Kan jag köra Qwen3-Coder-30B-A3B-Instruct lokalt?

Ja, vikterna är öppna och finns på Hugging Face under Qwen/Qwen3-Coder-30B-A3B-Instruct. Eftersom endast 3,3 miljarder parametrar är aktiva per framåtpass är minneskraven lägre än för en tät 30B-modell, men du bör kontrollera VRAM-guiden för din specifika kvantisering.

Vad kostar det via API och hur långt är kontextfönstret?

API-priset är $0,07 per miljon inmatningstoken och $0,28 per miljon utmatningstoken. Det inbyggda kontextfönstret är 262 144 token, utbyggbart till 1 miljon token med Yarn om din inferensmiljö stödjer det.

Har denna modell ett tänkande- eller resonemangsläge?

Nej. Qwen3-Coder-30B-A3B-Instruct stödjer endast icke-tänkande-läge och producerar aldrig kedja-av-tankar-block i sin utmatning. Om du behöver resonemangsspår behöver du en annan modell i Qwen3-familjen.

Qwen3 Coder 30B A3B Instruct

4688°

#llm #qwen #kodning #agenter #lång kontext #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Qwen | 262,144 token context | $0.07/M input, $0.28/M output. Qwen3-Coder-30B-A3B-Instruct är en 30,5B parameter Mixture-of-Experts (MoE) modell med 128 experter (8 aktiva per framåtpass), designad för avancerad kodgenerering, förståelse i repository-skala och agentisk verktygsanvändning. Byggd på Qwen3-arkitekturen, stödjer den ett inbyggt kontextlängd på 256K tokens (utökningsbar till 1M med Yarn) och presterar starkt i uppgifter som involverar funktionsanrop, webbläsaranvändning och strukturerad kodkomplettering. Denna modell är optimerad för instruktionefterlevnad utan "thinking mode" och integreras väl med OpenAI-kompatibla verktygsanvändningsformat.

Guider för denna modell

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Qwen3-Coder-30B-A3B-Instruct är en Mixture-of-Experts-kodningsmodell från Qwen med totalt 30,5 miljarder parametrar men endast 3,3 miljarder aktiva per framåtpass, vilket gör den slagkraftig i sin viktklass. Den riktar sig mot agentbaserade kodningsarbetsflöden — tänk CLINE, webbläsarautomatisering, flerstegs verktygsanvändning — med ett inbyggt 256K-token kontextfönster som täcker de flesta verkliga kodförråd. Öppna vikter och lågt API-pris gör den värd att överväga om kodningsagenter är din huvudsakliga arbetsbelastning.

Känd för

Agentbaserade kodnings- och webbläsaruppgifter med strukturerat funktionsanropsstöd
256K inbyggt kontextfönster, utbyggbart till 1M token via Yarn, för arbete i repo-storlek
MoE-effektivitet: 30,5 miljarder parametrar, endast 3,3 miljarder aktiva per inferenspass
OpenAI-kompatibelt verktygsanropsformat; integreras med CLINE och Qwen Code direkt
Endast instruktioner — inget tänkande-läge, ingen kedja-av-tankar-overhead

Se upp för

Inget tänkande-läge alls; om du behöver steg-för-steg-resonemang, titta på andra modeller i Qwen3-familjen.
1M-token-förlängning kräver Yarn-konfiguration — inte tillgängligt som standard i alla inferensstackar.
Licensvillkor är inte detaljerade här; kontrollera Hugging Face-repot innan kommersiell användning.

Bäst för

Kodning

Agenter och verktygsanvändning

Lång kontext

Kör lokalt

Budget

Promptar att prova

Refaktorera en rörig funktion

Här är en Python-funktion som läser en CSV-fil, filtrerar rader där kolumnen 'status' är 'active', beräknar medelvärdet av kolumnen 'score' för dessa rader och skriver resultatet till en ny CSV. Den fungerar men är svår att läsa och saknar felhantering. Refaktorera den för tydlighet och robusthet, och lägg till typangivelser överallt. [klistra in din funktion här]

Bygg ett flerstegs agentverktyg

Skriv en Python-funktion som heter search_and_summarize som tar en sökfråga som sträng, anropar ett hypotetiskt verktyg search_web(query) som returnerar en lista med {title, url, snippet}-ordböcker, väljer de tre mest relevanta resultaten, hämtar varje sida med fetch_page(url) som returnerar ren text, och returnerar ett enda koncist sammanfattande stycke. Använd OpenAI-kompatibelt verktygsanropsformat och hantera fel på ett smidigt sätt.

Förklara en stor kodbasfil

Jag kommer att klistra in en lång källkodsfil från ett okänt repo. Läs den noggrant och ge mig: (1) vad denna fils ansvar är inom det bredare systemet, (2) de tre viktigaste funktionerna eller klasserna och vad varje gör, (3) eventuella uppenbara buggar eller kodlukt, och (4) vilka frågor jag bör ställa för att förstå de delar som är oklara. [klistra in din fil här]

Jämför med

Qwen3.7 Flash
Endast API-modell
1,000,000 tokens kontext · $0.03/M indata, $0.13/M utdata
Qwen3.8 Max (0902)
Endast API-modell
1,000,000 tokens kontext · $2.00/M indata, $6.00/M utdata
Qwen3.8 Omni Flash
Endast API-modell
1,000,000 tokens kontext · $0.15/M indata, $0.47/M utdata
Qwen3.7 Plus
Endast API-modell
1,000,000 tokens kontext · $0.32/M indata, $1.28/M utdata

Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen3-Coder-30B-A3B-Instruct lokalt?: Ja, vikterna är öppna och finns på Hugging Face under Qwen/Qwen3-Coder-30B-A3B-Instruct. Eftersom endast 3,3 miljarder parametrar är aktiva per framåtpass är minneskraven lägre än för en tät 30B-modell, men du bör kontrollera VRAM-guiden för din specifika kvantisering.
Vad kostar det via API och hur långt är kontextfönstret?: API-priset är $0,07 per miljon inmatningstoken och $0,28 per miljon utmatningstoken. Det inbyggda kontextfönstret är 262 144 token, utbyggbart till 1 miljon token med Yarn om din inferensmiljö stödjer det.
Har denna modell ett tänkande- eller resonemangsläge?: Nej. Qwen3-Coder-30B-A3B-Instruct stödjer endast icke-tänkande-läge och producerar aldrig kedja-av-tankar-block i sin utmatning. Om du behöver resonemangsspår behöver du en annan modell i Qwen3-familjen.

Kaptens omdöme
En genuint billig, lokalt körbar kodningsagent som slår över sin aktiva parameterantal — MoE-arkitekturen är hela poängen här.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

Qwen3 30B A3B Instruct 2507

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Qwen3 Coder 30B A3B Instruct är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm qwen kodning agenter lång kontext lokal budget

Bläddra efter modellfamilj