Puis-je exécuter Qwen3-30B-A3B-Instruct-2507 localement ?

Oui, les poids sont ouverts et hébergés sur Hugging Face à Qwen/Qwen3-30B-A3B-Instruct-2507, vous pouvez donc le télécharger et l’exécuter avec des outils comme Ollama ou LM Studio.

Quel est le coût via API et quelle est la fenêtre de contexte ?

Le tarif est de 0,10 $ par million de tokens d’entrée et 0,30 $ par million de tokens de sortie, avec une fenêtre de contexte native de 262 144 tokens.

En quoi cette version diffère-t-elle du modèle Qwen3-30B-A3B non pensant original ?

Cette mise à jour 2507 améliore le suivi des instructions, l’alignement à l’écriture, les connaissances multilingues longue traîne et la compréhension du contexte long par rapport à la variante non pensante de base, tout en conservant la même architecture MoE et le mode non pensant uniquement.

Qwen3 30B A3B Instruct 2507

3007°

#llm #qwen #écriture #raisonnement #programmation #contexte long

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Qwen | contexte de 262 144 tokens | 0,10 $/M en entrée, 0,30 $/M en sortie. Qwen3-30B-A3B-Instruct-2507 est un modèle de langage mixture-of-experts de 30,5 milliards de paramètres de Qwen, avec 3,3 milliards de paramètres actifs par inférence. Il fonctionne en mode non-pensée et est conçu pour un suivi d'instructions de haute qualité, une compréhension multilingue et l'utilisation agentique d'outils. Post-entraîné sur des données d'instruction, il démontre des performances compétitives sur les benchmarks de raisonnement (AIME, ZebraLogic), de codage (MultiPL-E, LiveCodeBench) et d'alignement (IFEval, WritingBench). Il surpasse sa variante non-instructive sur les tâches subjectives et ouvertes tout en conservant de solides performances factuelles et en codage.

Guides pour ce modèle

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Qwen3-30B-A3B-Instruct-2507 est un modèle mixture-of-experts de Qwen avec 30,5 milliards de paramètres au total mais seulement 3,3 milliards actifs par inférence, ce qui le rend percutant par rapport à son coût de calcul. Cette mise à jour de juillet 2025 de la variante non pensante affine le suivi des instructions, la qualité d’écriture et la gestion du contexte long sur une fenêtre de 262K tokens. Il convient aux développeurs et écrivains qui veulent une qualité proche de la pointe à une fraction du prix.

Connu pour

Score ZebraLogic de 90,0 qui bat tous les modèles de son tableau comparatif
Meilleurs résultats sur les benchmarks d’écriture, y compris Creative Writing et WritingBench
Seulement 3,3 milliards de paramètres actifs par passage malgré 30,5 milliards au total
Compréhension native du contexte long de 256K tokens intégrée à l’architecture de base
Poids ouverts disponibles sur Hugging Face pour déploiement local

Attention à

Mode non pensant uniquement — pas de blocs de raisonnement en chaîne, par conception et non configurable
Score de codage Aider-Polyglot en retrait par rapport à DeepSeek-V3 et Qwen3-235B ; les éditions complexes multi-fichiers peuvent décevoir
Benchmarks d’agents (TAU2-Telecom, TAU2-Retail) derrière plusieurs rivaux plus petits ou moins chers

Idéal pour

Fonctionne localement

Prompts à essayer

Casse-tête logique depuis zéro

Cinq maisons alignées sont chacune peintes d’une couleur différente. Le propriétaire de la maison verte boit du café. La personne qui boit du thé vit à côté de celle qui a le renard. Le propriétaire de la maison du milieu boit du lait. Le Norvégien habite la première maison. Déterminez qui possède le zèbre et qui boit de l’eau. Montrez votre raisonnement étape par étape.

Réécrire pour plus de clarté

Réécrivez le paragraphe suivant pour qu’il soit clair, direct et adapté à un public général. Coupez les remplissages, corrigez les formulations maladroites, et conservez tout le contenu factuel intact. Paragraphe : « L’utilisation de cadres méthodologiques avancés dans le contexte des initiatives de gestion du changement organisationnel a montré qu’elle pouvait potentiellement faciliter l’obtention de résultats plus optimaux en termes d’alignement des parties prenantes et d’efficacité de l’allocation des ressources. »

Refactoriser cette fonction

Refactorez cette fonction Python pour qu’elle gère proprement les cas limites, utilise des annotations de type, et inclue une courte docstring. Expliquez chaque changement effectué et pourquoi. def calc(items, disc=0): total = 0; [total := total + i['price'] for i in items]; return total - total * disc

Comparer avec

Qwen3.8 Max (0902)
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.00/M, sortie $6.00/M
Qwen3.7 Plus
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.32/M, sortie $1.28/M
Qwen3.6 Plus
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.33/M, sortie $1.95/M
Qwen3.6 Max Preview
Modèle uniquement API
Contexte de 262,144 tokens · entrée $1.03/M, sortie $6.16/M

Plus de modèles de texte de qwen

Questions fréquentes

Puis-je exécuter Qwen3-30B-A3B-Instruct-2507 localement ?: Oui, les poids sont ouverts et hébergés sur Hugging Face à Qwen/Qwen3-30B-A3B-Instruct-2507, vous pouvez donc le télécharger et l’exécuter avec des outils comme Ollama ou LM Studio.
Quel est le coût via API et quelle est la fenêtre de contexte ?: Le tarif est de 0,10 $ par million de tokens d’entrée et 0,30 $ par million de tokens de sortie, avec une fenêtre de contexte native de 262 144 tokens.
En quoi cette version diffère-t-elle du modèle Qwen3-30B-A3B non pensant original ?: Cette mise à jour 2507 améliore le suivi des instructions, l’alignement à l’écriture, les connaissances multilingues longue traîne et la compréhension du contexte long par rapport à la variante non pensante de base, tout en conservant la même architecture MoE et le mode non pensant uniquement.

Verdict du capitaine
Un MoE léger qui surpasse largement son nombre de paramètres actifs, notamment pour l’écriture et le raisonnement logique, à un prix difficile à contester.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Qwen3 30B A3B Instruct 2507 est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm qwen écriture raisonnement programmation contexte long local

Parcourir par famille de modèles