Qwen: Qwen3 Next 80B A3B Thinking

Qwen: Qwen3 Next 80B A3B Thinking ist ein Textmodell von Qwen, Teil der Qwen3-Next-Reihe. Es ist ein Reasoning-first-Chatmodell, was bedeutet, dass es standardmäßig strukturierte Denkspuren erzeugt, anstatt sofort zu antworten. Der Anbieter hat es am 11. September 2025 veröffentlicht, und sein Wissensstichtag ist der 30. September 2025.

Das Modell akzeptiert Texteingabe und gibt Textausgabe zurück. Sein Kontextfenster beträgt 262.144 Token, und die maximale Ausgabe beträgt 235.929 Token, sodass sowohl lange Eingaben als auch lange Generierungen innerhalb dieser Grenzen möglich sind. Da es Reasoning-first ist, enthalten Antworten typischerweise eine Denkspur neben der endgültigen Antwort, und die Parameter include_reasoning und reasoning lassen Sie steuern, wie diese Spur in der Antwort behandelt wird. Es ist für schwierige mehrstufige Probleme gebaut, nicht für schnelle Konversationsantworten.

Dieses Design deutet auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Der Anbieter beschreibt es als geeignet für mathematische Beweise, Codesynthese und Debugging, Logikprobleme und agentische Arbeit. In der Praxis würden Sie darauf zurückgreifen, wenn eine Aufgabe mehrere voneinander abhängige Schritte erfordert, etwa das Durcharbeiten einer Herleitung, das Verfolgen eines Fehlers durch eine Codebasis oder das Planen und Ausführen einer Abfolge von Tool-Aufrufen. Für einfachen, latenzempfindlichen Chat, bei dem ein Nicht-Reasoning-Modell normalerweise die direktere Wahl wäre, ist es weniger offensichtlich geeignet.

Über api14 rufen Sie es mit der Modell-ID "qwen/qwen3-next-80b-a3b-thinking" über die OpenAI-kompatible API auf, sodass vorhandene OpenAI-Client-Bibliotheken mit einer Änderung der Basis-URL und der Modell-ID funktionieren. Die unterstützten Anfrageparameter sind frequency_penalty, include_reasoning, logprobs, max_tokens, presence_penalty, reasoning, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs und top_p. Tool-Aufrufe und strukturierte Ausgaben sind beide verfügbar, was für die oben beschriebene agentische und codeorientierte Arbeit wichtig ist, und logprobs plus top_logprobs geben Ihnen Token-genaue Einblicke, wenn Sie sie benötigen.

Einige praktische Hinweise ergeben sich aus den Fakten. Eingabe und Ausgabe sind nur Text, daher benötigen Bild- oder Audioaufgaben ein anderes Modell. Das große Kontextfenster und das Ausgabelimit eignen sich für lange Dokumente und ausgedehntes Reasoning, aber die Denkspuren fügen Ausgabe-Token hinzu, die Sie beim Festlegen von max_tokens möglicherweise berücksichtigen möchten. Wenn Ihre Aufgabe kurz ist und nicht von schrittweisem Reasoning profitiert, könnte ein Modell ohne Reasoning-first-Design die einfachere Wahl sein.