Qwen3-Coder-Next – pro Model Hub

Auf Programmierung spezialisiertes Modell von Alibaba/Qwen (80 Mrd. Parameter, davon je Anfrage nur 3 Mrd. aktiv) – schnell und für agentische Coding-Workflows mit Tool-Nutzung ausgelegt.

Steckbrief

API-ID (`model`)	`qwen3-coder-next`
Anbieter	Alibaba/Qwen
Kategorie	Coding
Kontextfenster	32.768 Token (Eingabe und Ausgabe zusammen)
Credit-Faktor	1× (Credits pro Token)
Bildeingabe	nein
Tool-Calling	ja (Anleitung)
Reasoning	Nicht verfügbar

Verbrauch pro Request: (Input-Token + Output-Token) × Credit-Faktor, siehe Abrechnung.

Stärken

Auf Programmierung spezialisiert: Code-Generierung und -Verständnis
Schnell dank nur 3 Mrd. aktiver Parameter
Stark in agentischen Workflows: Tool-Nutzung und Umgang mit Fehlern bei der Ausführung
Großes Kontextfenster (32.768 Token)

Schwächen

Kein Reasoning-Modus – bei kniffligen Analysen außerhalb von Code schwächer
Für allgemeine Texte und Kundenkommunikation weniger geeignet als Allround-Modelle
Kontextfenster reicht für einzelne Dateien und Module, nicht für ganze große Codebasen

Empfohlene Einsatzbereiche

Code-Generierung
Code-Review
Refactoring
Erklärung von Code
Coding-Assistenten und -Agenten

Beispiel

Den API-Key legst du im Portal unter API-Keys an, siehe Schnellstart.

curl https://api.promodelhub.de/v1/chat/completions \
  -H "Authorization: Bearer $PRO_MODEL_HUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3-coder-next",
    "messages": [{"role": "user", "content": "Erkläre in zwei Sätzen, was ein Sprachmodell ist."}]
  }'

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.promodelhub.de/v1",
    api_key=os.environ["PRO_MODEL_HUB_API_KEY"],
)

response = client.chat.completions.create(
    model="qwen3-coder-next",
    messages=[{"role": "user", "content": "Erkläre in zwei Sätzen, was ein Sprachmodell ist."}],
)
print(response.choices[0].message.content)