Kann ich Qwen3-Coder-30B-A3B-Instruct lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3-Coder-30B-A3B-Instruct verfügbar. Da nur 3,3 Milliarden Parameter pro Vorwärtsdurchlauf aktiv sind, sind die Speicheranforderungen niedriger als bei einem dichten 30B-Modell, prüfen Sie aber den VRAM-Leitfaden für Ihre spezifische Quantisierung.

Was kostet die API-Nutzung und wie lang ist der Kontext?

Der API-Preis beträgt 0,07 $ pro Million Eingabe-Token und 0,28 $ pro Million Ausgabe-Token. Das native Kontextfenster umfasst 262.144 Tokens, erweiterbar auf 1 Mio. Tokens mit Yarn, falls Ihr Inferenz-Setup dies unterstützt.

Hat dieses Modell einen Denk- oder Argumentationsmodus?

Nein. Qwen3-Coder-30B-A3B-Instruct unterstützt nur den Nicht-Denkmodus und erzeugt niemals Chain-of-Thought-Blöcke in der Ausgabe. Wenn Sie Argumentationsspuren benötigen, brauchen Sie ein anderes Modell aus der Qwen3-Familie.

Qwen3 Coder 30B A3B Instruct

4688°

#llm #qwen #programmieren #agenten #langer kontext #lokal

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Qwen | 262.144 Token-Kontext | $0,07/M Eingabe, $0,28/M Ausgabe. Qwen3-Coder-30B-A3B-Instruct ist ein 30,5 Milliarden Parameter Mixture-of-Experts (MoE) Modell mit 128 Experten (8 aktiv pro Vorwärtsdurchlauf), entwickelt für fortgeschrittene Codegenerierung, repository-weites Verständnis und agentische Werkzeugnutzung. Basierend auf der Qwen3-Architektur unterstützt es eine native Kontextlänge von 256K Tokens (erweiterbar auf 1M mit Yarn) und zeigt starke Leistungen bei Aufgaben mit Funktionsaufrufen, Browsernutzung und strukturierter Codevervollständigung. Dieses Modell ist für das Befolgen von Anweisungen ohne "Denkmodus" optimiert und integriert sich gut in OpenAI-kompatible Werkzeugnutzungsformate.

Anleitungen zu diesem Modell

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Wie viel VRAM brauche ich eigentlich für lokale KI?

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Qwen3-Coder-30B-A3B-Instruct ist ein Mixture-of-Experts-Coding-Modell von Qwen mit 30,5 Milliarden Gesamtparametern, aber nur 3,3 Milliarden aktiv pro Vorwärtsdurchlauf, was es im Verhältnis zu seiner Gewichtsklasse leistungsstark macht. Es zielt auf agentenbasierte Coding-Workflows ab — denken Sie an CLINE, Browser-Automatisierung, mehrstufige Tool-Nutzung — mit einem nativen 256K-Token-Kontext, der die meisten realen Repositories abdeckt. Offene Gewichte und ein niedriger API-Preis machen es zu einer ernsthaften Option, wenn Coding-Agenten Ihre Hauptlast sind.

Bekannt für

Agentenbasierte Coding- und Browser-Nutzungsaufgaben mit strukturierter Funktionsaufruf-Unterstützung
256K nativer Kontext, erweiterbar auf 1 Mio. Tokens via Yarn, für repo-große Arbeit
MoE-Effizienz: 30,5 Milliarden Parameter, nur 3,3 Milliarden aktiv pro Inferenzdurchlauf
OpenAI-kompatibles Tool-Nutzungsformat; Integration mit CLINE und Qwen Code out of the box
Nur Anweisungsbefolgung — kein Denkmodus, kein Chain-of-Thought-Overhead

Achte auf

Kein Denkmodus; wenn Sie Schritt-für-Schritt-Argumentationen brauchen, schauen Sie in der Qwen3-Familie woanders.
1M-Token-Erweiterung erfordert Yarn-Konfiguration — nicht standardmäßig in jedem Inferenz-Stack verfügbar.
Lizenzbedingungen sind hier nicht detailliert; prüfen Sie das Hugging Face-Repository vor kommerzieller Nutzung.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Langer Kontext

Lokal ausführbar

Budget

Prompts zum Ausprobieren

Eine unübersichtliche Funktion refaktorieren

Hier ist eine Python-Funktion, die eine CSV-Datei liest, Zeilen filtert, bei denen die Spalte 'status' 'active' ist, den Mittelwert der Spalte 'score' für diese Zeilen berechnet und das Ergebnis in eine neue CSV schreibt. Sie funktioniert, ist aber schwer lesbar und hat keine Fehlerbehandlung. Refaktorieren Sie sie für Klarheit und Robustheit und fügen Sie überall Typ-Hinweise hinzu. [Hier Ihre Funktion einfügen]

Einen mehrstufigen Agenten-Tool bauen

Schreiben Sie eine Python-Funktion namens search_and_summarize, die eine Suchanfrage als String entgegennimmt, ein hypothetisches Tool search_web(query) aufruft, das eine Liste von {title, url, snippet}-Dictionaries zurückgibt, die drei relevantesten Ergebnisse auswählt, jede Seite mit fetch_page(url) abruft (Rückgabe: Klartext) und einen einzigen prägnanten Zusammenfassungsabsatz zurückgibt. Verwenden Sie OpenAI-kompatibles Tool-Aufruf-Format und behandeln Sie Fehler elegant.

Eine große Codebasis-Datei erklären

Ich werde eine lange Quelldatei aus einem unbekannten Repository einfügen. Lesen Sie sie sorgfältig und geben Sie mir: (1) die Verantwortung dieser Datei im Gesamtsystem, (2) die drei wichtigsten Funktionen oder Klassen und deren Aufgaben, (3) offensichtliche Bugs oder Code-Gerüche, und (4) Fragen, die ich stellen sollte, um unklare Teile zu verstehen. [Hier Ihre Datei einfügen]

Vergleichen mit

Qwen3.7 Flash
Nur API-Modell
1,000,000 Token Kontext · $0.03/M Eingabe, $0.13/M Ausgabe
Qwen3.8 Max (0902)
Nur API-Modell
1,000,000 Token Kontext · $2.00/M Eingabe, $6.00/M Ausgabe
Qwen3.8 Omni Flash
Nur API-Modell
1,000,000 Token Kontext · $0.15/M Eingabe, $0.47/M Ausgabe
Qwen3.7 Plus
Nur API-Modell
1,000,000 Token Kontext · $0.32/M Eingabe, $1.28/M Ausgabe

Mehr Textmodelle von qwen

Häufig gestellte Fragen

Kann ich Qwen3-Coder-30B-A3B-Instruct lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3-Coder-30B-A3B-Instruct verfügbar. Da nur 3,3 Milliarden Parameter pro Vorwärtsdurchlauf aktiv sind, sind die Speicheranforderungen niedriger als bei einem dichten 30B-Modell, prüfen Sie aber den VRAM-Leitfaden für Ihre spezifische Quantisierung.
Was kostet die API-Nutzung und wie lang ist der Kontext?: Der API-Preis beträgt 0,07 $ pro Million Eingabe-Token und 0,28 $ pro Million Ausgabe-Token. Das native Kontextfenster umfasst 262.144 Tokens, erweiterbar auf 1 Mio. Tokens mit Yarn, falls Ihr Inferenz-Setup dies unterstützt.
Hat dieses Modell einen Denk- oder Argumentationsmodus?: Nein. Qwen3-Coder-30B-A3B-Instruct unterstützt nur den Nicht-Denkmodus und erzeugt niemals Chain-of-Thought-Blöcke in der Ausgabe. Wenn Sie Argumentationsspuren benötigen, brauchen Sie ein anderes Modell aus der Qwen3-Familie.

Captain's Urteil
Ein wirklich günstiger, lokal ausführbarer Coding-Agent, der über seine aktive Parameterzahl hinaus Leistung bringt — die MoE-Architektur ist hier der entscheidende Vorteil.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Llama 4 Scout 17B 16E Instruct

TEXT / LLM

Ling 3.0 Flash Fin

TEXT / LLM

Hunyuan A13B Instruct

TEXT / LLM

Nova 2 Lite

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

Qwen3 Coder 30B A3B Instruct ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm qwen programmieren agenten langer kontext lokal budget

Nach Modellfamilie stöbern