Qwen: Qwen3 Next 80B A3B Instruct

Qwen3 Next 80B A3B Instruct è un modello di chat ottimizzato per le istruzioni di Qwen, parte della serie Qwen3-Next. È un modello testuale, e il provider lo descrive come ottimizzato per risposte rapide e stabili senza tracce di "thinking". È stato rilasciato dal provider l'11-09-2025 e ha un knowledge cutoff al 30-09-2025.

Il modello accetta input testuale e restituisce output testuale. Ha una finestra di contesto di 262144 token e un output massimo di 235929 token, quindi può gestire prompt molto lunghi e produrre completamenti lunghi all'interno della stessa richiesta. Il provider lo posiziona per attività complesse che spaziano tra reasoning, generazione di codice, knowledge QA e lavoro multilingue. Poiché non emette tracce di thinking, le risposte tornano come risposte dirette anziché come passaggi di ragionamento separati.

Queste caratteristiche indicano alcuni usi pratici. Documenti lunghi, grandi basi di codice o cronologie di conversazione estese rientrano comodamente nella finestra di contesto, il che si adatta a summarization, question answering su materiale incollato e assistenti multi-turno che devono conservare molto contesto precedente. La generazione e la spiegazione di codice sono applicazioni naturali data la descrizione del provider, così come il knowledge QA e la gestione multilingue. L'ampio output massimo aiuta anche quando serve una singola generazione lunga, come un report dettagliato o un file completo, anziché una risposta breve.

Il modello si chiama tramite l'API compatibile con OpenAI di api14 usando il model id "qwen/qwen3-next-80b-a3b-instruct". Le richieste seguono la forma familiare delle chat completions, quindi gli SDK e i client OpenAI esistenti funzionano con un cambio di base URL e model id. Il modello supporta un ampio insieme di parametri di richiesta: frequency_penalty, logit_bias, logprobs, max_tokens, min_p, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs e top_p. Il tool calling e gli structured outputs sono disponibili tramite i parametri tools, tool_choice, response_format e structured_outputs, e seed insieme ai controlli di campionamento permettono di regolare riproducibilità e stile dell'output.

Poiché questo è un modello solo testuale, le attività che richiedono input di immagini, audio o altro materiale non testuale esulano da ciò che accetta, e un modello multimodale sarebbe la scelta migliore in quei casi. L'assenza di tracce di thinking è un compromesso deliberato: se si desidera un modello che esponga i propri passaggi di ragionamento, questo non è progettato per farlo. Nel lavoro testuale, però, la combinazione di una finestra di contesto molto ampia, una grande disponibilità di output e il supporto per tool e structured output copre un'ampia gamma di casi d'uso per gli sviluppatori.