К содержимому
Языковые модели

Qwen3-Coder-30B-A3B-Instruct

быстрая MoE-модель для агентного программирования

2 мин чтенияобновлено

Команда Qwen выпустила компактную и эффективную версию своей линейки для работы с кодом — Qwen3-Coder-30B-A3B-Instruct. Модель построена на архитектуре MoE (Mixture-of-Experts — смесь экспертов, где для каждого токена активируется лишь часть параметров): при общем объёме 30.5B параметров в вычислениях участвуют всего 3.3B. Она заточена под агентное программирование, вызов инструментов (tool calling) и анализ целых репозиториев благодаря нативному контексту в 256K токенов. Подойдёт разработчикам для локального запуска ассистентов в IDE и автоматизации задач с кодом.

Ключевые особенности

  • Эффективная MoE-архитектура: 128 экспертов, из которых одновременно активируются только 8 (3.3B активных параметров из 30.5B).
  • Сверхдлинный контекст: нативная поддержка 262 144 токенов с возможностью расширения до 1M через метод Yarn.
  • Заточка под агентов: специальный формат вызова функций (function calling) для работы в Qwen Code, CLINE и браузерных агентах.
  • Только прямой режим ответа: модель не генерирует блоки рассуждений , сразу выдавая результат.

Что можно сделать

  • Подключить к ассистентам вроде CLINE или Qwen Code для рефакторинга и навигации по крупным репозиториям.
  • Запустить локально через Ollama, LMStudio, llama.cpp или MLX-LM для автодополнения и генерации кода без облачных API.
  • Использовать в автоматизированных пайплайнах с вызовом внешних функций и инструментов через OpenAI-совместимый эндпоинт.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "Qwen/Qwen3-Coder-30B-A3B-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")

messages = [{"role": "user", "content": "Write a quick sort algorithm."}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate(**model_inputs, max_new_tokens=65536)
ПодробнееАрхитектура: 48 слоёв, GQA (32 головы для Q, 4 для KV), 128 экспертов (8 активных).
Требования к ПО: нужна библиотека transformers версии 4.51.0 или новее (иначе возникает KeyError: 'qwen3_moe').
Память и параметры: при нехватке видеопамяти (OOM) разработчики советуют уменьшить длину контекста, например до 32 768 токенов; рекомендуемые настройки сэмплирования — temperature=0.7, top_p=0.8, top_k=20, repetition_penalty=1.05.
Обсудить 1,3 тыс. 2 млн

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 57 GB · готовые файлы58 GB
  • FP8 / INT8рекомендуемвеса 28 GB30 GB
  • 4-bitвеса 16 GB17 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Для текстовых моделей — с контекстом 8192 токенов.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте RTX A6000

    $0.43 в час с купоном. При создании машины выберите образ Ubuntu.

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # Qwen/Qwen3-Coder-30B-A3B-Instruct — RTX A6000, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve Qwen/Qwen3-Coder-30B-A3B-Instruct --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen3-Coder-30B-A3B-Instruct
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии Qwen3-Coder-30B-A3B-Instruct — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

Qwen/Qwen3-Coder-30B-A3B-Instruct
Автор
Qwen
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

2 млн1,3 тыс.

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии