Model
.ai
vi följer öppna AI-modeller
Qwen3 Next 80B A3B Instruct

Qwen | 262,144 token context | $0.09/M input, $1.10/M output. Qwen3-Next-80B-A3B-Instruct is an instruction-tuned chat model in the Qwen3-Next series optimized for fast, stable responses without “thinking” traces. It targets complex tasks across reasoning, code generation, knowledge QA, and multilingual use, while remaining robust on alignment and formatting. Compared with prior Qwen3 instruct variants, it focuses on higher throughput and stability on ultra-long inputs and multi-turn dialogues, making it well-suited for RAG, tool use, and agentic workflows that require consistent final…Qwen | 262,144 token context | $0.09/M input, $1.10/M output. Qwen3-Next-80B-A3B-Instruct is an instruction-tuned chat model in the Qwen3-Next series optimized for fast, stable responses without “thinking” traces. It targets complex tasks across reasoning, code generation, knowledge QA, and multilingual use, while remaining robust on alignment and formatting. Compared with prior Qwen3 instruct variants, it focuses on higher throughput and stability on ultra-long inputs and multi-turn dialogues, making it well-suited for RAG, tool use, and agentic workflows that require consistent final answers rather than visible chain-of-thought. The model employs scaling-efficient training and decoding to improve parameter efficiency and inference speed, and has been validated on a broad set of public benchmarks where it reaches or approaches larger Qwen3 systems in several categories while outperforming earlier mid-sized baselines. It is best used as a general assistant, code helper, and long-context task solver in production settings where deterministic, instruction-following outputs are preferred.

Guider för denna modell
Alla guider
Qwen3-Next-80B-A3B-Instruct är en Qwen-modell från Alibaba som har 80 miljarder totala parametrar men aktiverar endast 3 miljarder per token, vilket ger en genomströmning närmare en liten modell än en stor. Den hoppar helt över chain-of-thought och siktar på stabila, instruktionsföljande svar inom kodning, resonemang, långkontextuppgifter och flerspråkig användning. Om du behöver en kapabel produktionsassistent som inte spammar med tänkandespår och hanterar 256K-token indata utan att falla isär är detta värt en titt.

Känd för

  • Endast 3 miljarder parametrar aktiverade per token; påstådd 10x genomströmning jämfört med Qwen3-32B vid långa kontexter.
  • Resonemangspoäng nära Qwen3-235B-A22B på flera benchmarks trots mycket lägre beräkning.
  • Inbyggt 262K-token kontext, kan utökas, med stabilitetsoptimeringar för ultralånga indata.
  • Toppar jämförelsetabellen på LiveCodeBench v6 och LiveBench, även mot 235B-modellen.
  • Ingen tänkandeläge-output; rena slutgiltiga svar, lämpad för RAG och agentbaserade pipelines.

Se upp för

  • Inget tänkandeläge alls – om du behöver synliga chain-of-thought kan denna variant inte leverera det.
  • 80 miljarder totala vikter kräver seriös hårdvara för lokal drift trots låg aktiveringsmängd.
  • Utdata kostar 1,10 USD per miljon token via API, elva gånger inmatningspriset – håll koll på utdata-längden i produktion.

Promptar att prova

Refaktorera en trasslig funktion
Här är en Python-funktion som har blivit rörig över tid. Refaktorera den så att den blir läsbar, hanterar kantfall explicit och inkluderar en kort docstring. Ändra inte det externa gränssnittet. Klistra in din funktion nedan så returnerar jag den rensade versionen med en kort förklaring av varje ändring.
Planera en agent i flera steg
Jag vill bygga en agent som övervakar en mapp för nya CSV-filer, validerar varje fil mot ett schema, skriver godkända rader till en Postgres-tabell och mailar en sammanfattning av fel. Skissa vilka verktyg agenten behöver anropa, i vilken ordning, och var den ska hantera omförsök. Håll planen konkret och redo för implementation.
Resonera kring ett logikpussel
Fem ingenjörer gillar varsin programmeringsspråk: Python, Rust, Go, TypeScript, Java. Använd dessa ledtrådar för att avgöra vem som gillar vad: Rust-fantasten sitter direkt till vänster om Go-fantasten. Python-fantasten är i ena änden. TypeScript-fantasten sitter inte bredvid Python-fantasten. Java-fantasten är mellan Go- och TypeScript-fantasterna. Visa din resonemang steg för steg.

Jämför med

  • Qwen3.7 Flash
    Endast API-modell
    1,000,000 tokens kontext · $0.03/M indata, $0.13/M utdata
  • Qwen3.8 Max (0902)
    Endast API-modell
    1,000,000 tokens kontext · $2.00/M indata, $6.00/M utdata
  • Qwen3.8 Omni Flash
    Endast API-modell
    1,000,000 tokens kontext · $0.15/M indata, $0.47/M utdata
  • Qwen3.7 Plus
    Endast API-modell
    1,000,000 tokens kontext · $0.32/M indata, $1.28/M utdata
Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen3-Next-80B-A3B-Instruct lokalt?
Vikterna är öppna och finns på Hugging Face under Qwen-organisationen, så ja – men totalt 80 miljarder parametrar kräver mycket GPU-minne även med kvantisering; kontrollera VRAM-guiden innan du bestämmer dig.
Vad kostar den och hur långt är kontexten?
Via API kostar den 0,10 USD per miljon inmatningstoken och 1,10 USD per miljon utmatningstoken, med ett inbyggt kontext på 262 144 token.
Hur skiljer sig denna från Qwen3-32B eller Qwen3-235B?
Qwen3-Next-80B-A3B aktiverar endast 3 miljarder parametrar per token genom en hög-sparsitets MoE-design, vilket ger mycket snabbare inferens än Qwen3-32B vid långa kontexter samtidigt som den matchar Qwen3-235B-A22B på flera benchmarks; till skillnad från andra Qwen3-instruct-varianter har den inget tänkandeläge.
Kaptens omdöme
En genuint effektiv arkitektur som presterar långt över sin aktiva parameter-vikt – designen utan tänkandespår gör den till ett praktiskt produktionsval snarare än en forskningsnyhet.
Model card på Hugging Face
Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.
Ranking badge
Updated Oct 22, 2026
Qwen3 Next 80B A3B Instruct på ModelTrends.ai: Heat 5,419°
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
Hur denna poäng räknas ihop
Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.
Ordlista: termerna som används här
Heat-poäng
Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet
De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter
Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala
Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden
Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet
Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad
Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder
Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde
Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter
Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token
En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint)
Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding
Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter
Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder
Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost
En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng
Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod)
En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend
Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell
Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.