Qwen: Qwen3 Next 80B A3B Thinking

Qwen: Qwen3 Next 80B A3B Thinking è un modello testuale di Qwen, parte della linea Qwen3-Next. È un modello di chat reasoning-first, il che significa che produce tracce di ragionamento strutturate per impostazione predefinita invece di rispondere immediatamente. Il provider lo ha rilasciato l'11 settembre 2025, e il suo knowledge cutoff è il 30 settembre 2025.

Il modello accetta input testuali e restituisce output testuali. La sua finestra di contesto è di 262.144 token, e l'output massimo è di 235.929 token, quindi input lunghi e generazioni lunghe sono entrambi possibili entro questi limiti. Poiché è reasoning-first, le risposte tipicamente includono una traccia di ragionamento insieme alla risposta finale, e i parametri include_reasoning e reasoning permettono di controllare come quella traccia viene gestita nella risposta. È progettato per problemi complessi a più passaggi piuttosto che per risposte conversazionali rapide.

Questo design indica un insieme piuttosto specifico di casi d'uso. Il provider lo descrive come adatto a dimostrazioni matematiche, sintesi e debug di codice, problemi di logica e lavoro agentico. In pratica, lo si sceglie quando un compito richiede diversi passaggi dipendenti, come sviluppare una derivazione, tracciare un bug attraverso una codebase, o pianificare ed eseguire una sequenza di chiamate a strumenti. È meno ovviamente adatto a chat semplici e sensibili alla latenza, dove un modello non-reasoning sarebbe di solito la scelta più diretta.

Tramite api14 lo si chiama con il model id "qwen/qwen3-next-80b-a3b-thinking" attraverso l'API compatibile con OpenAI, quindi le librerie client OpenAI esistenti funzionano con un cambio di base URL e model id. I parametri di richiesta supportati sono 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 e top_p. Sia il tool calling che gli structured outputs sono disponibili, il che conta per il lavoro agentico e orientato al codice descritto sopra, e logprobs più top_logprobs offrono visibilità a livello di token quando serve.

Seguono alcune note pratiche dai fatti. Input e output sono solo testuali, quindi compiti su immagini o audio richiedono un modello diverso. La grande finestra di contesto e il limite di output si adattano a documenti lunghi e ragionamento esteso, ma le tracce di ragionamento aggiungono token di output di cui potresti voler tenere conto quando imposti max_tokens. Se il tuo compito è breve e non trae beneficio da un ragionamento passo dopo passo, un modello senza design reasoning-first potrebbe essere la scelta più semplice.