Puis-je exécuter Qwen3-Coder-Next localement ?

Oui, les poids sont ouverts et disponibles sur Hugging Face à Qwen/Qwen3-Coder-Next. Ollama, LM Studio, llama.cpp, MLX-LM et KTransformers le supportent, bien que les 80 milliards de paramètres totaux nécessitent un matériel conséquent.

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

Le tarif est de 0,12 $ par million de tokens en entrée et 0,80 $ par million en sortie, avec une fenêtre de contexte native de 262 144 tokens.

En quoi ce modèle diffère-t-il des autres modèles Qwen3 ?

Qwen3-Coder-Next est conçu spécifiquement pour les agents de codage plutôt que pour un usage général : il fonctionne uniquement en mode non-pensée, évite complètement les blocs de raisonnement en chaîne, et son entraînement met l’accent sur l’usage d’outils, la récupération des échecs d’exécution et les tâches agentiques à long horizon plutôt que sur la capacité conversationnelle large.

Qwen3 Coder Next

5847°

#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 | 0,12 $/M en entrée, 0,80 $/M en sortie. Qwen3-Coder-Next est un modèle de langage causal à poids ouvert optimisé pour les agents de codage et les flux de travail de développement local. Il utilise une conception MoE clairsemée avec 80 milliards de paramètres totaux et seulement 3 milliards activés par token, offrant des performances comparables à des modèles avec 10 à 20 fois plus de calcul actif, ce qui le rend bien adapté pour un déploiement d'agents toujours actifs et sensible au coût. Le modèle est entraîné avec un fort focus agentique et performe de…Qwen | contexte de 262 144 tokens | 0,12 $/M en entrée, 0,80 $/M en sortie. Qwen3-Coder-Next est un modèle de langage causal à poids ouvert optimisé pour les agents de codage et les flux de travail de développement local. Il utilise une conception MoE clairsemée avec 80 milliards de paramètres totaux et seulement 3 milliards activés par token, offrant des performances comparables à des modèles avec 10 à 20 fois plus de calcul actif, ce qui le rend bien adapté pour un déploiement d'agents toujours actifs et sensible au coût. Le modèle est entraîné avec un fort focus agentique et performe de manière fiable sur des tâches de codage à long terme, une utilisation complexe d'outils, et la récupération après échecs d'exécution. Avec une fenêtre de contexte native de 256k, il s'intègre proprement dans les environnements CLI et IDE réels et s'adapte bien aux échafaudages d'agents courants utilisés par les outils de codage modernes. Le modèle fonctionne exclusivement en mode non-thinking et n'émet pas de blocs, simplifiant l'intégration pour les agents de codage en production.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

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-Next est un modèle MoE à poids ouverts de Qwen conçu spécifiquement pour les agents de codage, avec 80 milliards de paramètres au total mais seulement 3 milliards actifs par token. Cette efficacité le rend viable pour un déploiement d’agents toujours actifs à une fraction du coût de calcul des modèles comparables. Si vous exécutez des agents de codage en CLI ou IDE et souhaitez un modèle auto-hébergeable, celui-ci mérite une attention sérieuse.

Connu pour

Conception MoE : 80B au total, 3B actifs par token — faible coût d’inférence pour sa catégorie de capacité.
Contexte natif de 256k gérant de grands bases de code et de longues sessions agentiques multi-étapes.
Entraîné pour le travail agentique : usage d’outils, tâches à long horizon, récupération des échecs d’exécution.
S’intègre avec Claude Code, Cline, LM Studio, Ollama, llama.cpp et autres environnements similaires.
Pas de mode pensée — sortie propre et directe adaptée aux pipelines d’agents en production.

Attention à

Mode non-pensée uniquement ; si vous avez besoin de blocs de raisonnement en chaîne, cherchez ailleurs.
80 milliards de paramètres au total signifie que le déploiement local nécessite un matériel sérieux malgré le faible nombre actif.
Le fabricant n’a pas publié de résumé de licence détaillé sur la page du modèle — vérifiez le dépôt avant usage commercial.

Idéal pour

Programmation

Agents et utilisation d'outils

Contexte long

Fonctionne localement

Prompts à essayer

Déboguer un outil agent en échec

J’ai un agent de codage Python qui appelle un outil shell pour exécuter pytest. L’outil retourne un code de sortie 1 mais l’agent continue de réessayer la même commande sans lire la sortie d’erreur. Écris le gestionnaire d’appel d’outil et la logique de réessai pour que l’agent analyse stderr, identifie le test en échec, et tente une correction ciblée avant de réessayer.

Refactoriser un gros module

Voici un module Python de 400 lignes qui mélange accès base de données, logique métier et sérialisation HTTP dans un seul fichier. Sépare-le en trois fichiers selon une architecture en couches propre, garde toutes les signatures de fonctions publiques existantes, et ajoute un bref commentaire en haut de chaque nouveau fichier expliquant sa responsabilité.

Écrire un outil CLI de scaffolding

Écris un outil CLI Python autonome utilisant argparse qui génère un projet FastAPI minimal. Il doit créer une structure de dossiers avec app, models, routers et tests, générer un main.py minimal, un requirements.txt avec fastapi et uvicorn, et un README avec une instruction d’exécution en une commande.

Comparer avec

Qwen3.8 Max (0902)
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.00/M, sortie $6.00/M
Qwen3.7 Plus
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.32/M, sortie $1.28/M
Qwen3.6 Plus
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.33/M, sortie $1.95/M
Qwen3.6 Max Preview
Modèle uniquement API
Contexte de 262,144 tokens · entrée $1.03/M, sortie $6.16/M

Plus de modèles de texte de qwen

Questions fréquentes

Puis-je exécuter Qwen3-Coder-Next localement ?: Oui, les poids sont ouverts et disponibles sur Hugging Face à Qwen/Qwen3-Coder-Next. Ollama, LM Studio, llama.cpp, MLX-LM et KTransformers le supportent, bien que les 80 milliards de paramètres totaux nécessitent un matériel conséquent.
Quel est le coût via API et quelle est la taille du contexte ?: Le tarif est de 0,12 $ par million de tokens en entrée et 0,80 $ par million en sortie, avec une fenêtre de contexte native de 262 144 tokens.
En quoi ce modèle diffère-t-il des autres modèles Qwen3 ?: Qwen3-Coder-Next est conçu spécifiquement pour les agents de codage plutôt que pour un usage général : il fonctionne uniquement en mode non-pensée, évite complètement les blocs de raisonnement en chaîne, et son entraînement met l’accent sur l’usage d’outils, la récupération des échecs d’exécution et les tâches agentiques à long horizon plutôt que sur la capacité conversationnelle large.

Verdict du capitaine
Un modèle open-weight rare qui prend au sérieux le déploiement d’agents — l’efficacité MoE rend l’hébergement toujours actif vraiment pratique.

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

dolphin 2.9.1 llama 3 70b

TEXT / LLM

Modèles d'IA pour générer image, vidéo et texte

Qwen3 Coder Next 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

Parcourir par famille de modèles