Qwen3-Coder-Next

Qwen3‑Coder‑Next è un modello open weight per agenti di coding e sviluppo locale. Ha 80 miliardi di parametri totali e 3 miliardi attivi in inferenza, con architettura ibrida e MoE altamente sparso per throughput elevato e contesti fino a 262.144 token. Addestrato su oltre 370 linguaggi di programmazione, supporta tool calling, adattamento a scaffold e template, rilevamento e recupero dagli errori.

• SEDE DEL PROVIDER: Extra UE
• PARAMETRI: 80B (3B attivi)
• CONTESTO MAX: 256K token
• LICENZA: Apache 2.0
• FUNZIONALITÀ: Function calling, Code assistant
• OUTPUT FORMATS: Raw_text, Json_object

• Agente di coding autonomo
• Sviluppo locale assistito da AI
• Refactoring e debug automatizzato
• Integrazione in pipeline CI/CD

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-Next",
"messages": [
{
"role": "system",
"content": "Sei un assistente conciso."
},
{
"role": "user",
"content": "Spiega cos'\''è un embedding."
}
],
"temperature": 0.7,
"max_tokens": 1000
}'

{
"id": "chatcmpl-00cc644d-fe58-4338-b010-4c9edb5cf951",
"created": 1787560592,
"model": "Qwen3-Coder-Next",
"object": "chat.completion",
"system_fingerprint": "vllm-0.24.0-b77e1055",
"choices": [
{
"finish_reason": "stop",
"index": 0,
"message": {
"content": "Un **embedding** è una rappresentazione vettoriale densa e a bassa dimensione di oggetti (come parole, frasi, immagini, ecc.), in cui oggetti simili sono posizionati vicini nello spazio vettoriale.\n\n### In parole semplici:\n- Prende dati non numerici (es. parole) e li trasforma in **vettori di numeri**.\n- La distanza tra i vettori riflette la **similarità** tra gli oggetti originali.\n - Esempio: *“re” – “re” ≈ “regina” – “regina”* (in termini di vettori: *re – uomo ≈ regina – donna*).\n\n### Perché servono?\n- I modelli di machine learning lavorano con numeri, non con testo o immagini grezze.\n- Gli embedding catturano **relazioni semantiche** (non solo contiguity), rendendo i modelli più efficaci.\n\n### Esempi comuni:\n- **Word2Vec**, **GloVe**, **FastText**: per parole.\n- **BERT embeddings**: per contesto di parole in frase.\n- **Image embeddings** (es. da ResNet): per immagini (vettori che codificano caratteristiche visive).\n\nIn sintesi: un embedding è una **mappatura utile e compatta** di dati complessi in uno spazio vettoriale numerico, dove la geometria riflette il significato o le somiglianze.",
"role": "assistant",
"provider_specific_fields": {
"reasoning": null,
"refusal": null
}
},
"provider_specific_fields": {}
}
],
"usage": {
"completion_tokens": 340,
"prompt_tokens": 30,
"total_tokens": 370
}
}

• Qwen3‑Coder‑30B‑A3B‑Instruct

• Hugging Face
• Paper tecnico
• GitHub