Bisakah saya menjalankan Qwen3-Coder-30B-A3B-Instruct secara lokal?

Ya, bobotnya terbuka dan tersedia di Hugging Face di Qwen/Qwen3-Coder-30B-A3B-Instruct. Karena hanya 3,3 miliar parameter yang aktif per inferensi, kebutuhan memori lebih rendah dibanding model padat 30B, meskipun Anda harus memeriksa panduan VRAM untuk kuantisasi spesifik Anda.

Berapa biayanya lewat API dan berapa panjang konteksnya?

Harga API adalah $0,07 per juta token input dan $0,28 per juta token output. Jendela konteks asli 262.144 token, dapat diperluas hingga 1 juta token menggunakan Yarn jika tumpukan inferensi Anda mendukung.

Apakah model ini memiliki mode berpikir atau penalaran?

Tidak. Qwen3-Coder-30B-A3B-Instruct hanya mendukung mode tanpa berpikir dan tidak pernah menghasilkan blok rantai pemikiran dalam outputnya. Jika Anda butuh jejak penalaran, Anda perlu model lain dari keluarga Qwen3.

Qwen3 Coder 30B A3B Instruct

4688°

#llm #qwen #pemrograman #agen #konteks panjang #lokal

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Qwen | konteks 262.144 token | $0,07/M input, $0,28/M output. Qwen3-Coder-30B-A3B-Instruct adalah model Mixture-of-Experts (MoE) 30,5B parameter dengan 128 ahli (8 aktif per proses), dirancang untuk generasi kode tingkat lanjut, pemahaman skala repositori, dan penggunaan alat agen. Dibangun di atas arsitektur Qwen3, model ini mendukung panjang konteks native 256K token (dapat diperluas hingga 1M dengan Yarn) dan tampil kuat dalam tugas yang melibatkan pemanggilan fungsi, penggunaan peramban, dan penyelesaian kode terstruktur. Model ini dioptimalkan untuk mengikuti instruksi tanpa “mode berpikir”, dan terintegrasi dengan baik dengan format penggunaan alat kompatibel OpenAI.

Panduan untuk model ini

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Qwen3-Coder-30B-A3B-Instruct adalah model coding Mixture-of-Experts dari Qwen dengan total 30,5 miliar parameter tapi hanya 3,3 miliar yang aktif per proses inferensi, membuatnya tangguh relatif terhadap kelas beratnya. Model ini menargetkan alur kerja coding agen — seperti CLINE, otomasi browser, penggunaan alat multi-langkah — dengan konteks asli 256K token yang mencakup sebagian besar repositori nyata. Bobot terbuka dan harga API rendah membuatnya layak dipertimbangkan serius jika agen coding adalah beban kerja utama Anda.

Dikenal untuk

Tugas coding agen dan penggunaan browser dengan dukungan panggilan fungsi terstruktur
Konteks asli 256K, dapat diperluas hingga 1 juta token melalui Yarn, untuk pekerjaan skala repositori
Efisiensi MoE: 30,5 miliar parameter, hanya 3,3 miliar aktif per inferensi
Format penggunaan alat kompatibel OpenAI; terintegrasi dengan CLINE dan Qwen Code langsung
Hanya mengikuti instruksi — tanpa mode berpikir, tanpa overhead rantai pemikiran

Waspadai

Tidak ada mode berpikir sama sekali; jika Anda butuh jejak penalaran langkah demi langkah, cari model lain dalam keluarga Qwen3.
Perlu konfigurasi Yarn untuk ekstensi 1 juta token — tidak tersedia secara default di semua tumpukan inferensi.
Ketentuan lisensi tidak dijelaskan di sini; periksa repositori Hugging Face sebelum penggunaan komersial.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Konteks panjang

Jalankan secara lokal

Anggaran

Prompt untuk dicoba

Refaktor fungsi berantakan

Berikut fungsi Python yang membaca file CSV, memfilter baris dengan kolom 'status' bernilai 'active', menghitung rata-rata kolom 'score' untuk baris tersebut, dan menulis hasil ke CSV baru. Fungsi ini bekerja tapi sulit dibaca dan tidak ada penanganan error. Refaktor agar jelas dan tangguh, serta tambahkan petunjuk tipe di seluruh fungsi. [tempel fungsi Anda di sini]

Buat agen alat multi-langkah

Tulis fungsi Python bernama search_and_summarize yang menerima string kueri pencarian, memanggil alat search_web(query) yang mengembalikan daftar dict {title, url, snippet}, memilih tiga hasil paling relevan, mengambil setiap halaman dengan fetch_page(url) yang mengembalikan teks biasa, dan mengembalikan satu paragraf ringkas. Gunakan format panggilan alat kompatibel OpenAI dan tangani kegagalan dengan baik.

Jelaskan file kode besar

Saya akan menempelkan file sumber panjang dari repositori yang tidak dikenal. Baca dengan cermat dan berikan saya: (1) tanggung jawab file ini dalam sistem yang lebih luas, (2) tiga fungsi atau kelas terpenting dan fungsinya, (3) bug atau bau kode yang jelas, dan (4) pertanyaan yang harus saya ajukan untuk memahami bagian yang tidak jelas. [tempel file Anda di sini]

Bandingkan dengan

Qwen3.7 Flash
Model hanya API
konteks 1,000,000 token · $0.03/M input, $0.13/M output
Qwen3.8 Max (0902)
Model hanya API
konteks 1,000,000 token · $2.00/M input, $6.00/M output
Qwen3.8 Omni Flash
Model hanya API
konteks 1,000,000 token · $0.15/M input, $0.47/M output
Qwen3.7 Plus
Model hanya API
konteks 1,000,000 token · $0.32/M input, $1.28/M output

Model teks lain dari qwen

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Qwen3-Coder-30B-A3B-Instruct secara lokal?: Ya, bobotnya terbuka dan tersedia di Hugging Face di Qwen/Qwen3-Coder-30B-A3B-Instruct. Karena hanya 3,3 miliar parameter yang aktif per inferensi, kebutuhan memori lebih rendah dibanding model padat 30B, meskipun Anda harus memeriksa panduan VRAM untuk kuantisasi spesifik Anda.
Berapa biayanya lewat API dan berapa panjang konteksnya?: Harga API adalah $0,07 per juta token input dan $0,28 per juta token output. Jendela konteks asli 262.144 token, dapat diperluas hingga 1 juta token menggunakan Yarn jika tumpukan inferensi Anda mendukung.
Apakah model ini memiliki mode berpikir atau penalaran?: Tidak. Qwen3-Coder-30B-A3B-Instruct hanya mendukung mode tanpa berpikir dan tidak pernah menghasilkan blok rantai pemikiran dalam outputnya. Jika Anda butuh jejak penalaran, Anda perlu model lain dari keluarga Qwen3.

Putusan Kapten
Agen coding yang benar-benar murah dan bisa dijalankan lokal dengan performa melebihi jumlah parameter aktifnya — arsitektur MoE adalah inti keunggulannya.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

Meta Llama 3 70B Instruct

TEXT / LLM

Mistral Medium 3

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

Qwen3 Coder 30B A3B Instruct adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm qwen pemrograman agen konteks panjang lokal anggaran

Jelajahi berdasarkan Keluarga Model