Tôi có thể chạy Qwen3-Coder-30B-A3B-Instruct cục bộ không?

Có, trọng số mở và có sẵn trên Hugging Face tại Qwen/Qwen3-Coder-30B-A3B-Instruct. Vì chỉ 3,3 tỷ tham số hoạt động mỗi lần chạy, yêu cầu bộ nhớ thấp hơn mô hình 30B dày đặc, nhưng bạn nên kiểm tra hướng dẫn VRAM cho cấu hình lượng tử hóa cụ thể.

Chi phí qua API là bao nhiêu và ngữ cảnh dài bao nhiêu?

Giá API là 0,07 USD cho mỗi triệu token đầu vào và 0,28 USD cho mỗi triệu token đầu ra. Cửa sổ ngữ cảnh gốc là 262.144 token, có thể mở rộng đến 1 triệu token bằng Yarn nếu hệ thống suy luận của bạn hỗ trợ.

Mô hình này có chế độ suy nghĩ hay suy luận không?

Không. Qwen3-Coder-30B-A3B-Instruct chỉ hỗ trợ chế độ không suy nghĩ và không tạo ra các khối chuỗi suy luận trong đầu ra. Nếu bạn cần theo dõi suy luận, bạn cần một mô hình khác trong gia đình Qwen3.

Qwen3 Coder 30B A3B Instruct

4688°

#llm #qwen #lập trình #tác nhân #ngữ cảnh dài #cục bộ

Chạy mô hình này

Ưu đãi / Quảng cáo

OpenRouter Terminal / API

Trả theo token

Trò chuyện với mô hình này trên trình duyệt hoặc gọi nó từ mã của bạn với một khóa API.

Qwen | ngữ cảnh 262.144 token | $0,07/M đầu vào, $0,28/M đầu ra. Qwen3-Coder-30B-A3B-Instruct là mô hình Mixture-of-Experts (MoE) 30,5 tỷ tham số với 128 chuyên gia (8 chuyên gia kích hoạt mỗi lần chạy), được thiết kế cho tạo mã nâng cao, hiểu kho mã quy mô lớn và sử dụng công cụ theo tác nhân. Xây dựng trên kiến trúc Qwen3, nó hỗ trợ ngữ cảnh gốc 256K token (có thể mở rộng đến 1 triệu với Yarn) và thể hiện hiệu suất mạnh trong các nhiệm vụ gọi hàm, sử dụng trình duyệt và hoàn thành mã có cấu trúc. Mô hình này được tối ưu để theo dõi hướng dẫn mà không có “chế độ suy nghĩ”, và tích hợp tốt với định dạng sử dụng công cụ tương thích OpenAI.

Hướng dẫn cho mô hình này

LLM cục bộ tốt nhất theo từng trường hợp sử dụng (Tháng 10 năm 2026): mô hình mở phù hợp cho mọi công việc

Mình thực sự cần bao nhiêu VRAM cho AI cục bộ?

Tệp GGUF là gì? Giải thích về các mô hình lượng tử hóa (Q4, Q8, fp8, NF4)

Tất cả hướng dẫn

Ghi chú của thuyền trưởng

Viết bởi Captain, biên tập viên chính

Ghi chú từ 2026-10-13

Qwen3-Coder-30B-A3B-Instruct là mô hình lập trình Mixture-of-Experts của Qwen với tổng 30,5 tỷ tham số nhưng chỉ 3,3 tỷ tham số hoạt động mỗi lần chạy, khiến nó mạnh mẽ so với trọng lượng. Nó hướng tới các quy trình làm việc lập trình theo kiểu tác nhân — như CLINE, tự động trình duyệt, sử dụng công cụ đa bước — với ngữ cảnh gốc 256K token bao phủ hầu hết kho mã thực tế. Trọng số mở và giá API thấp khiến nó đáng cân nhắc nếu tác vụ chính của bạn là lập trình tác nhân.

Nổi tiếng với

Tác vụ lập trình và sử dụng trình duyệt theo kiểu tác nhân với hỗ trợ gọi hàm có cấu trúc
Ngữ cảnh gốc 256K, có thể mở rộng đến 1 triệu token qua Yarn, phù hợp làm việc quy mô kho mã
Hiệu quả MoE: 30,5 tỷ tham số, chỉ 3,3 tỷ tham số hoạt động mỗi lần suy luận
Định dạng sử dụng công cụ tương thích OpenAI; tích hợp sẵn với CLINE và Qwen Code
Chỉ theo dõi hướng dẫn — không có chế độ suy nghĩ, không có chi tiết chuỗi suy luận

Cẩn thận với

Không có chế độ suy nghĩ; nếu bạn cần theo dõi suy luận từng bước, hãy xem các mô hình khác trong gia đình Qwen3.
Mở rộng 1 triệu token cần cấu hình Yarn — không có sẵn mặc định trong mọi hệ thống suy luận.
Điều khoản cấp phép không được nêu chi tiết ở đây; hãy kiểm tra kho Hugging Face trước khi triển khai thương mại.

Phù hợp nhất cho

Lập trình

Tác nhân và sử dụng công cụ

Ngữ cảnh dài

Chạy cục bộ

Ngân sách

Lời nhắc để thử

Viết lại hàm lộn xộn

Đây là một hàm Python đọc file CSV, lọc các dòng có cột 'status' bằng 'active', tính trung bình cột 'score' của các dòng đó và ghi kết quả ra file CSV mới. Hàm hoạt động nhưng khó đọc và không có xử lý lỗi. Hãy viết lại cho rõ ràng và chắc chắn hơn, thêm chú thích kiểu dữ liệu đầy đủ. [dán hàm của bạn vào đây]

Xây dựng công cụ tác nhân đa bước

Viết hàm Python tên search_and_summarize nhận chuỗi truy vấn tìm kiếm, gọi công cụ search_web(query) giả định trả về danh sách dict {title, url, snippet}, chọn ba kết quả phù hợp nhất, lấy nội dung từng trang bằng fetch_page(url) trả về văn bản thuần, và trả về một đoạn tóm tắt ngắn gọn. Sử dụng định dạng gọi công cụ tương thích OpenAI và xử lý lỗi một cách nhẹ nhàng.

Giải thích file mã lớn

Tôi sẽ dán một file nguồn dài từ kho mã không quen thuộc. Hãy đọc kỹ và cho tôi biết: (1) trách nhiệm của file này trong hệ thống tổng thể, (2) ba hàm hoặc lớp quan trọng nhất và chức năng của từng cái, (3) bất kỳ lỗi hoặc dấu hiệu mã kém nào rõ ràng, và (4) các câu hỏi tôi nên hỏi để hiểu những phần chưa rõ. [dán file của bạn vào đây]

So sánh với

Qwen3.7 Flash
Mô hình chỉ API
ngữ cảnh 1,000,000 token · Đầu vào $0.03/M, đầu ra $0.13/M
Qwen3.8 Max (0902)
Mô hình chỉ API
ngữ cảnh 1,000,000 token · Đầu vào $2.00/M, đầu ra $6.00/M
Qwen3.8 Omni Flash
Mô hình chỉ API
ngữ cảnh 1,000,000 token · Đầu vào $0.15/M, đầu ra $0.47/M
Qwen3.7 Plus
Mô hình chỉ API
ngữ cảnh 1,000,000 token · Đầu vào $0.32/M, đầu ra $1.28/M

Thêm mô hình văn bản từ qwen

Câu hỏi thường gặp

Tôi có thể chạy Qwen3-Coder-30B-A3B-Instruct cục bộ không?: Có, trọng số mở và có sẵn trên Hugging Face tại Qwen/Qwen3-Coder-30B-A3B-Instruct. Vì chỉ 3,3 tỷ tham số hoạt động mỗi lần chạy, yêu cầu bộ nhớ thấp hơn mô hình 30B dày đặc, nhưng bạn nên kiểm tra hướng dẫn VRAM cho cấu hình lượng tử hóa cụ thể.
Chi phí qua API là bao nhiêu và ngữ cảnh dài bao nhiêu?: Giá API là 0,07 USD cho mỗi triệu token đầu vào và 0,28 USD cho mỗi triệu token đầu ra. Cửa sổ ngữ cảnh gốc là 262.144 token, có thể mở rộng đến 1 triệu token bằng Yarn nếu hệ thống suy luận của bạn hỗ trợ.
Mô hình này có chế độ suy nghĩ hay suy luận không?: Không. Qwen3-Coder-30B-A3B-Instruct chỉ hỗ trợ chế độ không suy nghĩ và không tạo ra các khối chuỗi suy luận trong đầu ra. Nếu bạn cần theo dõi suy luận, bạn cần một mô hình khác trong gia đình Qwen3.

Phán quyết của thuyền trưởng
Một tác nhân lập trình giá rẻ, có thể chạy cục bộ, hoạt động vượt trội so với số tham số hoạt động — kiến trúc MoE chính là điểm nổi bật.

Thẻ mô hình trên Hugging Face

Thuyền trưởng viết những ghi chú này dựa trên mô tả và thẻ mô hình của mô hình. Giá cả và kích thước ngữ cảnh là của nhà cung cấp tại thời điểm viết và có thể thay đổi.

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

Điểm số này được tính như thế nào

Mô hình này chưa có dữ liệu phổ biến từ bất kỳ nguồn nào, nên nó mang một số thay thế dưới 7,000° để giữ cho danh sách đầy đủ. Nó không bao giờ xếp trên một mô hình có dữ liệu. Phân tích chi tiết sẽ xuất hiện ở đây ngay khi có nguồn báo cáo.

Thuật ngữ: các từ dùng ở đây

Điểm nhiệt: Một số duy nhất cho biết mô hình được dùng và mong muốn thế nào hiện tại, từ 0° đến 9.999°. Mọi danh sách trên trang này nói về độ hot đều sắp xếp theo nó và không theo gì khác.
Sàn điểm: 7.000° là điểm bắt đầu cho mọi mô hình có dữ liệu thật. Thang điểm chạy từ 0° đến 9.999°; phần dưới sàn dành cho mô hình thay thế (mô hình không có dữ liệu), để mô hình có dữ liệu luôn xếp trên mô hình không có. Sàn điểm giống nhau cho tất cả và không quyết định gì; điểm trên sàn mới là thước đo.
Tương đương lượt tải: Tất cả những gì điểm số coi là lượt tải, cộng lại: lượt tải thật, mỗi người chia sẻ torrent tính 1.000, mỗi ảnh AI Horde và mỗi lượt chạy trên trang tạo ảnh tính một.
Thang log: Đếm theo chục, không phải theo đơn vị: từ 1.000 lên 10.000 lượt tải thêm cùng số điểm như từ 10.000 lên 100.000. Giúp tránh việc các mô hình lớn lấn át hết mọi thứ khác.
Lượt thích: Giơ ngón tay cái và lượt thích từ mọi nguồn, mỗi lượt bằng một nửa lượt tải trên thang log.
Tỷ lệ áp dụng: Bao nhiêu lượt tải mỗi ngày mà mô hình nhận được hiện tại, tính từ chênh lệch giữa hai lần đọc nguồn. Bằng một phần tư trọng số của lượt tải.
Đã đo và ước tính: Đã đo nghĩa là có hai lần đọc từ một nguồn và sự khác biệt là thật. Ước tính nghĩa là chỉ biết tổng số hôm nay và quá khứ được phân bổ trong suốt thời gian tồn tại của mô hình; trang web sẽ nói rõ đang hiển thị loại nào.
Seeder: Người giữ bản sao trọng số trực tuyến để người khác tải qua torrent, hoặc một bản sao lưu trữ làm điều tương tự. Mỗi người được tính là 1.000 lượt tải.
AI Horde: Một mạng lưới tình nguyện tạo ảnh miễn phí trên máy tính được hiến tặng. Số ảnh nó đã tạo với một mô hình được công khai, và mỗi ảnh được tính là một lượt tải.
Trang tạo ảnh: Các trang lưu trữ bản sao mô hình riêng và cho phép người dùng tạo ảnh, như PixAI, SeaArt và Yodayo. Lượt tải của họ được tính giống như Civitai và mỗi lần tạo ảnh được tính là một lượt tải.
Token OpenRouter: Mô hình văn bản phục vụ qua API, như Claude hoặc GPT, không có trọng số để tải xuống, nên sử dụng token để đo lường: các đoạn văn bản nó đọc và viết qua OpenRouter, một cổng kết nối nhiều ứng dụng sử dụng, trong 30 ngày qua. Mỗi 10,000,000 token tính là một lượt tải. Nguồn: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Mô hình đầy đủ (checkpoint): Chính là trọng số, file tự tạo ảnh. Nó được cộng thêm điểm vì các add-on phụ thuộc vào nó.
LoRA và embedding: Các file add-on nhỏ giúp điều chỉnh trọng số của người khác theo phong cách, nhân vật hoặc ý tưởng. Chúng không thể chạy riêng.
Gia đình và trọng số: Nền tảng mà mô hình xây dựng trên đó, như SD 1.5, SDXL, Flux hoặc Wan. Mỗi mô hình kế thừa ngày phát hành của trọng số gia đình nó.
Tuổi: Điểm trừ dựa trên thời gian trọng số gia đình được phát hành: 150° mỗi năm, tối đa 750°. Nó giữ lại lượt tải cũ đã tích tụ nhiều năm bằng cách đóng băng đầu danh sách.
Tăng gia đình: Một đẩy nhỏ có giới hạn cho LoRA của một gia đình mà trang này đang ưu tiên, luôn được liệt kê trong phần phân tích.
Điểm thay thế: Một số ổn định dưới mức tối thiểu dành cho mô hình chưa có báo cáo nguồn, để danh sách luôn đầy đủ. Nó không bao giờ xếp trên mô hình có dữ liệu.
Mới! (giai đoạn thử nghiệm): Mô hình dưới 7 ngày tuổi hiển thị Mới! thay vì điểm số và không được xếp hạng. Điểm số được tính từ ngày đầu tiên, nhưng mô hình mới một ngày tăng trưởng nhanh nhất, nên nếu không chờ đợi thì #1 tuần này sẽ luôn là mô hình mới ra hôm qua thay vì mô hình giữ vững trong tuần.
Xu hướng: Tốc độ tăng trưởng của mô hình trong một khoảng thời gian so với tốc độ tăng trưởng trung bình của mô hình khác trong cùng khoảng thời gian. Nhanh hơn trung bình là tăng, chậm hơn là giảm.
Mô hình điển hình: Giữa danh mục: một nửa mô hình có số liệu tăng nhanh hơn trong khoảng thời gian, một nửa tăng chậm hơn.

Mô hình tương tự

Mô hình AI để tạo hình ảnh, video & văn bản

Qwen3 Coder 30B A3B Instruct là một mô hình văn bản thuộc họ Text / LLM được liệt kê trên ModelTrends.ai, danh mục chỉ đọc về các mô hình AI hình ảnh, video và văn bản mã nguồn mở. So sánh nó với các mô hình Text / LLM khác và xem điểm độ hot để biết xu hướng.

Thêm mô hình Text / LLM Thêm Văn bản / LLM Text / LLM llm qwen lập trình tác nhân ngữ cảnh dài cục bộ ngân sách

Duyệt theo họ mô hình