Qwen3-Coder-Next リリース：高効率エージェント型コーディングモデル

Qwen3-Coder-Next は、コーディングエージェントとローカル開発向けに最適化されたオープンウェイト言語モデルです。パラメータ数だけでなくエージェント訓練シグナルをスケールさせることで、ソフトウェアエンジニアリングベンチマークで高水準の性能を実現しながら、推論コストを大幅に低減します。

アーキテクチャとトレーニング手法

Qwen3-Coder-Next は Qwen3-Next-80B-A3B-Base モデルを基盤とし、ハイブリッドアテンションと Mixture-of-Experts（MoE）を組み合わせた新しいアーキテクチャを採用しています。モデルは小さなアクティブパラメータフットプリント（3B アクティブパラメータ）を特徴とし、推論能力を犠牲にせずに効率的なデプロイが可能です。

エージェント機能を開発するために、Qwen チームは検証可能なコーディングタスクと実行可能な環境を通じてトレーニングシグナルのスケーリングに注力しました。トレーニングパイプラインは主に4つの段階で構成されます。

  1. Continued Pretraining: コードとエージェント中心のデータに焦点を当てます。
  2. Supervised Fine-Tuning (SFT): 高品質なエージェント軌跡を使用して、モデルに複雑なタスクのナビゲーション方法を教えます。
  3. Domain-Specialized Expert Training: ソフトウェアエンジニアリング、品質保証（QA）、ウェブ/UX 開発など、特定の領域を対象とします。
  4. Expert Distillation: 専門的な知識を単一のデプロイ可能なモデルに統合します。

このアプローチは、長期的な推論、ツールの使用、実行失敗からの回復能力を優先し、これらは自律的なコーディングエージェントにとって重要です。

パフォーマンスベンチマーク

Qwen3-Coder-Next はエージェント中心の評価で強力な能力を示し、特に長い推論を要するマルチターンタスクで顕著です。

ソフトウェアエンジニアリングベンチマーク

  • SWE-Bench Verified: SWE-Agent スキャフォールドを使用した場合、モデルは 70% 以上の成功率を達成します。
  • SWE-Bench Pro: より難易度の高いこのベンチマークでもモデルは競争力を保ち、エージェントターン数が増えるにつれて性能が向上し、長期的な推論力の強さを示します。
  • Multilingual Support: モデルはさまざまな多言語コーディング環境で競争力のある性能を維持します。

効率性とパラメータのトレードオフ

Qwen3-Coder-Next はコスト効果の高いエージェント展開のための新たなパレートフロンティアを築きました。わずか 3B のアクティブパラメータで、10〜20 倍多いアクティブパラメータを持つオープンソースモデルに匹敵する SWE-Bench Pro の性能を提供します。

実用的な応用と統合

モデルの高速性と小型化により、以下のようなさまざまな下流エージェントフレームワークやアプリケーションへの統合に適しています。

  • IDE and Agent Frameworks: Cline、Claude Code、OpenClaw などのツールとの統合。
  • Web Development: チャットインターフェース、インタラクティブゲーム、ASCII アート描画ツールの作成機能。
  • CLI and Browser Automation: デスクトップのクリーンアップ、ウェブゲームの実装、Amazon での製品検索やウェブサイトテストなどのタスクを行うブラウザベースのエージェントの操作が可能です。
  • Custom Demos: Gomoku ゲームや他の Qwen モデル（例：Qwen3-TTS）の Gradio デモの構築をサポートします。

今後の開発

Qwen チームは、今後のバージョンでの主な目標として、自律的なツール使用の向上、極めて複雑な問題への対処、そして複雑なタスクの管理を挙げています。今後の取り組みは、推論と意思決定能力の強化と、実際のユーザーインタラクションデータに基づくモデルの更新に焦点を当てます。

Sources