当前位置： 首页 > news >正文

Qwen3-Coder：介绍及使用 -- 超强AI编程助手

news 2025/7/31 21:48:56

更多内容：XiaoJ的知识星球

目录

  • 一、Qwen3-Coder模型介绍
    • 1.预训练阶段（Pre-Training）
    • 2.后训练阶段（Post-Training）
      • 1）Scaling Code RL: Hard to Solve, Easy to Verify
      • 2）Scaling Long-Horizon RL
  • 二、Qwen3-Coder模型使用
    • 1. Web中使用Qwen3-Coder：ChatQwenAI
    • 2. Windows中使用Qwen3-Coder：VSCode+cline
      • 1）获取API Key
      • 2）安装cline插件
      • 3）配置Qwen3-coder
    • 3. Linux中使用Qwen3-Coder：Qwen Code CLI工具
      • 1）环境安装
        • （1）安装Node.js
        • （2）安装Qwen Code CLI
      • 2）API 配置
        • （1）获取API Key
        • （2）设置环境变量：API和模型
      • 3）使用Qwen Code CLI
        • （1）运行Qwen Code CLI
        • （2）使用Qwen Code CLI

.

本文将介绍内容：

  • Qwen3-Coder模型介绍

  • Qwen3-Coder不同平台上使用

.

一、Qwen3-Coder模型介绍

阿里发布的 Qwen3-Coder 系列最强版本：Qwen3-Coder-480B-A35B-Instruct。该模型为 480B 总参数、35B 激活的 MoE 架构，原生支持 256K 上下文，可通过 YaRN 扩展至 1M token。在 Agentic Coding、Browser-Use 和 Tool-Use 上达到开源模型 SOTA，媲美 Claude Sonnet4。
在这里插入图片描述.

1.预训练阶段（Pre-Training）

Qwen3-Coder 在不同角度进行扩展，以提升模型的代码能力：

  • 数据扩展：总计 7.5T（代码占比 70%），在保持通用与数学能力的同时，具备卓越的编程能力；

  • 上下文扩展：原生支持 256K 上下文，借助 YaRN 可拓展至 1M，专为仓库级和动态数据（如 Pull Request，拉取请求）优化，助力 Agentic Coding（代理式编程）；

  • 合成数据扩展：利用 Qwen2.5-Coder 对低质数据进行清洗与重写，显著提升整体数据质量；

YaRN（Yet another RoPE extension method，通常指对 RoPE 的改进）是一种上下文长度扩展技术，用于让原本训练在较短上下文上的模型，能够高效支持更长的输入。

  • 原生 RoPE（Rotary Position Embedding）限制了模型处理的最长上下文（如 32K、64K）；
  • YaRN 通过对位置编码进行重加权和插值，在不重新预训练的前提下，将上下文扩展到 1M token，同时保持生成质量。

.

2.后训练阶段（Post-Training）

1）Scaling Code RL: Hard to Solve, Easy to Verify

在这里插入图片描述

与当前社区普遍聚焦于竞赛类代码生成不同，Qwen3-Coder关注的代码任务在于执行驱动的大规模强化学习上。因此选择在更丰富的真实代码任务上扩展 Code RL（Reinforcement Learning，强化学习） 训练。

通过自动扩展测试样例，构建了大量高质量训练数据，成功释放了强化学习的潜力：不仅显著提升了代码执行成功率，还对其他任务带来了增益。这将激励继续寻找“难解但易验证（Hard to Solve, Easy to Verify）”的任务，作为强化学习的理想场景。

2）Scaling Long-Horizon RL

在这里插入图片描述

在真实软件工程任务（如 SWE-Bench）中，模型需自主规划、调用工具、多轮交互并持续决策，属于典型的长周期强化学习（Long-Horizon RL） 任务。为此，在 Qwen3-Coder 的后训练中引入 Agent RL，鼓励模型通过多轮交互使用工具解决问题。

主要挑战是环境扩展（Environment Scaling），我们构建了可验证的扩展系统，依托阿里云基础设施，支持同时运行 20,000 个独立环境，实现大规模强化学习训练与自动评测。

最终，Qwen3-Coder 在 SWE-bench Verified 上达到开源模型 SOTA 水平。

.

二、Qwen3-Coder模型使用

下面展示在不同平台使用Qwen模型，以使用Qwen3-Coder模型为例。

.

1. Web中使用Qwen3-Coder：ChatQwenAI

进入ChatQwenAI网页：https://chat.qwen.ai/

左上角选择模型Qwen3-Coder即可使用。

.

2. Windows中使用Qwen3-Coder：VSCode+cline

使用Qwen3-Coder模型，可以通过VSCode安装cline插件来实现，以下是具体步骤：

1）获取API Key

  • 中国大陆用户，请前往 https://bailian.console.aliyun.com/ 或 https://modelscope.cn/docs/model-service/API-Inference/intro 申请 API 密钥

  • 非中国大陆用户，请前往 https://modelstudio.console.alibabacloud.com/ 申请 API 密钥

我参考了阿里云百炼–API认证获取：https://bailian.console.aliyun.com/?tab=api#/api 进行认证获取API Key。

2）安装cline插件

  • 安装VSCode：打开https://code.visualstudio.com下载安装。

  • 安装cline：打开VSCode，进入扩展商店（Ctrl/Cmd+Shift+X），搜索“cline”安装。

  • 登录cline：点击"Get Started for Free"，跳转到谷歌邮箱登录网页进行登录。

3）配置Qwen3-coder

  • 打开cline设置：点击VSCode左侧cline图标，点击设置按钮（齿轮图标）。

  • 选择模型类型：API Provider 选择“OpenAI Compatible”。

  • 配置模型api：设置内容 Base URL（阿里API地址）、OpenAl Compatible API Key（阿里API Key）、Model ID（模型名称）。

  • 保存设置：点击 “Done” ，即可在VSCode中使用Qwen3-coder。

配置示例：

# 打开cline设置# API Provider
OpenAI Compatible# Base URL
https://dashscope.aliyuncs.com/compatible-mode/v1
# OpenAl Compatible API Key
<you api key>
# Model ID
qwen3-coder-plus# 点击 "Done" 保存即可使用

以上配置完成后，就可以在VSCode的cline插件中使用qwen3-coder-plus模型了，其他qwen模型，只需要更换Model ID为模型名即可使用。

.

3. Linux中使用Qwen3-Coder：Qwen Code CLI工具

下面将介绍，在Linux中安装Qwen Code CLI调用Qwen3-Coder模型。构建你的AI编程助手。

Qwen Code 是一款改编自 Gemini CLI 的命令行 AI 工作流工具（更多详细信息，请参阅本文档），针对 Qwen3-Coder 模型进行了优化，并增强了解析器支持和工具支持。

1）环境安装

（1）安装Node.js

Qwen Code 要求 Node.js 版本 >= 20

安装或升级 Node.js：使用 nvm 管理，环境变量可以添加到~/.bashrc中永久生效。

# 安装nvm
curl -o install_nvm.sh https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh
bash install_nvm.sh# 生效nvm环境
export NVM_DIR="$HOME/.nvm"
source "$NVM_DIR/nvm.sh"# 安装Node.js 20
nvm install 20
nvm use 20

验证是否安装成功：

node -v
npm -v
（2）安装Qwen Code CLI

安装：（运行时执行qwen即可）

# 方式 1：全局安装（推荐）
npm install -g @qwen-code/qwen-code# 方式 2：源码安装（可选）
git clone https://github.com/QwenLM/qwen-code.git
cd qwen-code
npm install
npm install -g .

验证是否安装成功：

qwen --version

2）API 配置

设置您的 Qwen API 密钥（在 Qwen Code 项目中，您也可以在 .env 文件中设置您的 API 密钥）。.env 文件应放置在当前项目的根目录中。

（1）获取API Key

  • 中国大陆用户，请前往 https://bailian.console.aliyun.com/ 或 https://modelscope.cn/docs/model-service/API-Inference/intro 申请 API 密钥

  • 非中国大陆用户，请前往 https://modelstudio.console.alibabacloud.com/ 申请 API 密钥

我参考了阿里云百炼–API认证获取：https://bailian.console.aliyun.com/?tab=api#/api 进行认证获取API Key。

（2）设置环境变量：API和模型

中国大陆，可以通过阿里云百炼平台使用Qwen3-Coder。

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
export OPENAI_MODEL="qwen3-coder-plus"

中国大陆，ModelScope 每天提供 2,000 次免费模型推理 API 调用

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://api-inference.modelscope.cn/v1"
export OPENAI_MODEL="Qwen/Qwen3-Coder-480B-A35B-Instruct"

非中国大陆，可以通过阿里云modelstuido平台使用Qwen3-Coder。

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://dashscope-intl.aliyuncs.com/compatible-mode/v1"
export OPENAI_MODEL="qwen3-coder-plus"

3）使用Qwen Code CLI

（1）运行Qwen Code CLI
# 进入安装目录运行qwen
cd your-path/qwen-code
qwen

如果前面没设置API Key和模型变量，这里同样可以设置：

 API Key: <your_api_key>                                                              Base URL: <your_base_url>     Model: "qwen3-coder-plus"   # 或其他模型名
（2）使用Qwen Code CLI

出现以下内容，即可通过在命令行输入问题，使用Qwen Code CLI进行交互了。

██╗       ██████╗ ██╗    ██╗███████╗███╗   ██╗
╚██╗     ██╔═══██╗██║    ██║██╔════╝████╗  ██║╚██╗    ██║   ██║██║ █╗ ██║█████╗  ██╔██╗ ██║██╔╝    ██║▄▄ ██║██║███╗██║██╔══╝  ██║╚██╗██║
██╔╝     ╚██████╔╝╚███╔███╔╝███████╗██║ ╚████║
╚═╝       ╚══▀▀═╝  ╚══╝╚══╝ ╚══════╝╚═╝  ╚═══╝Tips for getting started:
1. Ask questions, edit files, or run commands.
2. Be specific for the best results.
3. /help for more information.Using 1 QWEN.md file
╭─────────────────────────────────────────────────────────────────────────────────────────────╮
│ >   Type your message or @path/to/file                                                      |
╰─────────────────────────────────────────────────────────────────────────────────────────────╯~/qwen-code  no sandbox (see  qwen3-coder-plus (100% context left| ✖ 1 error (ctrl+o for
(main*)                       /docs)                                                    details)

简单示例：输入问题“qwen3-coder-plus是一个什么类型的模型？”


╭────────────────────────────────────────────╮
│  > qwen3-coder-plus是一个什么类型的模型？  │
╰────────────────────────────────────────────╯✦ qwen3-coder-plus 是阿里巴巴通义千问系列中的一个代码生成模型。它是 qwen3 系列模型的增强版本，专门针对代码生成任务进行了优化和加强。相比基础版本，它可能在代码理解、多语言支持、复杂逻辑推理以及生成代码的质量和准确性方面有显著提升。如果你正在使用或开发基于该模型的应用，可以告诉我具体的需求或问题，我会尽力提供帮助。Using 1 QWEN.md file
╭──────────────────────────────────────────────────────────╮
│ >   Type your message or @path/to/file                   │
╰──────────────────────────────────────────────────────────╯

声明：资源可能存在第三方来源，若有侵权请联系删除！

http://www.dtcms.com/a/304854.html

相关文章：

  • CSRF漏洞原理及利用
  • 镜像源加速下载
  • 编辑距离：理论基础、算法演进与跨领域应用
  • 百度前端面试题目整理
  • 通过Power Automate获取SharePoint的Share Link
  • 计算机视觉（CV方向）算法基础
  • Apache Ignite 的连续查询（Continuous Queries）功能的详细说明
  • Apache Ignite 关于 容错（Fault Tolerance）的核心机制
  • 零件边界线提取处理原理详解
  • 如何解决人工智能在社会治理中面临的技术和伦理挑战？
  • 【工具】图床完全指南：从选择到搭建的全方位解决方案
  • 赢在AI时代：从创造力到编程力的教育突围
  • 聊聊自动化测试用例维护成本高应对策略
  • IntelliJ IDEA 配置 Maven 阿里云镜像加速源全流程
  • AAA 与 FTP：网络认证授权及文件传输的原理与实践
  • AT8236-4A单通道直流有刷电机驱动芯片
  • Qt 移动应用性能优化策略
  • 编程技术杂谈3.0
  • [CSP-J 2022] 逻辑表达式
  • 仓颉编程语言类型特点
  • 如何用USRP捕获手机信号波形（下）协议分析
  • 小孙学变频学习笔记（十二）机械特性的调整 机械特性的改善
  • 山东重工集团：以全自动化生产重构重卡制造业新范式
  • Docker运行Ollama
  • stm32的can总线
  • 简历美容院：如何把“打杂经历“包装成“核心项目“？
  • 在Word和WPS文字中把全角数字全部改为半角
  • 《使用Qt Quick从零构建AI螺丝瑕疵检测系统》——7. AI赋能(上)：训练你自己的YOLOv8瑕疵检测模型
  • 城市元宇宙：未来城市治理的革新路径
  • 【数据结构初阶】--二叉树(四)