Qwen3 Coder 30B A3B Instruct
4688°
รันโมเดลนี้
ข้อเสนอ / โฆษณา
Qwen | บริบท 262,144 โทเค็น | $0.07/ล้านอินพุต, $0.28/ล้านเอาต์พุต Qwen3-Coder-30B-A3B-Instruct เป็นโมเดล Mixture-of-Experts (MoE) ขนาด 30.5B พารามิเตอร์ มีผู้เชี่ยวชาญ 128 คน (8 คนเปิดใช้งานต่อการประมวลผลหนึ่งครั้ง) ออกแบบมาสำหรับการสร้างโค้ดขั้นสูง ความเข้าใจในระดับรีโพซิทอรี และการใช้เครื่องมือแบบตัวแทน สร้างบนสถาปัตยกรรม Qwen3 รองรับความยาวบริบทเนทีฟ 256K โทเค็น (ขยายได้ถึง 1M ด้วย Yarn) และทำงานได้ดีในงานที่เกี่ยวข้องกับการเรียกฟังก์ชัน การใช้เบราว์เซอร์ และการเติมโค้ดเชิงโครงสร้าง โมเดลนี้ปรับแต่งสำหรับการทำตามคำสั่งโดยไม่มี “โหมดคิด” และผสานรวมได้ดีกับรูปแบบการใช้เครื่องมือที่เข้ากันได้กับ OpenAI
คู่มือสำหรับโมเดลนี้
LLM ท้องถิ่นที่ดีที่สุดตามการใช้งาน (ตุลาคม 2026): โมเดลเปิดที่เหมาะกับทุกงาน
ฉันต้องการ VRAM เท่าไหร่สำหรับ AI ท้องถิ่นจริงๆ?
ไฟล์ GGUF คืออะไร? อธิบายโมเดลควอนไทซ์ (Q4, Q8, fp8, NF4)
บันทึกของกัปตัน
บันทึกจาก 2026-10-13
Qwen3-Coder-30B-A3B-Instruct เป็นโมเดลโค้ดดิ้งแบบ Mixture-of-Experts จาก Qwen ที่มีพารามิเตอร์รวม 30.5B แต่มีพารามิเตอร์ที่ใช้งานจริงต่อการประมวลผลเพียง 3.3B ทำให้มีประสิทธิภาพสูงเมื่อเทียบกับน้ำหนัก โมเดลนี้มุ่งเป้าไปที่เวิร์กโฟลว์โค้ดดิ้งแบบตัวแทน — เช่น CLINE, การอัตโนมัติบนเบราว์เซอร์, การใช้เครื่องมือหลายขั้นตอน — โดยมีหน้าต่างบริบทเนทีฟ 256K โทเค็นที่ครอบคลุมที่เก็บโค้ดส่วนใหญ่ น้ำหนักเปิดเผยและราคาผ่าน API ต่ำทำให้เป็นตัวเลือกที่น่าสนใจหากงานหลักของคุณคือเอเจนต์โค้ดดิ้ง
เป็นที่รู้จักสำหรับ
- งานโค้ดดิ้งแบบตัวแทนและงานใช้เบราว์เซอร์ที่มีการสนับสนุนการเรียกฟังก์ชันอย่างมีโครงสร้าง
- หน้าต่างบริบทเนทีฟ 256K โทเค็น ขยายได้ถึง 1M โทเค็นด้วย Yarn สำหรับงานระดับที่เก็บโค้ด
- ประสิทธิภาพ MoE: พารามิเตอร์ 30.5B แต่ใช้งานจริงเพียง 3.3B ต่อการประมวลผล
- รูปแบบการใช้เครื่องมือที่เข้ากันได้กับ OpenAI; รวมกับ CLINE และ Qwen Code ได้ทันที
- รองรับเฉพาะการทำตามคำสั่ง — ไม่มีโหมดคิด ไม่มีภาระงาน chain-of-thought
ระวัง
- ไม่มีโหมดคิดเลย; หากคุณต้องการการให้เหตุผลทีละขั้นตอน ควรมองหาโมเดลอื่นในตระกูล Qwen3
- การขยายหน้าต่างบริบทถึง 1M โทเค็นต้องตั้งค่า Yarn — ไม่ได้เปิดใช้โดยค่าเริ่มต้นในทุกสแตกการประมวลผล
- เงื่อนไขใบอนุญาตไม่ได้ระบุไว้ที่นี่; ควรตรวจสอบที่เก็บ Hugging Face ก่อนใช้งานเชิงพาณิชย์
คำสั่งที่ควรลอง
ปรับปรุงฟังก์ชันที่ยุ่งเหยิง
นี่คือฟังก์ชัน Python ที่อ่านไฟล์ CSV กรองแถวที่คอลัมน์ 'status' เท่ากับ 'active' คำนวณค่าเฉลี่ยของคอลัมน์ 'score' สำหรับแถวนั้น และเขียนผลลัพธ์ลงไฟล์ CSV ใหม่ ฟังก์ชันทำงานได้แต่ยากต่อการอ่านและไม่มีการจัดการข้อผิดพลาด ปรับปรุงให้ชัดเจนและแข็งแรงขึ้น พร้อมเพิ่ม type hints ตลอดทั้งฟังก์ชัน
[วางฟังก์ชันของคุณที่นี่]
สร้างเครื่องมือเอเจนต์หลายขั้นตอน
เขียนฟังก์ชัน Python ชื่อ search_and_summarize ที่รับสตริงคำค้นหา เรียกใช้เครื่องมือ search_web(query) สมมติที่คืนรายการ dict {title, url, snippet} เลือกผลลัพธ์ที่เกี่ยวข้องที่สุดสามรายการ ดึงข้อมูลแต่ละหน้าโดย fetch_page(url) ที่คืนข้อความธรรมดา และส่งคืนย่อหน้าสรุปสั้น ๆ เดียว ใช้รูปแบบการเรียกเครื่องมือที่เข้ากันได้กับ OpenAI และจัดการความล้มเหลวอย่างเหมาะสม
อธิบายไฟล์โค้ดขนาดใหญ่
ฉันจะวางไฟล์ซอร์สโค้ดยาวจากที่เก็บที่ไม่คุ้นเคย อ่านอย่างละเอียดและบอกฉัน: (1) หน้าที่ของไฟล์นี้ในระบบโดยรวม, (2) ฟังก์ชันหรือคลาสที่สำคัญที่สุดสามอย่างและหน้าที่ของแต่ละอย่าง, (3) บั๊กหรือกลิ่นโค้ดที่เห็นได้ชัด, และ (4) คำถามที่ฉันควรถามเพื่อเข้าใจส่วนที่ไม่ชัดเจน
[วางไฟล์ของคุณที่นี่]
เปรียบเทียบกับ
- Qwen3.7 Flashโมเดลสำหรับ API เท่านั้นบริบท 1,000,000 โทเค็น · ป้อน $0.03/M, ส่งออก $0.13/M
- Qwen3.8 Max (0902)โมเดลสำหรับ API เท่านั้นบริบท 1,000,000 โทเค็น · ป้อน $2.00/M, ส่งออก $6.00/M
- Qwen3.8 Omni Flashโมเดลสำหรับ API เท่านั้นบริบท 1,000,000 โทเค็น · ป้อน $0.15/M, ส่งออก $0.47/M
- Qwen3.7 Plusโมเดลสำหรับ API เท่านั้นบริบท 1,000,000 โทเค็น · ป้อน $0.32/M, ส่งออก $1.28/M
โมเดลข้อความเพิ่มเติมจาก qwen
คำถามที่คนถาม
- ฉันสามารถรัน Qwen3-Coder-30B-A3B-Instruct ในเครื่องได้ไหม?
- ได้ น้ำหนักโมเดลเปิดเผยและมีให้บน Hugging Face ที่ Qwen/Qwen3-Coder-30B-A3B-Instruct เนื่องจากมีพารามิเตอร์ที่ใช้งานจริงเพียง 3.3B ต่อการประมวลผล ความต้องการหน่วยความจำจึงต่ำกว่าโมเดล 30B แบบหนาแน่น แต่ควรตรวจสอบคำแนะนำ VRAM สำหรับการทำ quantization ของคุณ
- ค่าใช้จ่ายผ่าน API เท่าไร และหน้าต่างบริบทยาวแค่ไหน?
- ราคาผ่าน API คือ $0.07 ต่อหนึ่งล้านโทเค็นอินพุต และ $0.28 ต่อหนึ่งล้านโทเค็นเอาต์พุต หน้าต่างบริบทเนทีฟคือ 262,144 โทเค็น ขยายได้ถึง 1M โทเค็นโดยใช้ Yarn หากสแตกการประมวลผลของคุณรองรับ
- โมเดลนี้มีโหมดคิดหรือให้เหตุผลไหม?
- ไม่มี Qwen3-Coder-30B-A3B-Instruct รองรับเฉพาะโหมดไม่คิดและไม่เคยสร้างบล็อก chain-of-thought ในผลลัพธ์ หากคุณต้องการการให้เหตุผลทีละขั้นตอน คุณควรใช้โมเดลอื่นในตระกูล Qwen3
คำตัดสินของกัปตันเอเจนต์โค้ดดิ้งราคาถูกที่รันในเครื่องได้จริงและมีประสิทธิภาพเกินพารามิเตอร์ที่ใช้งานจริง — สถาปัตยกรรม MoE คือจุดเด่นที่แท้จริงของโมเดลนี้
บัตรโมเดลบน Hugging Face
กัปตันเขียนบันทึกเหล่านี้จากคำอธิบายและบัตรโมเดลของโมเดล ราคากับขนาดบริบทเป็นของผู้ให้บริการในเวลาที่เขียนและอาจเปลี่ยนแปลงได้
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.
คะแนนนี้ถูกคำนวณอย่างไร
โมเดลนี้ยังไม่มีข้อมูลความนิยมจากแหล่งใดเลย จึงใช้ตัวเลขแทนที่ต่ำกว่า 7,000° เพื่อให้รายการครบถ้วน มันจะไม่ติดอันดับเหนือโมเดลที่มีข้อมูล การแยกส่วนจะแสดงที่นี่ทันทีที่มีแหล่งข้อมูลรายงาน
คำศัพท์: คำที่ใช้ที่นี่
- คะแนนความร้อน
- ตัวเลขเดียวที่บอกว่าโมเดลถูกใช้และต้องการมากแค่ไหนตอนนี้ ตั้งแต่ 0° ถึง 9,999° ทุกลิสต์ที่บอกว่าร้อนแรงที่สุดจะเรียงตามคะแนนนี้เท่านั้น
- พื้นฐาน
- 7,000° คือจุดเริ่มต้นของทุกโมเดลที่มีข้อมูลจริง สเกลตั้งแต่ 0° ถึง 9,999° ส่วนที่ต่ำกว่าพื้นฐานสงวนไว้สำหรับตัวแทน (โมเดลที่ไม่มีข้อมูล) เพื่อให้โมเดลที่มีข้อมูลอยู่เหนือกว่า พื้นฐานเหมือนกันสำหรับทุกคนและไม่ตัดสินอะไร คะแนนที่สูงกว่าพื้นฐานคือการวัดผล
- เทียบเท่าการดาวน์โหลด
- ทุกอย่างที่คะแนนนับเป็นการดาวน์โหลด รวมกัน: การดาวน์โหลดจริง, ผู้แชร์แต่ละคนในทอร์เรนต์นับเป็น 1,000, ภาพ AI Horde แต่ละภาพ และแต่ละครั้งที่ใช้งานในเว็บไซต์สร้างภาพ
- สเกลลอการิทึม
- นับเป็นสิบ ไม่ใช่หน่วยเดียว: การเพิ่มจาก 1,000 เป็น 10,000 การดาวน์โหลดจะเพิ่มคะแนนเท่ากับการเพิ่มจาก 10,000 เป็น 100,000 เพื่อไม่ให้โมเดลใหญ่แย่งพื้นที่ทั้งหมด
- ไลก์
- การกดถูกใจและไลก์จากทุกแหล่ง มีค่าน้ำหนักครึ่งหนึ่งของการดาวน์โหลดในสเกลลอการิทึม
- อัตราการนำไปใช้
- จำนวนการดาวน์โหลดต่อวันที่โมเดลได้รับตอนนี้ วัดจากความต่างระหว่างสองครั้งที่อ่านข้อมูล น้ำหนักเป็นหนึ่งในสี่ของการดาวน์โหลด
- วัดได้และประมาณ
- วัดได้หมายถึงมีการอ่านค่าจากแหล่งที่มาสองครั้งและความแตกต่างนั้นเป็นของจริง ประมาณหมายถึงรู้แค่ยอดรวมของวันนี้เท่านั้น ส่วนอดีตจะถูกกระจายไปตามอายุของโมเดล; เว็บไซต์จะบอกว่ากำลังแสดงแบบไหน
- Seeder
- คนที่เก็บสำเนาน้ำหนักไว้บนออนไลน์เพื่อให้คนอื่นดาวน์โหลดผ่านทอร์เรนต์ หรือกระจกที่โฮสต์ทำแบบเดียวกัน แต่ละคนจะนับเป็น 1,000 ดาวน์โหลด
- AI Horde
- เครือข่ายอาสาสมัครที่สร้างภาพฟรีบนคอมพิวเตอร์ที่บริจาค จำนวนภาพที่สร้างด้วยโมเดลแต่ละตัวเป็นข้อมูลสาธารณะ และแต่ละภาพนับเป็นหนึ่งดาวน์โหลด
- เว็บไซต์สร้างภาพ
- เว็บไซต์ที่โฮสต์สำเนาโมเดลของตัวเองและให้คนสร้างภาพ เช่น PixAI, SeaArt และ Yodayo การดาวน์โหลดของพวกเขานับเหมือนกับ Civitai และแต่ละการสร้างภาพนับเป็นหนึ่งดาวน์โหลด
- โทเค็น OpenRouter
- โมเดลข้อความที่ให้บริการผ่าน API เช่น Claude หรือ GPT ไม่มีน้ำหนักให้ดาวน์โหลด ดังนั้นการใช้งานจะวัดจากโทเค็น: ชิ้นส่วนข้อความที่อ่านและเขียนผ่าน OpenRouter ซึ่งเป็นเกตเวย์ที่แอปหลายตัวใช้ใน 30 วันที่ผ่านมา ทุก 10,000,000 โทเค็นนับเป็นการดาวน์โหลดหนึ่งครั้ง แหล่งข้อมูล: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
- โมเดลเต็ม (checkpoint)
- น้ำหนักโมเดลเอง ไฟล์ที่สร้างภาพได้ด้วยตัวเอง ได้รับโบนัสเพราะส่วนเสริมขึ้นอยู่กับมัน
- LoRA และ embedding
- ไฟล์เสริมขนาดเล็กที่ช่วยปรับน้ำหนักของคนอื่นให้ไปในสไตล์ ตัวละคร หรือแนวคิดเฉพาะ มันไม่สามารถทำงานได้เอง
- ตระกูลและน้ำหนัก
- ฐานที่โมเดลสร้างขึ้น เช่น SD 1.5, SDXL, Flux หรือ Wan โมเดลทุกตัวจะสืบทอดวันที่ปล่อยน้ำหนักของตระกูล
- อายุ
- ลดคะแนนตามระยะเวลาที่น้ำหนักของตระกูลถูกปล่อยออกมา: 150° ต่อปี สูงสุด 750° มันเก็บดาวน์โหลดเก่าที่สะสมมาหลายปีจากการแช่แข็งบนสุดของรายการ
- บูสต์ตระกูล
- แรงกระตุ้นเล็กๆ ที่จำกัดสำหรับ LoRA ของตระกูลที่เว็บไซต์นี้กำลังผลักดันอยู่ตอนนี้ จะแสดงในรายละเอียดเสมอ
- คะแนนสำรอง
- ตัวเลขที่มั่นคงต่ำกว่าค่าขั้นต่ำที่ให้กับโมเดลที่ยังไม่มีรายงานแหล่งที่มา เพื่อให้รายการครบถ้วน มันจะไม่จัดอันดับสูงกว่าโมเดลที่มีข้อมูล
- ใหม่! (ช่วงเวลาปลอดภัย)
- โมเดลที่มีอายุน้อยกว่า 7 วันจะแสดงคำว่า ใหม่! แทนคะแนนและจะไม่มีอันดับ โมเดลจะเริ่มคำนวณคะแนนตั้งแต่วันแรก แต่โมเดลที่อายุเพียงวันเดียวจะเติบโตเร็วที่สุด ดังนั้นถ้าไม่รอ โมเดลอันดับ #1 ของสัปดาห์จะเป็นโมเดลที่เพิ่งออกมาเมื่อวานแทนที่จะเป็นโมเดลที่อยู่ได้นานหนึ่งสัปดาห์
- แนวโน้ม
- การเติบโตของโมเดลในช่วงเวลาหนึ่งเทียบกับการเติบโตของโมเดลทั่วไปในช่วงเวลาเดียวกัน เร็วกว่าปกติหมายถึงเพิ่มขึ้น ช้ากว่าหมายถึงลดลง
- โมเดลทั่วไป
- จุดกึ่งกลางของแคตตาล็อก: ครึ่งหนึ่งของโมเดลที่มีตัวเลขเติบโตเร็วกว่าในช่วงเวลา ครึ่งหนึ่งช้ากว่า
Qwen3 Coder 30B A3B Instruct เป็นโมเดลข้อความสำหรับตระกูล Text / LLM ที่อยู่ใน ModelTrends.ai แคตตาล็อกแบบอ่านอย่างเดียวของโมเดล AI สร้างภาพ วิดีโอ และข้อความแบบโอเพนซอร์ส เปรียบเทียบกับโมเดล Text / LLM อื่น ๆ และดูคะแนนความร้อนแรงเพื่อติดตามเทรนด์
โมเดล Text / LLM เพิ่มเติมข้อความ / LLM Text / LLM เพิ่มเติมllmqwenเขียนโค้ดเอเจนต์บริบทยาวในเครื่องงบประมาณ
เรียกดูตามตระกูลโมเดล
โมเดล Text / LLM
434
โมเดล Anima
528
โมเดล Chroma
19
โมเดล Fibo
2
โมเดล Flux
1,496
โมเดล Flux 2 / Klein
1,239
โมเดล Flux 3
3
โมเดล Moss
3
โมเดล Iris
1
โมเดล MiniMax H3
364
โมเดล Hunyuan
204
โมเดล Ideogram
20
โมเดล Krea2
717
โมเดล Qwen
20
โมเดล Qwen2
47
โมเดล Ltx2
153