我可以在本地執行 Qwen3-Coder-30B-A3B-Instruct 嗎？

Qwen | 262,144 代幣上下文 | $0.07/M 輸入, $0.28/M 輸出。Qwen3-Coder-30B-A3B-Instruct 是一款擁有 305 億參數、128 位專家（每次前向傳播啟用 8 位）的專家混合（MoE）模型，專為高級程式碼生成、倉庫級理解和代理工具使用設計。基於 Qwen3 架構，支持原生 256K 代幣上下文長度（可透過 Yarn 擴展至 1M），在函數調用、瀏覽器使用和結構化程式碼補全任務中表現強勁。此模型優化指令遵循，無「思考模式」，並與 OpenAI 相容的工具使用格式良好整合。

本模型的指南

2026年10月最佳本地大型語言模型（LLM）按使用情境分類：每個工作都適合的開放模型

我到底需要多少 VRAM 才能在本地跑 AI？

什麼是 GGUF 檔案？量化模型解說（Q4、Q8、fp8、NF4）

全部指南

船長筆記

由 Captain 撰寫，內部編輯

2026-10-13 的筆記

Qwen3-Coder-30B-A3B-Instruct 是 Qwen 推出的混合專家（Mixture-of-Experts）程式碼模型，總參數量 305 億，但每次推理僅啟用 33 億參數，相較同級重量模型更具效率。它針對代理程式碼工作流設計——如 CLINE、瀏覽器自動化、多步驟工具使用——並具備原生 256K token 上下文，涵蓋大多數真實程式庫。開放權重與低廉 API 價格，若你的主要工作負載是程式碼代理，值得認真考慮。

以...聞名

代理程式碼與瀏覽器使用任務，支援結構化函式呼叫。
256K 原生上下文，若搭配 Yarn 可擴展至 100 萬 token，適合程式庫規模工作。
MoE 效率：305 億參數，推理時僅啟用 33 億。
OpenAI 相容的工具使用格式，開箱即用整合 CLINE 與 Qwen Code。
僅支援指令跟隨，無思考模式，無鏈式思考負擔。

注意

完全無思考模式；若需逐步推理痕跡，請選擇 Qwen3 系列其他模型。
100 萬 token 擴展需 Yarn 配置，非所有推理環境預設支援。
授權條款未在此詳述，商業部署前請查閱 Hugging Face 倉庫。

最適合

可嘗試的提示詞

重構混亂函式

這是一個 Python 函式，讀取 CSV 檔案，篩選 'status' 欄位為 'active' 的列，計算這些列中 'score' 欄位的平均值，並將結果寫入新 CSV。功能正常但難讀且無錯誤處理。請重構以提升清晰度與健壯性，並全程加入型別提示。 [請貼上你的函式]

建立多步驟代理工具

撰寫一個名為 search_and_summarize 的 Python 函式，接受搜尋查詢字串，呼叫假設的 search_web(query) 工具回傳包含 {title, url, snippet} 的列表，挑選三個最相關結果，使用 fetch_page(url) 取得純文字頁面，並回傳一段簡潔摘要。使用 OpenAI 相容的工具呼叫格式，並妥善處理失敗狀況。

解釋大型程式碼檔案

我將貼上一個陌生程式庫的長程式碼檔案。請仔細閱讀並告訴我：(1) 該檔案在整體系統中的責任，(2) 三個最重要的函式或類別及其功能，(3) 明顯的錯誤或程式碼異味，(4) 我應該提出的問題以理解不清楚的部分。 [請貼上你的檔案]

比較

Qwen3.7 Flash
僅限 API 模型
1,000,000 代幣上下文 · $0.03/M 輸入，$0.13/M 輸出
Qwen3.8 Max (0902)
僅限 API 模型
1,000,000 代幣上下文 · $2.00/M 輸入，$6.00/M 輸出
Qwen3.8 Omni Flash
僅限 API 模型
1,000,000 代幣上下文 · $0.15/M 輸入，$0.47/M 輸出
Qwen3.7 Plus
僅限 API 模型
1,000,000 代幣上下文 · $0.32/M 輸入，$1.28/M 輸出

更多來自 qwen 的文字模型

常見問題

我可以在本地執行 Qwen3-Coder-30B-A3B-Instruct 嗎？: 可以，權重已開放並可於 Hugging Face Qwen/Qwen3-Coder-30B-A3B-Instruct 取得。由於每次推理僅啟用 33 億參數，記憶體需求低於密集型 30B 模型，但請依量化方式參考 VRAM 指南。
API 價格與上下文視窗多長？: API 價格為每百萬輸入 token 0.07 美元，輸出為 0.28 美元。原生上下文視窗為 262,144 token，若推理環境支援 Yarn 可擴展至 100 萬 token。
此模型有思考或推理模式嗎？: 沒有。Qwen3-Coder-30B-A3B-Instruct 僅支援非思考模式，輸出中不會產生鏈式思考區塊。若需推理痕跡，請選擇 Qwen3 系列其他模型。

船長評語
一款真正低價且可本地運行的程式碼代理，效能超越其啟用參數數量——MoE 架構是其核心亮點。

Hugging Face 上的模型卡

船長根據模型自身描述與模型卡撰寫這些筆記。價格與上下文大小為撰寫時提供者資料，可能會變動。

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

這個分數是怎麼累積的

這個模型目前還沒有任何來源的流行度數據，所以它會有一個低於 7,000° 的替代數字，讓列表保持完整。它永遠不會排在有數據的模型前面。一旦有來源報告數據，細項就會顯示在這裡。

詞彙表：這裡使用的術語

熱度分數: 一個數字，表示模型目前的使用和需求程度，範圍從 0° 到 9,999°。本網站所有標示「最熱門」的排行榜都是依此排序，沒有其他排序依據。
底線: 每個有實際數據的模型起始於 7,000°。分數範圍是 0° 到 9,999°；底線以下保留給沒有數據的模型，確保有數據的模型總是排名較前。底線對所有人相同，不影響排名；超過底線的度數才是評分依據。
下載等值: 分數中視為下載的所有項目加總：下載本身、每個種子節點算 1,000、每張 AI Horde 圖像和每次生成網站的執行算一。
對數刻度: 以十為單位計數，不是以一為單位：從 1,000 到 10,000 下載增加的度數，和從 10,000 到 100,000 增加的度數相同。這樣能防止巨頭壓過其他模型。
喜歡數: 來自各來源的讚和喜歡，每個在對數刻度上算半個下載量。
採用率: 模型目前每天的下載次數，根據兩次來源讀取的差異計算。權重是下載量的四分之一。
實測與估算: 實測表示有兩個來源的讀數，且差異是真實的。估算表示只知道今天的總數，過去的數據則分散在模型的整個生命週期；網站會說明顯示的是哪一種。
種子節點: 指在線上保留權重檔案供他人透過種子下載的人，或是提供相同服務的鏡像站。每一個種子節點算作1,000次下載。
AI Horde: 一個志願者網絡，利用捐贈的電腦免費生成圖片。它用某模型生成的圖片數量是公開的，每張圖片算作一次下載。
生成網站: 自己托管模型並讓人使用它生成圖片的網站，例如PixAI、SeaArt和Yodayo。它們的下載量和Civitai一樣，每次生成算一次下載。
OpenRouter 代幣: 透過 API 提供的文字模型，如 Claude 或 GPT，沒有權重可下載，因此使用量以代幣計算：過去30天內透過 OpenRouter（許多應用使用的閘道）讀取和生成的文字片段。每 10,000,000 代幣算作一次下載。來源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
完整模型（檢查點）: 權重本身，是能獨立生成的檔案。它會有額外加分，因為其他附加檔案都依賴它。
LoRA和嵌入: 小型附加檔案，用來引導別人的權重走向某種風格、角色或概念。它們無法獨立運行。
家族與權重: 模型所建立的基礎，例如SD 1.5、SDXL、Flux或Wan。每個模型都繼承其家族權重的發布日期。
年齡: 根據家族權重發布時間距今多久，扣除的度數：每年150°，最多750°。它會保留那些有多年累積下載的舊模型，防止它們從排行榜頂端消失。
家族加成: 針對本站目前推廣的某個家族的LoRA給予的小幅度限制加成，會在分解中顯示。
替代分數: 給尚無來源報告的模型一個穩定的最低分，讓列表保持完整。它永遠不會高於有數據的模型。
全新！(寬限期): 不到 7 天的新模型會顯示「全新！」而非分數，且不列入排名。分數從第一天開始計算，但一天大的模型成長最快，若不等待，週榜首將永遠是昨天剛出的模型，而非持續一週的。
趨勢: 模型在某段時間內的成長與典型模型同期成長的比較。比典型快表示上升，比典型慢表示下降。
典型模型: 目錄中的中間值：一半模型在該期間成長較快，一半較慢。