Posso eseguire Qwen3-Coder-Next localmente?

Sì, i pesi sono aperti e disponibili su Hugging Face in Qwen/Qwen3-Coder-Next. Ollama, LM Studio, llama.cpp, MLX-LM e KTransformers lo supportano, anche se 80B parametri totali richiedono hardware sostanziale.

Quanto costa via API e qual è la lunghezza del contesto?

Il prezzo è $0,12 per milione di token in input e $0,80 per milione di token in output, con una finestra di contesto nativa di 262.144 token.

In cosa differisce dagli altri modelli Qwen3?

Qwen3-Coder-Next è costruito appositamente per agenti di coding, non per uso generale: funziona solo in modalità non-thinking, salta completamente i blocchi chain-of-thought e il suo addestramento enfatizza l’uso di strumenti, il recupero da errori di esecuzione e compiti agentici a lungo orizzonte più che la conversazione ampia.

Qwen3 Coder Next

5847°

#llm #qwen #programmazione #agenti #contesto lungo #locale

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

Qwen | contesto da 262.144 token | $0.12/M input, $0.80/M output. Qwen3-Coder-Next è un modello linguistico causale open-weight ottimizzato per agenti di coding e flussi di lavoro di sviluppo locale. Usa un design MoE sparso con 80B parametri totali e solo 3B attivati per token, offrendo prestazioni comparabili a modelli con 10-20 volte più calcolo attivo, rendendolo ideale per deployment agenti sempre attivi e sensibili ai costi. Il modello è addestrato con un forte focus agentico e funziona in modo affidabile su compiti di coding a lungo termine, uso complesso di strumenti e recupero da…Qwen | contesto da 262.144 token | $0.12/M input, $0.80/M output. Qwen3-Coder-Next è un modello linguistico causale open-weight ottimizzato per agenti di coding e flussi di lavoro di sviluppo locale. Usa un design MoE sparso con 80B parametri totali e solo 3B attivati per token, offrendo prestazioni comparabili a modelli con 10-20 volte più calcolo attivo, rendendolo ideale per deployment agenti sempre attivi e sensibili ai costi. Il modello è addestrato con un forte focus agentico e funziona in modo affidabile su compiti di coding a lungo termine, uso complesso di strumenti e recupero da errori di esecuzione. Con una finestra di contesto nativa da 256k, si integra perfettamente in ambienti CLI e IDE reali e si adatta bene agli schemi agentici comuni usati dagli strumenti di coding moderni. Il modello opera esclusivamente in modalità non-thinking e non emette blocchi, semplificando l'integrazione per agenti di coding in produzione.

Guide per questo modello

Ollama vs LM Studio (2026): quale app AI locale usare e quali modelli top esegue ciascuna

Quanta VRAM serve davvero per l'AI locale?

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Qwen3-Coder-Next è un modello MoE a pesi aperti di Qwen costruito specificamente per agenti di coding, con 80 miliardi di parametri totali ma solo 3 miliardi attivi per token. Questa efficienza lo rende praticabile per deployment agenti sempre attivi a una frazione del costo computazionale di modelli comparabili. Se esegui agenti di coding in CLI o IDE e vuoi qualcosa da ospitare in proprio, vale una seria considerazione.

Conosciuto per

Design MoE: 80B totali, 3B attivi per token — basso costo di inferenza per la sua fascia di capacità.
Contesto nativo da 256k che gestisce grandi codebase e sessioni agentiche multi-step lunghe.
Addestrato per lavoro agentico: uso di strumenti, compiti a lungo orizzonte e recupero da errori di esecuzione.
Si integra con Claude Code, Cline, LM Studio, Ollama, llama.cpp e scaffolding simili.
Nessun overhead di modalità thinking — output pulito e diretto adatto a pipeline agenti in produzione.

Attenzione a

Solo modalità non-thinking; se ti servono blocchi di ragionamento chain-of-thought, cerca altrove.
80B parametri totali significa che il deployment locale richiede hardware serio nonostante il basso numero attivo.
Il produttore non ha pubblicato un riassunto dettagliato della licenza nella pagina del modello — verifica il repo prima dell’uso commerciale.

Ideale per

Programmazione

Agenti e uso di strumenti

Contesto lungo

Funziona localmente

Prompt da provare

Debug di uno strumento agente fallito

Ho un agente di coding Python che chiama uno strumento shell per eseguire pytest. Lo strumento restituisce codice di uscita 1 ma l’agente continua a ripetere lo stesso comando senza leggere l’output di errore. Scrivi il gestore della chiamata allo strumento e la logica di retry in modo che l’agente analizzi stderr, identifichi il test fallito e tenti una correzione mirata prima di riprovare.

Refactoring di un modulo grande

Ecco un modulo Python di 400 righe che mescola accesso al database, logica di business e serializzazione HTTP nello stesso file. Dividilo in tre file seguendo un’architettura a strati pulita, mantieni tutte le firme delle funzioni pubbliche esistenti e aggiungi un breve commento in cima a ogni nuovo file che spieghi la sua responsabilità.

Scrivi uno strumento CLI di scaffolding

Scrivi uno strumento CLI Python autonomo usando argparse che scaffolda un nuovo progetto FastAPI. Deve creare una struttura di directory con cartelle app, models, routers e tests, generare un main.py minimale, un requirements.txt con fastapi e uvicorn, e un README con un’istruzione di esecuzione con un solo comando.

Confronta con

Qwen3.8 Max (0902)
Modello solo API
Contesto di 1,000,000 token · Input $2.00/M, output $6.00/M
Qwen3.7 Plus
Modello solo API
Contesto di 1,000,000 token · Input $0.32/M, output $1.28/M
Qwen3.6 Plus
Modello solo API
Contesto di 1,000,000 token · Input $0.33/M, output $1.95/M
Qwen3.6 Max Preview
Modello solo API
Contesto di 262,144 token · Input $1.03/M, output $6.16/M

Altri modelli di testo da qwen

Domande frequenti

Posso eseguire Qwen3-Coder-Next localmente?: Sì, i pesi sono aperti e disponibili su Hugging Face in Qwen/Qwen3-Coder-Next. Ollama, LM Studio, llama.cpp, MLX-LM e KTransformers lo supportano, anche se 80B parametri totali richiedono hardware sostanziale.
Quanto costa via API e qual è la lunghezza del contesto?: Il prezzo è $0,12 per milione di token in input e $0,80 per milione di token in output, con una finestra di contesto nativa di 262.144 token.
In cosa differisce dagli altri modelli Qwen3?: Qwen3-Coder-Next è costruito appositamente per agenti di coding, non per uso generale: funziona solo in modalità non-thinking, salta completamente i blocchi chain-of-thought e il suo addestramento enfatizza l’uso di strumenti, il recupero da errori di esecuzione e compiti agentici a lungo orizzonte più che la conversazione ampia.

Verdetto del capitano
Un raro modello open-weight che prende sul serio il deployment agenti — l’efficienza MoE rende il hosting sempre attivo davvero praticabile.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Llama 3.1 8B Instruct

Mistral Nemo Instruct 2407

TEXT / LLM

Modelli di IA per generare immagini, video e testo

Qwen3 Coder Next è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm qwen programmazione agenti contesto lungo locale

Sfoglia per famiglia di modelli