Puis-je exécuter Qwen3-Coder-30B-A3B-Instruct localement ?

Oui, les poids sont ouverts et disponibles sur Hugging Face à Qwen/Qwen3-Coder-30B-A3B-Instruct. Comme seuls 3,3 milliards de paramètres sont actifs par passage, les besoins mémoire sont inférieurs à un modèle dense 30B, mais vérifiez le guide VRAM pour votre quantification spécifique.

Quel est le coût via API et quelle est la taille du contexte ?

Le prix API est de 0,07 $ par million de tokens d'entrée et 0,28 $ par million de tokens de sortie. La fenêtre de contexte native est de 262 144 tokens, extensible à 1M tokens avec Yarn si votre configuration d'inférence le supporte.

Ce modèle a-t-il un mode réflexion ou raisonnement ?

Non. Qwen3-Coder-30B-A3B-Instruct supporte uniquement le mode sans réflexion et ne produit jamais de blocs chaîne de pensée dans sa sortie. Si vous avez besoin de traces de raisonnement, il vous faudra un autre modèle de la famille Qwen3.

Qwen3 Coder 30B A3B Instruct

4688°

#llm #qwen #programmation #agents #contexte long #local

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Qwen | contexte de 262 144 tokens | 0,07 $/M en entrée, 0,28 $/M en sortie. Qwen3-Coder-30B-A3B-Instruct est un modèle Mixture-of-Experts (MoE) de 30,5 milliards de paramètres avec 128 experts (8 actifs par passage avant), conçu pour la génération avancée de code, la compréhension à l'échelle des dépôts et l'utilisation agentique d'outils. Basé sur l'architecture Qwen3, il supporte une longueur de contexte native de 256K tokens (extensible à 1M avec Yarn) et performe bien dans les tâches impliquant appels de fonctions, usage de navigateur et complétion de code structurée. Ce modèle est optimisé pour le suivi d'instructions sans « mode réflexion », et s'intègre bien aux formats d'utilisation d'outils compatibles OpenAI.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Qwen3-Coder-30B-A3B-Instruct est un modèle de codage Mixture-of-Experts de Qwen avec 30,5 milliards de paramètres totaux mais seulement 3,3 milliards actifs par passage, ce qui le rend performant par rapport à sa catégorie. Il cible les workflows de codage agentiques — pensez CLINE, automatisation de navigateur, utilisation multi-outils — avec un contexte natif de 256K tokens couvrant la plupart des dépôts réels. Poids ouverts et prix API bas en font un candidat sérieux si les agents de codage sont votre charge principale.

Connu pour

Tâches de codage agentique et d'utilisation de navigateur avec support structuré des appels de fonction
Contexte natif de 256K, extensible à 1M tokens via Yarn, pour travail à l'échelle des dépôts
Efficacité MoE : 30,5 milliards de paramètres, seulement 3,3 milliards actifs par inférence
Format d'utilisation d'outils compatible OpenAI ; s'intègre avec CLINE et Qwen Code immédiatement
Suivi d'instructions uniquement — pas de mode réflexion, pas de surcharge chaîne de pensée

Attention à

Pas de mode réflexion du tout ; si vous avez besoin de traces de raisonnement pas à pas, regardez ailleurs dans la famille Qwen3.
L'extension à 1M tokens nécessite une configuration Yarn — pas disponible par défaut dans toutes les piles d'inférence.
Les termes de licence ne sont pas détaillés ici ; vérifiez le dépôt Hugging Face avant tout déploiement commercial.

Idéal pour

Programmation

Agents et utilisation d'outils

Contexte long

Fonctionne localement

Budget

Prompts à essayer

Refactoriser une fonction désordonnée

Voici une fonction Python qui lit un fichier CSV, filtre les lignes où la colonne 'status' vaut 'active', calcule la moyenne de la colonne 'score' pour ces lignes, et écrit le résultat dans un nouveau CSV. Elle fonctionne mais est difficile à lire et ne gère pas les erreurs. Refactorez-la pour plus de clarté et robustesse, et ajoutez des annotations de type partout. [collez votre fonction ici]

Construire un agent multi-étapes

Écrivez une fonction Python appelée search_and_summarize qui prend une chaîne de requête, appelle un outil hypothétique search_web(query) retournant une liste de dicts {title, url, snippet}, choisit les trois résultats les plus pertinents, récupère chaque page avec fetch_page(url) retournant du texte brut, et retourne un paragraphe de résumé concis. Utilisez le format d'appel d'outil compatible OpenAI et gérez les échecs avec grâce.

Expliquer un fichier volumineux de code

Je vais coller un long fichier source d'un dépôt inconnu. Lisez-le attentivement et donnez-moi : (1) la responsabilité de ce fichier dans le système global, (2) les trois fonctions ou classes les plus importantes et leur rôle, (3) les bugs ou mauvaises pratiques évidents, et (4) les questions à poser pour comprendre les parties obscures. [collez votre fichier ici]

Comparer avec

Qwen3.7 Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.03/M, sortie $0.13/M
Qwen3.8 Max (0902)
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.00/M, sortie $6.00/M
Qwen3.8 Omni Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.15/M, sortie $0.47/M
Qwen3.7 Plus
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.32/M, sortie $1.28/M

Plus de modèles de texte de qwen

Questions fréquentes

Puis-je exécuter Qwen3-Coder-30B-A3B-Instruct localement ?: Oui, les poids sont ouverts et disponibles sur Hugging Face à Qwen/Qwen3-Coder-30B-A3B-Instruct. Comme seuls 3,3 milliards de paramètres sont actifs par passage, les besoins mémoire sont inférieurs à un modèle dense 30B, mais vérifiez le guide VRAM pour votre quantification spécifique.
Quel est le coût via API et quelle est la taille du contexte ?: Le prix API est de 0,07 $ par million de tokens d'entrée et 0,28 $ par million de tokens de sortie. La fenêtre de contexte native est de 262 144 tokens, extensible à 1M tokens avec Yarn si votre configuration d'inférence le supporte.
Ce modèle a-t-il un mode réflexion ou raisonnement ?: Non. Qwen3-Coder-30B-A3B-Instruct supporte uniquement le mode sans réflexion et ne produit jamais de blocs chaîne de pensée dans sa sortie. Si vous avez besoin de traces de raisonnement, il vous faudra un autre modèle de la famille Qwen3.

Verdict du capitaine
Un agent de codage bon marché, exécutable localement, qui surpasse son nombre de paramètres actifs — l'architecture MoE est ici l'atout principal.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Qwen3 235B A22B Instruct 2507

TEXT / LLM

Llama 3.3 Euryale 70B

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Qwen3 Coder 30B A3B Instruct est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm qwen programmation agents contexte long local budget

Parcourir par famille de modèles