เปิดตัว Qwen3-Coder - โมเดลโค้ดแบบ agentic สุดล้ำ

 (qwenlm.github.io)
3 คะแนน โดย GN⁺ 2025-07-23 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • Qwen3-Coder บรรลุ ประสิทธิภาพระดับสูงสุดในงาน agent coding ในบรรดาโมเดลแบบเปิด ด้วยสถาปัตยกรรม Mixture-of-Experts ขนาด 480B พารามิเตอร์, 35B active parameters และรองรับ คอนเท็กซ์ 256K~1M โทเค็น
  • นำเทคนิคการเรียนรู้แบบเสริมกำลังขนาดใหญ่ที่เหมาะกับปัญหาวิศวกรรมซอฟต์แวร์จริง เช่น Code RL, Long-Horizon RL มาใช้ เพื่อเพิ่ม อัตราความสำเร็จในการรันและประสิทธิภาพในงานหลากหลายประเภท อย่างมาก
  • เชื่อมต่อกับเครื่องมือบรรทัดคำสั่งและ API อย่าง Qwen Code และ Claude Code ได้ รวมถึงใช้งานได้ทันทีในสภาพแวดล้อมพัฒนาหลากหลายแบบ เช่น Node.js และ OpenAI-compatible API
  • ด้วย สภาพแวดล้อมและโครงสร้างพื้นฐานแบบขนานขนาดใหญ่ จึงสามารถรองรับปฏิสัมพันธ์ที่ซับซ้อน เช่น การวางแผน, การรับฟีดแบ็ก, การใช้เครื่องมือ ที่จำเป็นต่อการทำงานเขียนโค้ดจริง
  • ในอนาคตเตรียมทดลองและพัฒนาต่อทั้งในด้าน ขนาดโมเดลที่หลากหลายขึ้น, การปรับใช้ต้นทุนต่ำ และ ความเป็นไปได้ของการพัฒนาตัวเองของ coding agent

Qwen3-Coder

  • Qwen3-Coder เป็นโมเดล AI โอเพนซอร์สที่เสริมความสามารถแบบ agentic มากที่สุดในบรรดาโมเดลสร้างโค้ดก่อนหน้านี้
  • รุ่นหลักตัวแรกที่เปิดตัวคือ Qwen3-Coder-480B-A35B-Instruct ซึ่งใช้สถาปัตยกรรม Mixture-of-Experts ที่มีพารามิเตอร์ทั้งหมด 480 พันล้าน และเปิดใช้งาน 35 พันล้านพารามิเตอร์
    • รองรับ คอนเท็กซ์ 256K โทเค็น เป็นค่าเริ่มต้น และ ขยายได้ถึง 1M โทเค็น
  • ด้วยประสิทธิภาพที่โดดเด่น ทำให้ได้ผลลัพธ์ระดับสูงสุดในบรรดาโอเพนโมเดลบนเบนช์มาร์กสำคัญอย่าง Agentic Coding, Browser-Use, Tool-Use และแสดงให้เห็นถึง คุณภาพของงานโค้ด/เอเจนต์ที่เทียบเคียงได้กับ Claude Sonnet 4
  • เครื่องมือ CLI Qwen Code ที่เปิดตัวพร้อมกันนั้น fork มาจาก Gemini Code และใช้พรอมป์ต์พิเศษกับโปรโตคอล function calling เพื่อดึงความสามารถเชิงเอเจนต์ของ Qwen3-Coder ออกมาได้เต็มที่
  • Qwen3-Coder ยังเชื่อมต่อกับเครื่องมือพัฒนาจากชุมชนต่าง ๆ อย่าง OpenAI SDK และ Claude Code ได้อย่างราบรื่น
  • มีเป้าหมายเพื่อทำให้ agent coding เกิดขึ้นได้จริงในโลกของซอฟต์แวร์โดยรวมในฐานะโมเดลพื้นฐานแบบใช้งานทั่วไป

การฝึกก่อนล่วงหน้า (Pre-Training)

  • ขยายขนาดโทเค็น: ใช้โทเค็นรวม 7.5 ล้านล้านโทเค็น (สัดส่วนโค้ด 70%) เพื่อเสริมทั้งความสามารถด้านโค้ดและความสามารถทั่วไปกับคณิตศาสตร์อย่างสมดุล
  • ขยายช่วงบริบท: รองรับ 256K เป็นค่าเริ่มต้น และรองรับ 1M โทเค็นบนพื้นฐาน YaRN จึงจัดการข้อมูลไดนามิกระดับรีโพขนาดใหญ่ เช่น Pull Request ได้
  • ยกระดับคุณภาพข้อมูลสังเคราะห์: ปรับปรุงคุณภาพข้อมูลโดยรวมอย่างมาก ด้วยการใช้ ข้อมูลที่ลบสัญญาณรบกวนและเขียนใหม่ จาก Qwen2.5-Coder เดิม

การฝึกหลังล่วงหน้า (Post-Training)

  • การขยายการเรียนรู้แบบเสริมกำลังสำหรับโค้ด (Code RL): แก้ยากแต่ตรวจสอบง่าย

    • ต่างจากแนวทางที่เน้นการแข่งขันในชุมชนการสร้างโค้ด วิธีนี้เลือกใช้การ รัน/ตรวจสอบงานโค้ดทั้งหมดบนพื้นฐานของการเรียนรู้แบบเสริมกำลัง (RL) ขนาดใหญ่
    • ขยาย test case แบบอัตโนมัติ สำหรับงานเขียนโค้ดจริงหลายรูปแบบ สร้างอินสแตนซ์การฝึก RL จำนวนมาก และเพิ่มอัตราความสำเร็จให้สูงสุด
    • ผลลัพธ์แสดงให้เห็นว่าวิธีนี้ ไม่เพียงเพิ่มอัตราความสำเร็จในการรันโค้ด แต่ยังยกระดับประสิทธิภาพของงานประเภทอื่นด้วย
    • ต่อจากนี้จะให้ความสำคัญกับการค้นหาพื้นที่ใหม่ ๆ ที่ แก้ยากแต่ตรวจสอบง่าย ต่อไป

  • การเรียนรู้แบบเสริมกำลังระยะยาว (Long-Horizon RL)

    • ในงานวิศวกรรมซอฟต์แวร์จริงอย่าง SWE-Bench จำเป็นต้องมี ปฏิสัมพันธ์หลายเทิร์น เช่น การวางแผน, การใช้เครื่องมือ, การประมวลผลฟีดแบ็ก, การตัดสินใจ
    • Qwen3-Coder นำ Long-Horizon RL (Agent RL) มาใช้ โดยฝึกให้สามารถโต้ตอบกับเครื่องมือในสภาพแวดล้อมจริงและแก้งานแบบหลายเทิร์นได้
    • สร้าง สภาพแวดล้อมขนานอิสระ 20,000 ชุด บนโครงสร้างพื้นฐานของ Alibaba Cloud เพื่อรองรับทั้งการเรียนรู้แบบเสริมกำลังขนาดใหญ่และการประเมินผลแบบเรียลไทม์
    • ทำผลงานได้ ดีที่สุดในบรรดาโมเดลโอเพนซอร์ส บนเบนช์มาร์ก SWE-Bench Verified

วิธีใช้งาน Qwen3-Coder

  • Qwen Code: agent coding ผ่านบรรทัดคำสั่ง

    • Qwen Code เป็นเครื่องมือ CLI ที่สร้างขึ้นเพื่อการวิจัย โดยพัฒนาบนพื้นฐานของ Gemini CLI และเพิ่ม parser กับเครื่องมือเฉพาะสำหรับ Qwen-Coder
    • ต้องใช้สภาพแวดล้อม Node.js 20+ และสามารถติดตั้งและรันได้ง่ายผ่าน npm
    • รองรับโปรโตคอล OpenAI SDK จึงตั้งค่าผ่าน environment variable หรือไฟล์ .env และใช้งานกับโครงสร้างพื้นฐาน LLM ได้หลากหลาย
    • สามารถเรียกใช้พลังของ Qwen3-Coder ได้อย่างง่ายดายด้วยคำสั่ง Qwen-Code

  • การเชื่อมต่อกับ Claude Code

    • Qwen3-Coder สามารถใช้งานได้ในสภาพแวดล้อม Claude Code เช่นกัน
    • สามารถออก API key จาก Alibaba Cloud Model Studio แล้วติดตั้งเชื่อมต่อกับ Claude Code ได้
    • รองรับการเลือกแบ็กเอนด์โมเดลได้หลากหลายและตั้งค่าได้ง่ายผ่าน proxy API และแพ็กเกจ claude-code-config

  • การเชื่อมต่อกับ Cline

    • สามารถตั้งค่าและใช้งานโมเดล Qwen3-Coder-480B-A35B-Instruct ได้ในสภาพแวดล้อมพัฒนา Cline
    • ในส่วน API Provider ให้เลือก ‘OpenAI Compatible’ และระบุ API Key ที่ได้รับจาก Dashscope พร้อม Custom Base URL

กรณีการใช้งาน (Use Cases)

  • การจำลองการรื้อถอนปล่องควันแบบอิงฟิสิกส์
  • ตัวอย่างการใช้งาน Qwen + Cline ร่วมกัน
  • การพัฒนาเว็บบนพื้นฐาน Qwen Chat
  • การวัดความเร็วการพิมพ์โดยใช้คำคมชื่อดัง
  • การจำลองลูกบอลเด้งภายในไฮเปอร์คิวบ์ที่กำลังหมุน
  • การจำลองสภาพแวดล้อมของระบบสุริยะ
  • การสร้างเกม DUET และตัวอย่างงานโค้ดกับการจำลองที่หลากหลาย

การเชื่อมต่อ API

  • สามารถใช้งาน API ของ Qwen3-Coder ได้โดยตรงผ่าน Alibaba Cloud Model Studio
  • มีการสาธิตการสร้างโค้ดแบบสนทนาด้วย Python OpenAI SDK ผ่าน Qwen API

ทิศทางการพัฒนาในอนาคต

  • กำลังเดินหน้าวิจัยอย่างจริงจังเพื่อปรับปรุงประสิทธิภาพของ Coding Agent และให้รับช่วงงานวิศวกรรมซอฟต์แวร์ที่ซับซ้อนและทำซ้ำได้
  • กำลังเตรียมเปิดตัว โมเดลหลายขนาดมากขึ้น พร้อมมุ่งลดต้นทุนในการปรับใช้ไปพร้อมกัน
  • มุ่งสู่การเพิ่มผลิตภาพของมนุษย์ให้สูงสุดใน งานวิศวกรรมซอฟต์แวร์ที่ซับซ้อนและทำซ้ำ ในระยะยาว รวมถึงความเป็นไปได้ด้าน การพัฒนาตัวเองของ Coding Agent

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-07-23
ความคิดเห็นจาก Hacker News

  • ตอนนี้ผมกำลังทำ GGUF ตั้งแต่ 2bit ถึง 8bit เพื่อให้ใช้รันบนเครื่องโลคัลได้
    น่าจะปล่อยที่ HuggingFace Unsloth Qwen3-Coder-480B-A35B-Instruct-GGUF ภายในหนึ่งชั่วโมง
    เอกสารการรันสำหรับเครื่องที่มี GPU 24GB และ RAM 128~256GB อยู่ที่ นี่

    • ดูเหมือนเอกสารจะมีพิมพ์ผิด
      แทนที่จะเป็น "Recommended context: 65,536 tokens (can be increased)" ในเอกสารทางการกลับระบุเรื่องความยาวเอาต์พุตว่า "We recommend using an output length of 65,536 tokens for most queries, which is adequate for instruct models"
      ดังนั้นจึงเป็นความยาวเอาต์พุตที่แนะนำ

  • แม้ Qwen3-Coder จะออกมาหลายขนาด แต่ส่วนตัวผมคาดหวังกับรุ่นเล็กมากที่สุด
    ผมคิดว่าโมเดลเบา ๆ ที่รันบนเครื่องโลคัลได้กำลังเขียนโค้ดได้ดีขึ้นเรื่อย ๆ
    ช่วงนี้อาจยังต้องใช้โมเดลใหญ่กว่าอยู่บ้าง แต่ก็ดีที่ยังเลือกใช้โมเดลคุณภาพสูงแบบ open weight ได้เวลาที่การโฮสต์เองยังไม่ค่อยเป็นจริงได้
    การได้ลองใช้โมเดลเล็กอย่างอิสระ และค่อยจ่ายใช้โมเดลใหญ่เมื่อจำเป็นก็เป็นประสบการณ์ที่ดี
    ขอแสดงความยินดีกับทีม Qwen สำหรับรีลีสครั้งนี้ และผมจะลองใช้ทันที

    • ผมคิดว่าในความเป็นจริง โมเดลเล็กแทบไม่ค่อยแซงโมเดลใหญ่ได้
      โมเดลใหญ่มักมีทั้งความรู้และความฉลาดมากกว่าอย่างชัดเจน
      แม้โมเดลเล็กจะพัฒนาขึ้น แต่โมเดลใหญ่ก็พัฒนาไปพร้อมกัน
      ครั้งหนึ่ง HN เคยเป็นศูนย์กลางเชิงเทคนิคของวงการ LLM แต่ช่วงนี้บน Reddit มีผู้ใช้ที่ลองรันโมเดลขนาดมหึมาด้วยตัวเองมากกว่า
      ถ้าศึกษาและลองทำเอง การโฮสต์เองก็ยังเป็นสิ่งที่ทำได้จริงพอสมควร

  • แอป "qwen-code" ดูเหมือนเป็นเวอร์ชัน fork ของ gemini-cli
    QwenLM/qwen-code
    ไลเซนส์
    หวังว่าสักวันเหล่า OSS CC (open source code companion) clone จะรวมตัวกันเป็นมาตรฐานเดียว
    ในหน้าดังกล่าวก็ระบุชัดว่า "we’re also open-sourcing a command-line tool for agentic coding: Qwen Code. Forked from Gemini Code"

    • ตอนนี้ผมใช้ claude-code เป็นหลัก แต่ให้ zen mcp ส่งงาน reasoning หนัก ๆ ไปที่ openai, gemini pro
      gemini-cli ก็รองรับใน zen เช่นกันจึงใช้แทนได้ และถ้า qwen-coder อิงจาก gemini-cli ก็คงไม่ยากที่จะเพิ่มการรองรับ

    • พวกเราได้ปล่อย RA.Aid ไปแล้วตั้งแต่ปลายปี '24
      มันเป็นโปรเจกต์ที่ต่อยอดจากแนวทางที่ aider เริ่มไว้ ไปอีกขั้นในแบบ CLI-first และมุ่งสู่คอมมูนิตี้โอเพนซอร์สอย่างแท้จริง
      มี maintainer อิสระ 5 คนจากคนละนิติบุคคลที่มีสิทธิ์ commit เต็มรูปแบบ (หนึ่งในนั้นย้ายมาร่วมกับ Gobii ที่ผมอยู่ และกำลังพัฒนาเว็บบราวซิงเอเจนต์)
      พวกเราเชื่อว่ามันแข่งขันได้สบายเมื่อเทียบกับ Cursor, Windsurf และโซลูชัน agentic coding อื่น ๆ
      รู้สึกว่าจำเป็นมากที่จะต้องมีมาตรฐานบนฐาน FOSS ที่ไม่ผูกติดกับบริษัทยักษ์ใหญ่หรือโมเดลใดโมเดลหนึ่ง

    • เท่าที่ทราบ Claude Code ก็รองรับด้วย แต่โครงสร้างนี้เป็นแบบ closed source และรองรับแค่ Anthropic API endpoint เท่านั้น เลยสงสัยว่าจริง ๆ แล้วมันทำงานอย่างไร

    • อยากแนะนำโปรเจกต์ของผมอย่าง Plandex ด้วย
      เริ่มก่อน Claude Code และรองรับทั้งการผสมโมเดลจากหลายผู้ให้บริการ (Anthropic, Google, OpenAI) รวมถึงใช้งานโมเดลโอเพนซอร์สและโมเดลโลคัลได้
      โดยเฉพาะจะเน้นงานระยะยาวที่มีคอนเท็กซ์ขนาดใหญ่และหลายขั้นตอน
      plandex-ai/plandex GitHub

  • มีข้อเสนอให้เพิ่ม QWEN.md เป็นคู่มือเอเจนต์ในรีโพซิทอรี
    แต่ทุกวันนี้ในรีโพซิทอรีของทีมกลับมีไฟล์ Markdown ซ้ำ ๆ เพิ่มขึ้นสำหรับแต่ละเอเจนต์จนไม่มีประสิทธิภาพ

    • ส่วนตัวผมก็แค่เพิ่ม symbolic link ไปที่ AGENTS.md
      คำอธิบายทุกอย่างเหมือนกัน จึงไม่จำเป็นต้องแยกตามโมเดล
      แล้วก็ตัดเวอร์ชันเฉพาะของแต่ละโมเดลออกด้วย gitignore

  • สงสัยว่าควรตามความเปลี่ยนแปลงที่เร็วขนาดนี้อย่างไร
    ทำให้อดคาดหวังไม่ได้ว่าอีกสัก 2~3 ปีจะมีเครื่องมือผู้ชนะเพียงตัวเดียวหรือไม่
    ถึงตอนนั้นก็น่าจะไม่มีใครลังเลและใช้ตัวเดียวกันหมด

    • คนเราก็มักจะตามสิ่งที่ตัวเองสนใจได้เองตามธรรมชาติ
      สุดสัปดาห์นี้ลองรัน Kimi K2 แล้ว และใน 2 วันที่ผ่านมาได้รัน Ernie4.5-300B
      เช้านี้ก็เพิ่งดาวน์โหลด Qwen3-235b ตัวล่าสุด และจะเริ่มใช้คืนนี้
      คืนนี้ก็กำลังโหลด Qwen3-Coder-480B อยู่ด้วย—ด้วยความเร็วเน็ตของผมคงใช้เวลา 2~3 วัน
      นี่เรียกว่าหมกมุ่นหรือเปล่า?

    • แค่เมินไปก่อนจนกว่าจะดูมีประโยชน์ก็พอ
      พูดตรง ๆ ว่าการพิมพ์ข้อความลงในกล่องพรอมป์ต์ไม่ได้ต้องใช้ประสบการณ์ 3 ปีอะไรขนาดนั้น จึงไม่ต้องกังวลมาก

    • ไม่ตามก็ไม่เป็นไร
      ตราบใดที่ไม่มีประเด็นอย่างเรื่องความสามารถในการทำกำไร ระหว่างทางเดี๋ยวก็จะมีเครื่องมือที่กลายเป็นกระแสหลักอย่างชัดเจนโผล่มาเอง

    • ทำไมถึงคิดแบบนั้น?
      ลีดเดอร์บอร์ดของวงการนี้ผันผวนมาก และก็ยังไม่เห็นว่าสภาพความผันผวนแบบนี้จะหายไปง่าย ๆ
      อีก 2~3 ปีข้างหน้าสถานการณ์ก็น่าจะคล้ายเดิม แค่ผู้เล่นอาจเปลี่ยนไปเล็กน้อย

  • อยากรู้ว่าถ้าจะรัน Qwen3-Coder-480B-A35B-Instruct ต้องใช้ฮาร์ดแวร์ระดับไหน
    ถ้าประสิทธิภาพเข้าใกล้ Sonnet ได้ ก็คิดว่าน่าจะมีผู้ใช้ Claude Code จำนวนมากสนใจหันมารันโลคัล
    สงสัยว่าถ้าใช้โลคัลอินสแตนซ์ร่วมกันเป็นทีมจะคุ้มค่าทางเศรษฐศาสตร์จริงไหม
    มีเอกสารวิธีใช้ร่วมกับ Claude Code ด้วย
    บน X (Twitter) ก็เห็นกรณีแชร์บิลค่าใช้งานมหาศาลอยู่บ่อย ๆ

    • ตอนนี้กำลังเตรียมเวอร์ชัน dynamic GGUF quantization สำหรับโมเดลดีพเลิร์นนิงอยู่
      คาดว่าน่าจะรันแบบ dynamic 2bit ได้ด้วย VRAM 24GB + RAM 128GB โดยประมาณ และจะปล่อยภายในหนึ่งชั่วโมง
      เอกสารอ้างอิง: docs.unsloth.ai/basics/qwen3-coder

    • เวอร์ชัน 4bit ใช้แรมราว 272GB บน Mac Studio M3 รุ่น 512GB
      ลิงก์ดาวน์โหลด
      วิดีโอการทำงานจริง: วิดีโอบน X
      เครื่องดังกล่าวมีราคาราว 10,000 ดอลลาร์

    • ถ้าเป็นเวอร์ชันไม่ quantize และไม่ distilled ก็คงต้องใช้คลัสเตอร์ประมาณ H200 จำนวน 8 ใบเพื่อรันตามเบนช์มาร์ก
      B200 รุ่นใหม่เร็วกว่าก็จริง แต่แพงกว่ามาก
      คาดว่าเกิน 300,000 ดอลลาร์
      เวลาคนปล่อยเวอร์ชัน quantized/distilled กัน ก็มักไม่ค่อยเผยผลเบนช์มาร์กด้วย

    • แค่ RAM อย่างเดียวก็น่าจะต้องเกิน 500GB แล้ว และถ้ารวมเรื่องคอนเท็กซ์ด้วยก็ควรมีเผื่ออีก 100~200GB
      ถ้าจับคู่กับ GPU 24GB ก็คาดว่าความเร็วจะอยู่ราว 10 โทเค็นต่อวินาที

    • ไม่จำเป็นต้องเป็นอุปกรณ์มหาศาลเสมอไป
      แค่ RTX Pro 6000 กับ RAM 256GB ก็พอแล้ว

  • น่าสนใจที่มีโมเดล open weight ซึ่งแข่งกับ Cloud 4 ได้
    ด้วยโครงสร้าง MoE ก็เลยดูมีโอกาสรันโลคัลได้จริง

    • แล้วจะเอา 480GB ไปวางไว้ที่ไหนถึงจะได้ประสิทธิภาพแบบนั้น?
      มี RAM ขนาดนั้นจริงหรือ?

    • ตื่นเต้นมากกับการมาของ Coder

  • ดีใจที่ช่วงนี้เบนช์มาร์กหลัก ๆ ต่างใช้ OpenHands(All-Hands-AI/OpenHands) เป็น scaffold พื้นฐานกันหมด
    ไม่มีอะไรน่าอึดอัดไปกว่าการเห็นแค่ "private scaffold" ในเบนช์มาร์กสาธารณะ

    • มี วิดีโอ YouTube ที่ robert พูดถึง AllHands แบบละเอียด

    • ไม่น่าเชื่อว่า Cognition จะดูไร้ความสามารถได้ขนาดนี้
      ระดมทุนไปหลายล้านดอลลาร์ แต่กลับแพ้ให้ Cursor และ Claude Code แล้วตอนนี้ยังถูกคลอนส่วนแบ่งตลาดโดยคลอนของตัวเอง (เมื่อก่อนใช้ชื่อ OpenDevin) อีกด้วย

  • เห็นแล้วว่ามีขึ้นบน OpenRouter ให้ใช้ได้ทันที (openrouter.ai/qwen/qwen3-coder)

  • อยากให้มีใครสักคนทำตัวนี้เป็น CLI ด้วย Rust/Ratatui