWE-bench Verified 基准测试中取得了 70.6% 的成绩，展示了令人印象深刻的效率，每次推理仅激活约 30 亿参数。这使其能够提供与前沿编码助手相当的性能，同时所需的硬件资源与 70 亿参数模型相似。该模型支持 256K 上下文窗口，适用于复杂的编码任务，并且可以使…
-
96GB 显存的本地 LLM 推理在成本上未能胜过付费 API
一位用户详细介绍了他们花费两周时间优化本地 LLM 设置（在四块 RTX 3090 GPU 上拥有 96GB 显存）的努力，目的是取代付费云 API。尽管实现了大约每秒 105 个 token 的速度，并实现了诸如增加批处理大小和 KV 缓存量化等优化，但系统的 CPU 协调瓶颈导致 GPU 利用率仅为 6%。最终，高功耗和硬件折旧使得本地设置在经济上不如付费 API 适合交互式工作，尽管它仍然适用于注重隐私或批量任务。
-
Krasis LLM 运行时用 Rust 重写，速度提升
Krasis LLM 运行时已更新至 1.0 版本，采用 Rust 完全重写，以提高性能和效率。此次更新移除了 Python 在关键执行路径中的使用，从而加快了预填充和解码速度。Krasis 现在支持 Ampere (RTX 3000 系列) GPU，并优化了内存需求，在系统 RAM 中仅需量化模型大小的 1 倍加上开销。
-
阿里巴巴推出 Qwen3.7-Max，拥有 1M 上下文和自主编码能力
阿里巴巴发布了 Qwen3.7-Max，这是一款 Agent-First 的 LLM，拥有 100 万 token 的上下文窗口，能够执行自主编码任务。该模型在没有人工干预的情况下进行了 35 小时的编码演示，为不熟悉的硬件优化代码，并在定制芯片性能内核上实现了 10 倍的加速。虽然该演示的独立复现尚待验证，但 Qwen3.7-Max 在 Terminal-Bench 2.0 和 MCP-Atlas 等基准测试中表现强劲，超越了部分竞…
-
Qwen3-Coder-Next 使用30亿参数实现800亿模型，大幅降低编码成本
一款新的专注于编码的AI模型Qwen3-Coder-Next已发布，其拥有800亿参数规模，但在运行过程中仅激活30亿参数。这种创新的方法显著降低了计算成本，一位用户报告称其编码任务的每周云费用被完全消除。该模型的效率预示着开发者与AI交互和部署AI进行编码辅助的方式可能会发生转变。
-
ForgeFlow 系统在修改文件时遇到 LLM 瓶颈
在使用 ForgeFlow 系统完成 12 个项目后，开发人员发现了一个关键的文件修改边界。涉及创建新文件的任务始终成功，但修改现有代码的尝试会导致死锁循环。这种模式在多次运行和后端配置中持续存在，表明系统在处理迭代代码更改方面存在局限性。团队得出结论，重构任务以最小化对现有文件的修改比试图强迫系统克服这一限制更实用。
-
Alibaba的Qwen3-Coder-Next在SWE-Bench上取得70.6分，采用稀疏MoE架构
阿里巴巴的Qwen3-Coder-Next是一个拥有800亿总参数、30亿激活参数的模型，在SWE-Bench Verified基准测试中取得了70.6分。这一成绩尤为引人注目，因为它在提供可下载的Apache 2.0许可权重的同时，能够媲美顶级的闭源模型。该模型采用了稀疏混合专家（MoE）架构和混合注意力机制，结合了用于长上下文的线性注意力与用于全局上下文重建的标准注意力。
-
本地 AI 编码代理 ForgeFlow 自主通过 35 项测试
一位开发者在配备 128GB 统一内存的 MacBook Pro 上构建了一个完全本地化的 AI 编码代理 ForgeFlow。该代理在 Docker 沙箱内自主编写代码并运行测试，仅当所有测试通过后才提交更改，在执行过程中不依赖云 API。该系统采用 TDD（测试驱动开发）方法，机械地执行红-绿-重构循环，即先编写测试，然后仅生成代码以通过这些测试。