Qwen: Qwen3 Next 80B A3B Thinking

Qwen: Qwen3 Next 80B A3B Thinking is een tekstmodel van Qwen, onderdeel van de Qwen3-Next-lijn. Het is een reasoning-first chatmodel, wat betekent dat het standaard gestructureerde denksporen produceert in plaats van direct te antwoorden. De provider heeft het uitgebracht op 11 september 2025, en de knowledge cutoff is 30 september 2025.

Het model accepteert tekstinvoer en retourneert tekstuitvoer. Het contextvenster is 262.144 tokens, en de maximale uitvoer is 235.929 tokens, dus lange invoer en lange generaties zijn beide mogelijk binnen die grenzen. Omdat het reasoning-first is, bevatten reacties doorgaans een denkspoor naast het uiteindelijke antwoord, en de parameters include_reasoning en reasoning laten je bepalen hoe dat spoor in de reactie wordt behandeld. Het is gebouwd voor moeilijke meerstapsproblemen in plaats van snelle conversationele antwoorden.

Dat ontwerp wijst op een tamelijk specifieke set use cases. De provider beschrijft het als geschikt voor wiskundebewijzen, codesynthese en debugging, logische problemen en agentic werk. In de praktijk grijp je ernaar wanneer een taak meerdere afhankelijke stappen vereist, zoals het doorwerken van een afleiding, het traceren van een bug door een codebase, of het plannen en uitvoeren van een reeks tool calls. Het is minder duidelijk een match voor eenvoudige, latency-gevoelige chat, waar een niet-reasoning model meestal de directere keuze zou zijn.

Via api14 roep je het aan met het model id "qwen/qwen3-next-80b-a3b-thinking" via de OpenAI-compatible API, dus bestaande OpenAI client libraries werken met een wijziging van base URL en model id. De ondersteunde request parameters zijn 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 en top_p. Tool calling en structured outputs zijn beide beschikbaar, wat belangrijk is voor het agentic en codegerichte werk dat hierboven is beschreven, en logprobs plus top_logprobs geven je token-level zichtbaarheid wanneer je die nodig hebt.

Een paar praktische opmerkingen volgen uit de feiten. Invoer en uitvoer zijn alleen tekst, dus beeld- of audiotaken hebben een ander model nodig. Het grote contextvenster en de uitvoerlimiet zijn geschikt voor lange documenten en uitgebreide reasoning, maar de denksporen voegen uitvoertokens toe waarmee je rekening wilt houden bij het instellen van max_tokens. Als je taak kort is en niet profiteert van stapsgewijze reasoning, kan een model zonder reasoning-first ontwerp de eenvoudigere keuze zijn.