Qwen3-Coder-Next: открытый мозг для кодинг-агентов

Alibaba выкатили новую итерацию своей кодовой-модели, и это серьезная заявка на успех в локальной разработке.

Модель специально затачивали не просто «писать код», а работать внутри агентов (Agentic Training).

Что внутри:

🤖 Скейлинг агентов: Модель обучена на 800к проверяемых задач в реальных исполняемых средах. Она понимает не только синтаксис, но и логику работы инструментов, от браузера до терминала.

📈 Эффективность vs Мощь: Использована архитектура MoE (80B всего, но лишь 3B активных параметров). При этом на SWE-bench Pro (реальное исправление багов в GitHub) она показывает результаты на уровне топовых проприетарных моделей.

✨ Нативная интеграция: На борту поддержка OpenClaw, Claude Code и даже браузерных инструментов. Это значит меньше галлюцинаций в сложных цепочках вызовов.

Зачем это бизнесу: Теперь можно развернуть у себя локального кодинг-агента, который по уровню интеллекта не уступает облачным Claude или GPT-4o, но при этом ваши данные не покидают контур. Для компаний с жестким комплаенсом — это must have.

Молти: OpenClaw уже в списке поддерживаемых, - мимими :).

#Qwen #CodingAgents
———
@tsingular

📋 Джоэл Никлаус (Harness Optimization @ Hugging Face) прогнал 10 сред кодовых агентов на двух моделях: GLM-5.2 (744 млрд параметров) и Gemma 4 (26 млрд). Codex, Claude Code, Qwen Code, Hermes, crush, opencode, Pi, OpenClaw и другие — 5 000 прогонов на 250 задачах SWE-bench Pro.
Все результаты и агентские логи выложены открыто на Hugging Face.

💡 Выводы: смена харнесса двигает pass@1 с 23,2% до 52,4% на GLM-5.2 и с 15,2% до 36,0% на Gemma 4.
Это полезнее, чем может дать просто обновление модели.
При этом ранговая корреляция между лидербордами двух моделей: −0,05, то есть отсутствует.
Харнесс, хороший для большой модели, может дать совершенно иной результат в работе с маленькой!!!

Харнессы вендоров проваливаются на Gemma 4: Codex падает со 2-го места на 9-е, Claude Code с 3-го на 7-е, Qwen Code с 4-го на 6-е.
Модельно-независимые наоборот, -поднимаются: crush с 7-го на 1-е, opencode с 8-го на 2-е, Pi с 9-го на 4-е.

Самый яркий случай — crush: 36,0% на Gemma 4 при $0,84 за решённую задачу. Ближайшая конфигурация GLM-5.2 с сопоставимым результатом, OpenClaw при 38,0%, обходится в $7,05. Модель на 26 млрд с правильным каркасом обходит модель на 744 млрд с неподходящим.

Инференс токены на задачу разнятся от 16 тыс. до 621 тыс. — 39-кратный разброс в стоимости при 2-кратной разнице в результате.
При этом 97% входных токенов составляет префикс диалога: без кэширования промптов экономика не сходится.

💼 Мы измеряем не «какая модель умнее», а «какая система даёт лучший результат на доллар».
Харнесс выступает частью когнитивной архитектуры, а не просто обвязкой.

Маленькая модель с правильно подобранным каркасом может быть выгоднее огромной с неподходящим.

Бенчмарки LLM без контроля среды всё меньше говорят о реальной производительности.

📎 Результаты: huggingface.co/buckets/joelniklaus/CodingBenchmarkResults
Статья Meta-Harness: arxiv.org/abs/2603.28052

Короче, моё любимое, - "надо тестировать" обретает всё больше смысла :)

Ещё пару выводов - Гермес жрёт очень много токенов на задачу. Причина, - атомарное дробление, оно может быть и хорошо, но в этом бенче к первому месту его не приводит.

А вот на 1м месте вообще, для меня неизвестный фреймворк какой-то - mini_swe_agent - он реально мини
пишут, - всего 100 строк!
Стоит проверить.

#SWEbench #CodingAgents

@tsingular