Qwen: Qwen3 Next 80B A3B Thinking

Qwen: Qwen3 Next 80B A3B Thinking är en textmodell från Qwen, en del av Qwen3-Next-serien. Det är en resonemangsförst-chattmodell, vilket innebär att den som standard producerar strukturerade tankespår i stället för att svara omedelbart. Leverantören släppte den 11 september 2025, och dess kunskapsgräns är 30 september 2025.

Modellen tar emot textindata och returnerar textutdata. Dess kontextfönster är 262 144 tokens, och maximal utdata är 235 929 tokens, så både långa indata och långa genereringar är möjliga inom dessa gränser. Eftersom den är resonemangsförst innehåller svaren vanligtvis ett tankespår tillsammans med det slutliga svaret, och parametrarna include_reasoning och reasoning låter dig styra hur det spåret hanteras i svaret. Den är byggd för svåra flerstegsproblem snarare än snabba konversationssvar.

Den designen pekar mot en ganska specifik uppsättning användningsfall. Leverantören beskriver den som lämplig för matematiska bevis, kodsyntes och felsökning, logikproblem och agentiskt arbete. I praktiken skulle du välja den när en uppgift kräver flera beroende steg, till exempel att arbeta igenom en härledning, spåra en bugg genom en kodbas, eller planera och utföra en sekvens av verktygsanrop. Den är mindre uppenbart lämplig för enkel, latenskänslig chatt, där en icke-resonemangmodell vanligtvis skulle vara det mer direkta valet.

Via api14 anropar du den med modell-id:t "qwen/qwen3-next-80b-a3b-thinking" över det OpenAI-kompatibla API:et, så befintliga OpenAI-klientbibliotek fungerar med en ändring av bas-URL och modell-id. De stödda begärandeparametrarna är 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 och top_p. Verktygsanrop och strukturerade utdata är båda tillgängliga, vilket är viktigt för det agentiska och kodorienterade arbetet som beskrivs ovan, och logprobs plus top_logprobs ger dig insyn på tokennivå när du behöver det.

Några praktiska anmärkningar följer av fakta. Indata och utdata är endast text, så bild- eller ljuduppgifter behöver en annan modell. Det stora kontextfönstret och utdatagränsen passar långa dokument och utökat resonemang, men tankespåren lägger till utdatatokens som du kan vilja ta hänsyn till när du ställer in max_tokens. Om din uppgift är kort och inte drar nytta av steg-för-steg-resonemang kan en modell utan resonemangsförst-design vara den enklare lösningen.