Kann ich Qwen3-Coder-Next lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3-Coder-Next verfügbar. Ollama, LM Studio, llama.cpp, MLX-LM und KTransformers unterstützen es, allerdings benötigen Sie aufgrund der 80 Milliarden Gesamtparameter erhebliche Hardware.

Was kostet es über die API und wie lang ist der Kontext?

Die Preise liegen bei 0,12 $ pro Million Eingabetokens und 0,80 $ pro Million Ausgabetokens, mit einem nativen Kontextfenster von 262.144 Tokens.

Worin unterscheidet sich dieses Modell von anderen Qwen3-Modellen?

Qwen3-Coder-Next ist speziell für Coding-Agenten gebaut und nicht für den allgemeinen Gebrauch: Es läuft nur im Nicht-Denkmodus, überspringt Chain-of-Thought-Blöcke vollständig und legt beim Training den Schwerpunkt auf Werkzeugnutzung, Wiederherstellung bei Ausführungsfehlern und langfristige agentische Aufgaben statt auf breite Konversationsfähigkeit.

Qwen3 Coder Next

5847°

#llm #qwen #programmieren #agenten #langer kontext #lokal

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Qwen | 262.144 Token Kontext | $0,12/M Eingabe, $0,80/M Ausgabe. Qwen3-Coder-Next ist ein Open-Weight kausales Sprachmodell, optimiert für Coding-Agenten und lokale Entwicklungs-Workflows. Es verwendet ein sparsames MoE-Design mit 80B Gesamtparametern und nur 3B aktivierten pro Token, liefert Leistung vergleichbar mit Modellen mit 10- bis 20-fach höherer aktiver Rechenleistung, was es gut geeignet macht für kostenbewusste, stets aktive Agenten-Deployments. Das Modell ist mit starkem agentischem Fokus trainiert und arbeitet zuverlässig bei langfristigen Coding-Aufgaben, komplexer Tool-Nutzung…Qwen | 262.144 Token Kontext | $0,12/M Eingabe, $0,80/M Ausgabe. Qwen3-Coder-Next ist ein Open-Weight kausales Sprachmodell, optimiert für Coding-Agenten und lokale Entwicklungs-Workflows. Es verwendet ein sparsames MoE-Design mit 80B Gesamtparametern und nur 3B aktivierten pro Token, liefert Leistung vergleichbar mit Modellen mit 10- bis 20-fach höherer aktiver Rechenleistung, was es gut geeignet macht für kostenbewusste, stets aktive Agenten-Deployments. Das Modell ist mit starkem agentischem Fokus trainiert und arbeitet zuverlässig bei langfristigen Coding-Aufgaben, komplexer Tool-Nutzung und Fehlerbehebung bei Ausführungsfehlern. Mit einem nativen 256k-Kontextfenster integriert es sich sauber in reale CLI- und IDE-Umgebungen und passt sich gut an gängige Agentengerüste moderner Coding-Tools an. Das Modell arbeitet ausschließlich im Nicht-Denken-Modus und gibt keine Blöcke aus, was die Integration für produktive Coding-Agenten vereinfacht.

Anleitungen zu diesem Modell

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Qwen3-Coder-Next ist ein Open-Weight-MoE-Modell von Qwen, das speziell für Coding-Agenten entwickelt wurde. Es verfügt über insgesamt 80 Milliarden Parameter, von denen jedoch nur 3 Milliarden pro Token aktiv sind. Diese Effizienz macht es möglich, Agenten dauerhaft mit einem Bruchteil der Rechenkosten vergleichbar leistungsfähiger Modelle einzusetzen. Wenn Sie Coding-Agenten in einer CLI oder IDE betreiben und etwas suchen, das Sie selbst hosten können, ist dieses Modell definitiv einen genaueren Blick wert.

Bekannt für

MoE-Design: 80 Milliarden Gesamtparameter, 3 Milliarden aktiv pro Token – niedrige Inferenzkosten für seine Leistungsklasse.
Native 256k-Kontextgröße, die große Codebasen und lange mehrstufige Agentensitzungen bewältigt.
Für agentische Arbeit trainiert: Werkzeugnutzung, Langzeitaufgaben und Wiederherstellung nach Ausführungsfehlern.
Integration mit Claude Code, Cline, LM Studio, Ollama, llama.cpp und ähnlichen Frameworks.
Kein Denkmodus-Overhead – saubere, direkte Ausgabe, geeignet für produktive Agenten-Pipelines.

Achte auf

Nur Nicht-Denkmodus; wenn Sie Chain-of-Thought-Reasoning-Blöcke benötigen, schauen Sie woanders.
80 Milliarden Gesamtparameter bedeuten, dass die lokale Bereitstellung trotz der niedrigen aktiven Anzahl ernsthafte Hardware erfordert.
Der Hersteller hat keine detaillierte Lizenzübersicht auf der Modellseite veröffentlicht – vor kommerzieller Nutzung das Repository prüfen.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Langer Kontext

Lokal ausführbar

Prompts zum Ausprobieren

Debuggen eines fehlerhaften Agenten-Tools

Ich habe einen Python-Coding-Agenten, der ein Shell-Tool aufruft, um pytest auszuführen. Das Tool gibt den Exit-Code 1 zurück, aber der Agent versucht denselben Befehl immer wieder, ohne die Fehlermeldung auszuwerten. Schreibe den Tool-Aufruf-Handler und die Retry-Logik so, dass der Agent stderr analysiert, den fehlschlagenden Test identifiziert und vor dem erneuten Versuch eine gezielte Korrektur vornimmt.

Refaktorierung eines großen Moduls

Hier ist ein 400-zeiliges Python-Modul, das Datenbankzugriff, Geschäftslogik und HTTP-Serialisierung in derselben Datei mischt. Teile es in drei Dateien auf, die einer sauberen Schichtenarchitektur folgen, behalte alle bestehenden öffentlichen Funktionssignaturen bei und füge oben in jeder neuen Datei einen kurzen Kommentar hinzu, der ihre Verantwortung erklärt.

Schreibe ein CLI-Scaffolding-Tool

Schreibe ein eigenständiges Python-CLI-Tool mit argparse, das ein neues FastAPI-Projekt scaffoldet. Es soll eine Verzeichnisstruktur mit den Ordnern app, models, routers und tests erstellen, eine minimale main.py generieren, eine requirements.txt mit fastapi und uvicorn sowie eine README mit einer Ein-Befehl-Ausführungsanleitung.

Vergleichen mit

Qwen3.8 Max (0902)
Nur API-Modell
1,000,000 Token Kontext · $2.00/M Eingabe, $6.00/M Ausgabe
Qwen3.7 Plus
Nur API-Modell
1,000,000 Token Kontext · $0.32/M Eingabe, $1.28/M Ausgabe
Qwen3.6 Plus
Nur API-Modell
1,000,000 Token Kontext · $0.33/M Eingabe, $1.95/M Ausgabe
Qwen3.6 Max Preview
Nur API-Modell
262,144 Token Kontext · $1.03/M Eingabe, $6.16/M Ausgabe

Mehr Textmodelle von qwen

Häufig gestellte Fragen

Kann ich Qwen3-Coder-Next lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3-Coder-Next verfügbar. Ollama, LM Studio, llama.cpp, MLX-LM und KTransformers unterstützen es, allerdings benötigen Sie aufgrund der 80 Milliarden Gesamtparameter erhebliche Hardware.
Was kostet es über die API und wie lang ist der Kontext?: Die Preise liegen bei 0,12 $ pro Million Eingabetokens und 0,80 $ pro Million Ausgabetokens, mit einem nativen Kontextfenster von 262.144 Tokens.
Worin unterscheidet sich dieses Modell von anderen Qwen3-Modellen?: Qwen3-Coder-Next ist speziell für Coding-Agenten gebaut und nicht für den allgemeinen Gebrauch: Es läuft nur im Nicht-Denkmodus, überspringt Chain-of-Thought-Blöcke vollständig und legt beim Training den Schwerpunkt auf Werkzeugnutzung, Wiederherstellung bei Ausführungsfehlern und langfristige agentische Aufgaben statt auf breite Konversationsfähigkeit.

Captain's Urteil
Ein seltenes Open-Weight-Modell, das Agentenbereitstellung ernst nimmt – die MoE-Effizienz macht dauerhaftes Hosting wirklich praktikabel.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Mistral 7B Instruct v0.2

TEXT / LLM

Nemotron 3.5 Super VL

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

Qwen3 Coder Next ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm qwen programmieren agenten langer kontext lokal

Nach Modellfamilie stöbern