7月23日，阿里通义团队正式发布Qwen3-Coder-480B-A35B-Instruct模型。该模型采用480B总参数、35B激活的MoE架构，原生支持256K上下文，可扩展至1M token，在Agentic Coding、Browser-Use、Tool-Use三类基准测试中多项指标达开源SOTA，性能对标Claude Sonnet-4。

模型配套开源CLI工具Qwen Code，支持‘一条命令接管整个代码仓库’，能自主完成需求理解、任务拆解、代码编写、测试执行与缺陷修复全流程。其Agentic Coding能力使模型可调用Git、浏览器、终端等工具，在代码仓库中作为自主Agent行动。

定价方面，每百万Tokens输入与输出价格分别为4元和16元，平均成本为Claude 4的1/3；阿里云百炼平台同步提供128K–1M长上下文五折限时优惠。模型完全开源且允许免费商用。

实测显示，模型可一次性生成符合围棋基本规则（含吃子、禁着点）的对战小游戏，但初始版本缺失胜负判定与倒计时功能；经二次提示后补充局势分析、输赢判断及认输按钮，但未实现‘打劫’等高级规则。在HTML+CSS+SVG梦幻黄网页任务中，模型准确实现径向渐变、粒子漂移、气泡淡入淡出、发光文字及点击交互，但因对‘梦幻’语义理解偏差导致全局模糊。

三体运动任务测试中，模型依据详细Prompt生成实时引力模拟代码，并通过Chrome浏览器工具后台自动验证所有功能项（含重力滑杆、速度倍率、轨迹开关、重置按钮），确认全部满足后进入最终演示。该过程体现其多工具协同与自我验证能力，但在复杂数学建模与实时动画精度上仍存在提升空间。

训练方法上，团队采用Agent RL强化学习，将多轮交互、工具调用与错误处理能力深度集成于模型本体，而非后期插件。预训练使用7.5万亿token数据，其中70%为代码；利用Qwen2.5-Coder清洗低质量代码数据，保障训练质量。后训练阶段引入执行驱动强化学习，针对单测、脚本、小工具等‘难写易验’任务自动生成百万级测试用例，以执行成功率作为奖励信号。

团队构建支持2万个并发编程环境的工业化训练系统，模拟真实CI/CD流程，在SWE-Bench Verified基准中取得开源模型第一。该训练范式显著提升调试能力，使模型具备自我测试与修复能力，降低用户编程经验门槛。

当前AI编程工具普及的核心瓶颈在于调试依赖人工，而Qwen3-Coder通过自主测试闭环缓解该问题。其成本优势叠加开源策略，正推动AI编程从辅助工具向自主Agent跃迁。编程能力被视为AI Agent与物理世界交互的关键底层技术，Qwen3-Coder在性能、成本与开放性三维度重构行业标准。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。