Qwen3-Coder-30B-A3B-Instruct

Qwen3‑Coder‑30B‑A3B‑Instruct è il modello Alibaba Cloud per lo sviluppo software. L’architettura Mixture of Experts attiva 3 miliardi di parametri su 30, combinando generazione di codice ed efficienza computazionale. Supporta contesti fino a 256.000 token per codebase estese e offre generazione automatica, code review, automazione dello sviluppo e integrazione con strumenti esterni tramite function calling.

• SEDE DEL PROVIDER: Extra UE
• PARAMETRI: 30B (3B attivi)
• CONTESTO MAX: 256K token
• LICENZA: Apache 2.0
• FUNZIONALITÀ: Function calling, Code assistant
• OUTPUT FORMATS: Raw_text, Json_object

• Generazione automatica di codice
• Code review e refactoring
• Automazione dello sviluppo software
• Agente di coding con tool integration

curl --request POST \
--url https://apiaruba.it/aiplatform/v1/chat/completions \
--header 'content-type: application/json' \
--header 'x-aruba-api-key: *****' \
--data '{
"model": "Qwen3-Coder-30B-A3B-Instruct",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 1000
}'

{
"id": "chatcmpl-5f64db30-df6e-43a8-beec-4db6d1c83d8f",
"created": 1787560792,
"model": "Qwen3-Coder-30B-A3B-Instruct",
"object": "chat.completion",
"system_fingerprint": "vllm-0.24.0-7e9730e4",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "Un **embedding** è una rappresentazione di dati (come parole, immagini o numeri) in uno spazio continuo di numeri reali, solitamente in forma di vettori ad alta dimensionalità. L'obiettivo è catturare le relazioni semantiche o simili tra i dati.\n\n### Esempio con parole:\nNel contesto del linguaggio naturale, un embedding può trasformare una parola come \"gatto\" in un vettore di numeri, ad esempio:\n\n$$\n\\text{gatto} \\rightarrow [0.2, -1.5, 0.8, 1.1, \\dots]\n$$\n\nDue parole con significati simili, come \"gatto\" e \"cane\", avranno vettori che si trovano vicini nello spazio dell'embedding, mentre parole diverse avranno vettori distanti.\n\n### Utilizzo:\nGli embedding sono ampiamente usati in **machine learning**, specialmente nei modelli di linguaggio (es. Word2Vec, GloVe, BERT), per migliorare le performance in compiti come la traduzione automatica, il riconoscimento del sentiment o la classificazione di testi.\n\nIn sintesi: \n> Un embedding è una tecnica per rappresentare informazioni in uno spazio matematico dove le similarità semantiche sono riflesse nella distanza tra i vettori.",
"role": "assistant",
"provider_specific_fields": {
"reasoning": null,
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 315,
"prompt_tokens": 30,
"total_tokens": 345
}
}

• Qwen3‑Coder‑Next

• Hugging Face
• GitHub