آیا میتوانم Qwen3-Coder-30B-A3B-Instruct را به صورت محلی اجرا کنم؟

بله، وزنها باز هستند و در Hugging Face به آدرس Qwen/Qwen3-Coder-30B-A3B-Instruct موجودند. چون فقط ۳.۳ میلیارد پارامتر در هر عبور فعال هستند، نیاز حافظه کمتر از مدل متراکم ۳۰ میلیارد است، اما راهنمای VRAM را برای کوانتیزاسیون خاص خود بررسی کنید.

هزینه API چقدر است و پنجره متنی چقدر است؟

قیمت API ۰.۰۷ دلار به ازای هر میلیون توکن ورودی و ۰.۲۸ دلار به ازای هر میلیون توکن خروجی است. پنجره متنی بومی ۲۶۲,۱۴۴ توکن است که با Yarn تا ۱ میلیون توکن قابل افزایش است اگر پشته استنتاج شما پشتیبانی کند.

آیا این مدل حالت تفکر یا استدلال دارد؟

خیر. Qwen3-Coder-30B-A3B-Instruct فقط حالت بدون تفکر را پشتیبانی میکند و هرگز بلوکهای زنجیره فکری در خروجی تولید نمیکند. اگر به ردگیری استدلال نیاز دارید، باید مدل دیگری از خانواده Qwen3 انتخاب کنید.

Qwen3 برنامه‌نویس ۳۰B A3B Instruct

4688°

#llm #qwen #کدنویسی #عامل‌ها #متن زمینه بلند #محلی

اجرای مدل

پیشنهادها / تبلیغات

OpenRouter ترمینال / API

پرداخت به ازای هر توکن

با این مدل در مرورگر چت کنید یا با یک کلید API از کد خود به آن دسترسی داشته باشید.

Qwen | زمینه ۲۶۲,۱۴۴ توکن | ۰.۰۷ دلار/ورودی، ۰.۲۸ دلار/خروجی. Qwen3-Coder-30B-A3B-Instruct یک مدل Mixture-of-Experts (MoE) با ۳۰.۵ میلیارد پارامتر و ۱۲۸ متخصص (۸ فعال در هر عبور جلو) است که برای تولید کد پیشرفته، درک در مقیاس مخزن و استفاده عاملی از ابزار طراحی شده است. بر پایه معماری Qwen3 ساخته شده و از طول زمینه بومی ۲۵۶K توکن (قابل گسترش تا ۱M با Yarn) پشتیبانی می‌کند و در وظایفی که شامل فراخوانی تابع، استفاده از مرورگر و تکمیل کد ساختاریافته است، عملکرد قوی دارد. این مدل برای پیروی از دستورالعمل بهینه شده بدون حالت "تفکر" است و با فرمت‌های استفاده از ابزار سازگار با OpenAI به خوبی ادغام می‌شود.

راهنماهای این مدل

بهترین مدل محلی LLM بر اساس کاربرد (اکتبر ۲۰۲۶): مدل باز مناسب برای هر کار

واقعاً چقدر VRAM برای هوش مصنوعی محلی نیاز دارم؟

فایل GGUF چیست؟ مدل‌های کوانتیزه شده توضیح داده شده (Q4، Q8، fp8، NF4)

همه راهنماها

یادداشت‌های کاپیتان

نوشته شده توسط Captain، ویراستار خانه

یادداشت‌ها از 2026-10-13

Qwen3-Coder-30B-A3B-Instruct یک مدل کدنویسی Mixture-of-Experts از Qwen با ۳۰.۵ میلیارد پارامتر کل است که فقط ۳.۳ میلیارد پارامتر در هر عبور فعال هستند، که نسبت به کلاس وزنی خود قدرتمند است. این مدل برای خطوط کاری کدنویسی عامل‌محور طراحی شده است — مانند CLINE، اتوماسیون مرورگر، استفاده چندمرحله‌ای از ابزار — با پنجره متنی بومی ۲۵۶ هزار توکن که اکثر مخازن واقعی را پوشش می‌دهد. وزن‌های باز و قیمت پایین API آن را برای کدنویسی عامل‌ها بسیار جذاب می‌کند.

معروف به

کدنویسی عامل‌محور و وظایف استفاده از مرورگر با پشتیبانی ساختاری فراخوانی تابع
پنجره متنی بومی ۲۵۶ هزار توکن، قابل افزایش تا ۱ میلیون توکن با Yarn، برای کار در مقیاس مخزن
کارایی MoE: ۳۰.۵ میلیارد پارامتر، فقط ۳.۳ میلیارد فعال در هر عبور
فرمت استفاده از ابزار سازگار با OpenAI؛ ادغام با CLINE و Qwen Code به صورت پیش‌فرض
فقط پیروی از دستورالعمل — بدون حالت تفکر و بدون سربار زنجیره فکری

مراقب باشید

هیچ حالت تفکری ندارد؛ اگر به ردگیری استدلال مرحله‌به‌مرحله نیاز دارید، به مدل‌های دیگر خانواده Qwen3 نگاه کنید.
افزایش به ۱ میلیون توکن نیازمند پیکربندی Yarn است — به طور پیش‌فرض در همه پشته‌های استنتاج موجود نیست.
شرایط مجوز در اینجا ذکر نشده است؛ قبل از هر استفاده تجاری مخزن Hugging Face را بررسی کنید.

بهترین برای

کدنویسی

عامل‌ها و استفاده از ابزار

متن زمینه بلند

اجرای محلی

بودجه

دستورات برای امتحان

بازنویسی تابع نامرتب

در اینجا یک تابع پایتون است که یک فایل CSV را می‌خواند، ردیف‌هایی که ستون 'status' برابر 'active' است را فیلتر می‌کند، میانگین ستون 'score' را برای آن ردیف‌ها محاسبه می‌کند و نتیجه را در یک CSV جدید می‌نویسد. کار می‌کند اما خواندنش سخت است و هیچ مدیریت خطایی ندارد. آن را برای وضوح و استحکام بازنویسی کن و در سراسر کد نوع‌ها را اضافه کن. [تابع خود را اینجا بچسبانید]

ساخت ابزار عامل چندمرحله‌ای

یک تابع پایتون به نام search_and_summarize بنویس که یک رشته جستجو می‌گیرد، ابزار فرضی search_web(query) را فراخوانی می‌کند که لیستی از دیکشنری‌های {title, url, snippet} برمی‌گرداند، سه نتیجه مرتبط‌ترین را انتخاب می‌کند، هر صفحه را با fetch_page(url) که متن ساده برمی‌گرداند واکشی می‌کند و یک پاراگراف خلاصه مختصر برمی‌گرداند. از فرمت فراخوانی ابزار سازگار با OpenAI استفاده کن و خطاها را به خوبی مدیریت کن.

توضیح یک فایل بزرگ کد

می‌خواهم یک فایل منبع طولانی از یک مخزن ناآشنا بچسبانم. آن را با دقت بخوان و به من بگو: (۱) مسئولیت این فایل در سیستم کلی چیست، (۲) سه تابع یا کلاس مهم و کار هر کدام چیست، (۳) هر باگ یا کد بد واضحی که می‌بینی، و (۴) سوالاتی که باید بپرسم تا بخش‌های نامشخص را بفهمم. [فایل خود را اینجا بچسبانید]

مقایسه با

Qwen3.7 Flash
مدل فقط API
متن زمینه 1,000,000 توکن · ورودی $0.03/M، خروجی $0.13/M
Qwen3.8 Max (0902)
مدل فقط API
متن زمینه 1,000,000 توکن · ورودی $2.00/M، خروجی $6.00/M
Qwen3.8 Omni Flash
مدل فقط API
متن زمینه 1,000,000 توکن · ورودی $0.15/M، خروجی $0.47/M
Qwen3.7 Plus
مدل فقط API
متن زمینه 1,000,000 توکن · ورودی $0.32/M، خروجی $1.28/M

مدل‌های متنی بیشتر از qwen

سؤالات متداول

آیا می‌توانم Qwen3-Coder-30B-A3B-Instruct را به صورت محلی اجرا کنم؟: بله، وزن‌ها باز هستند و در Hugging Face به آدرس Qwen/Qwen3-Coder-30B-A3B-Instruct موجودند. چون فقط ۳.۳ میلیارد پارامتر در هر عبور فعال هستند، نیاز حافظه کمتر از مدل متراکم ۳۰ میلیارد است، اما راهنمای VRAM را برای کوانتیزاسیون خاص خود بررسی کنید.
هزینه API چقدر است و پنجره متنی چقدر است؟: قیمت API ۰.۰۷ دلار به ازای هر میلیون توکن ورودی و ۰.۲۸ دلار به ازای هر میلیون توکن خروجی است. پنجره متنی بومی ۲۶۲,۱۴۴ توکن است که با Yarn تا ۱ میلیون توکن قابل افزایش است اگر پشته استنتاج شما پشتیبانی کند.
آیا این مدل حالت تفکر یا استدلال دارد؟: خیر. Qwen3-Coder-30B-A3B-Instruct فقط حالت بدون تفکر را پشتیبانی می‌کند و هرگز بلوک‌های زنجیره فکری در خروجی تولید نمی‌کند. اگر به ردگیری استدلال نیاز دارید، باید مدل دیگری از خانواده Qwen3 انتخاب کنید.

حکم کاپیتان
یک عامل کدنویسی ارزان و قابل اجرا محلی که نسبت به تعداد پارامترهای فعال خود قدرتمند است — معماری MoE نکته اصلی این مدل است.

کارت مدل در Hugging Face

کاپیتان این یادداشت‌ها را از توضیحات مدل و کارت مدل نوشته است. قیمت‌ها و اندازه متن زمینه مربوط به ارائه‌دهنده در زمان نوشتن است و ممکن است تغییر کند.

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

چطور این امتیاز جمع می‌شود

این مدل هنوز داده محبوبیتی از هیچ منبعی ندارد، پس یک عدد جایگزین زیر 7,000° دارد که فهرست‌ها را کامل نگه می‌دارد. هیچ‌وقت بالاتر از مدلی با داده قرار نمی‌گیرد. تجزیه و تحلیل به محض گزارش منبع اینجا ظاهر می‌شود.

واژه‌نامه: اصطلاحات استفاده شده اینجا

امتیاز حرارت: یک عدد برای اینکه چقدر یک مدل الان استفاده و خواسته می‌شود، از 0° تا 9,999°. هر فهرستی در این سایت که می‌گوید داغ‌ترین‌ها بر اساس آن مرتب شده‌اند و هیچ چیز دیگری.
کف: 7,000° که هر مدل با داده واقعی از آن شروع می‌کند. مقیاس از 0° تا 9,999° است؛ بخشی که زیر کف است برای جایگزین‌ها (مدل‌هایی بدون داده) محفوظ است، تا مدلی با داده همیشه بالاتر از مدلی بدون داده باشد. کف برای همه یکسان است و هیچ تصمیمی نمی‌گیرد؛ درجه‌های بالاتر اندازه‌گیری هستند.
معادل‌های دانلود: هر چیزی که امتیاز به عنوان دانلود حساب می‌کند، جمع شده: خود دانلودها، هر تورنت سیدر به عنوان 1,000، هر تصویر AI Horde و هر اجرا روی سایت تولید به عنوان یکی.
مقیاس لگاریتمی: شمارش به صورت ده‌تایی، نه یکی‌یکی: رفتن از 1,000 به 10,000 دانلود همان درجه‌ها را اضافه می‌کند که رفتن از 10,000 به 100,000. این باعث می‌شود غول‌ها همه چیز را نبلعند.
لایک‌ها: تایید و لایک از هر منبع، هر کدام نصف وزن یک دانلود در مقیاس لگاریتمی.
نرخ پذیرش: چند دانلود در روز یک مدل همین الان می‌گیرد، از تفاوت بین دو خوانش یک منبع. یک چهارم وزن بخش دانلود.
اندازه‌گیری شده و تخمینی: اندازه‌گیری شده یعنی دو خوانش از یک منبع وجود دارد و تفاوت واقعی است. تخمینی یعنی فقط مجموع امروز معلوم است و گذشته به صورت مدل در طول عمر آن پخش شده؛ سایت می‌گوید کدام را نشان می‌دهد.
سیدر: کسی که یک نسخه از وزن‌ها را به صورت آنلاین نگه می‌دارد تا دیگران از طریق تورنت دانلود کنند، یا یک آینه میزبانی شده که همین کار را می‌کند. هر کدام به اندازه ۱۰۰۰ دانلود حساب می‌شود.
AI Horde: یک شبکه داوطلبانه که تصاویر را به صورت رایگان روی کامپیوترهای اهدایی تولید می‌کند. تعداد تصاویری که با یک مدل ساخته شده عمومی است و هر کدام به عنوان یک دانلود حساب می‌شود.
سایت‌های تولید: سایت‌هایی که نسخه‌های خودشان از یک مدل را میزبانی می‌کنند و به مردم اجازه می‌دهند با آن تولید کنند، مثل PixAI، SeaArt و Yodayo. دانلودهای آن‌ها مثل Civitai حساب می‌شود و هر بار تولید به عنوان یک دانلود محسوب می‌شود.
توکن‌های OpenRouter: یک مدل متنی که از طریق API ارائه می‌شود، مانند Claude یا GPT، وزن‌هایی برای دانلود ندارد، بنابراین استفاده آن بر اساس توکن‌ها اندازه‌گیری می‌شود: قطعات متنی که در ۳۰ روز گذشته از طریق OpenRouter خوانده و نوشته است. هر 10,000,000 توکن به عنوان یک دانلود حساب می‌شود. منبع: OpenRouter (openrouter.ai/rankings)، CC BY 4.0.
مدل کامل (چک‌پوینت): خود وزن‌ها، فایلی که به تنهایی تولید می‌کند. یک امتیاز اضافی می‌گیرد چون افزونه‌ها به آن وابسته‌اند.
LoRA و امبدینگ: فایل‌های کوچک افزونه که وزن‌های دیگران را به سمت یک سبک، شخصیت یا مفهوم هدایت می‌کنند. نمی‌توانند به تنهایی اجرا شوند.
خانواده و وزن‌ها: پایه‌ای که مدل روی آن ساخته شده، مثل SD 1.5، SDXL، Flux یا Wan. هر مدل تاریخ انتشار وزن‌های خانواده‌اش را به ارث می‌برد.
سن: درجه‌هایی که به خاطر مدت زمان گذشته از انتشار وزن‌های خانواده کم می‌شود: ۱۵۰ درجه در سال، تا ۷۵۰ درجه. دانلودهای قدیمی که سال‌ها فرصت جمع شدن داشتند را نگه می‌دارد تا بالای لیست ثابت بمانند.
تقویت خانواده: یک فشار کوچک و محدود برای LoRAهای یک خانواده که این سایت الان به جلو می‌برد، همیشه در جزئیات لیست شده.
امتیاز جایگزین: یک عدد پایدار زیر حداقل که به مدلی داده می‌شود که هنوز هیچ منبعی درباره‌اش گزارش نداده، تا لیست‌ها کامل بمانند. هیچ‌وقت بالاتر از مدلی با داده رتبه نمی‌گیرد.
جدید! (دوره گذار): مدلی که کمتر از 7 روز از عمرش گذشته باشد، به جای امتیاز، عبارت جدید! را نشان می‌دهد و در رتبه‌بندی جایگاهی ندارد. امتیاز آن از روز اول محاسبه می‌شود، اما مدلی که یک روزه است سریع‌تر از هر چیز دیگری رشد می‌کند، بنابراین بدون این انتظار، مدل #1 هفته همیشه مدلی بود که دیروز منتشر شده بود نه مدلی که یک هفته دوام آورده باشد.
روند: رشد یک مدل در یک دوره چطور نسبت به رشد معمول مدل‌ها در همان دوره است. سریع‌تر از معمول یعنی افزایش، کندتر یعنی کاهش.
مدل معمولی: وسط فهرست: نصف مدل‌ها با عددی که دارند سریع‌تر رشد کردند و نصف کندتر.

مدل‌های مشابه

مدل‌های هوش مصنوعی برای تولید تصویر، ویدئو و متن

Qwen3 برنامه‌نویس ۳۰B A3B Instruct یک مدل متنی برای خانواده Text / LLM است که در ModelTrends.ai، کاتالوگ فقط‌خواندنی مدل‌های هوش مصنوعی متن‌باز تصویر، ویدئو و متن، فهرست شده است. آن را با دیگر مدل‌های Text / LLM مقایسه کنید و امتیاز داغی آن را ببینید.

مدل‌های بیشتر Text / LLM متن / LLM بیشتر Text / LLM llm qwen کدنویسی عامل‌ها متن زمینه بلند محلی بودجه

مرور بر اساس خانواده مدل