qwenapis.comPanduan
API Qwen3-Coder-Next: Opsi Kompatibel OpenAI
Layanan ini tidak menyimpan model bernama Qwen3-Coder-Next. Layanan ini menawarkan satu model bobot terbuka umum di balik endpoint yang kompatibel dengan OpenAI, dan halaman ini menjelaskan kapan hal itu cocok untuk agen pemrograman dan kapan tidak.
Diperbarui:

Jawaban langsung tentang qwen3-coder-next
Jika Anda mengetikkan qwen3-coder-next api ke dalam kotak pencarian, Anda mungkin menginginkan endpoint yang dapat Anda tuju oleh agen pemrograman. Jelaskan apa situs ini sebelum melanjutkan: ini adalah penyedia independen dengan satu model bobot terbuka, ID uncensored, yang disesuaikan untuk menjawab tanpa penolakan konten untuk penggunaan dewasa yang sah. Ini bukan API resmi untuk Qwen3-Coder-Next atau untuk model apa pun dari Alibaba, dan tidak merutekan permintaan di antara vendor. Jika rencana Anda bergantung pada model tersebut secara tepat, penyedia resminya atau host yang mencantumkannya dengan nama adalah pilihan yang tepat.
Lalu mengapa menulis halaman ini? Karena banyak orang yang mencari model coder akhirnya membutuhkan plumbing yang sama: endpoint chat gaya OpenAI dengan pemanggilan fungsi, jendela besar, batas laju yang stabil, dan biaya per token yang dapat diprediksi. API ini memilikinya. API ini juga tidak menolak permintaan yang ditolak oleh asisten lain karena alasan kebijakan, seperti menulis pemindai port untuk jaringan Anda sendiri, membahas mekanika eksploitasi untuk latihan lab, atau menghasilkan data uji dengan bahasa kasar. Semua tetap dalam penggunaan yang sah, dan ada satu batas keras: tidak ada konten seksual yang melibatkan anak di bawah umur.
Berikut adalah perbandingan sederhana dan pola teruji untuk menjalankan loop agen terhadap https://api.qwenapis.com/v1. Halaman ini tidak memberikan angka benchmark, karena tidak ada yang diketahui di sini, dan Anda sebaiknya tidak mempercayai skor pemrograman siapa pun di atas repositori Anda sendiri.
Apa yang ditanyakan agen pemrograman kepada API
Lepaskan nama produk, dan agen pemrograman membutuhkan enam hal dari endpoint modelnya. Berikut cara layanan ini menjawab setiap satu.
| Kebutuhan | Apa yang disediakan API ini |
|---|---|
| Pemanggilan fungsi untuk alat baca, edit, dan jalankan | Ya: tools, tool_choice, streaming tool_calls, hasil sebagai role: "tool" |
| Output terstruktur untuk rencana dan diff | Mode JSON melalui response_format |
| Ruang untuk file besar dan riwayat panjang | 100,000 token, prompt plus penyelesaian |
| Streaming untuk editor langsung | SSE dengan penggunaan di akhir |
| Run yang dapat diulang | seed, temperature, top_p, stop dan penalti diteruskan |
| Sub-agen paralel | 8 permintaan konkuren, 300 per menit pada kunci penuh |
Yang sama pentingnya adalah apa yang hilang. Tidak ada embedding, jadi pencarian kode di atas indeks vektor membutuhkan sumber embedding terpisah. Tidak ada fine-tuning dan tidak ada input atau output gambar. Daftar model memiliki satu entri. Jika kerangka kerja agen memungkinkan Anda memilih model murah untuk langkah kecil dan model yang lebih kuat untuk perencanaan, di sini kedua peran akan menggunakan model yang sama.
Ringkasan yang jujur adalah bahwa plumbing-nya lengkap dan pertanyaan yang tersisa adalah kualitas model pada tugas Anda. Itu adalah pertanyaan empiris, dan kredit uji coba ada untuk menjawabnya.
Loop agen yang berfungsi
Contoh ini memberikan model dua alat, satu untuk membaca file dan satu untuk menjalankan perintah di direktori sandbox, dan melakukan loop hingga model berhenti meminta alat. Jalankan di folder sementara, karena alat perintah mengeksekusi apa pun yang diusulkan model. Tujuannya adalah strukturnya: lampirkan pesan asisten, jalankan setiap panggilan, lampirkan satu pesan tool per panggilan, ulangi.
import json, os, subprocess
from openai import OpenAI
client = OpenAI(base_url="https://api.qwenapis.com/v1", api_key=os.environ["QWENAPIS_KEY"])
TOOLS = [
{"type": "function", "function": {
"name": "read_file", "description": "Read a text file from the working directory",
"parameters": {"type": "object", "properties": {"path": {"type": "string"}}, "required": ["path"]}}},
{"type": "function", "function": {
"name": "run", "description": "Run a shell command and return its output",
"parameters": {"type": "object", "properties": {"cmd": {"type": "string"}}, "required": ["cmd"]}}},
]
def call_tool(name, args):
if name == "read_file":
return open(args["path"], encoding="utf-8").read()[:20000]
if name == "run":
p = subprocess.run(args["cmd"], shell=True, capture_output=True, text=True, timeout=60)
return (p.stdout + p.stderr)[-8000:]
return "unknown tool"
messages = [
{"role": "system", "content": "You fix failing tests. Use the tools, then reply with a short summary."},
{"role": "user", "content": "Run pytest, find why it fails, and tell me the fix."},
]
for step in range(12):
r = client.chat.completions.create(model="uncensored", messages=messages, tools=TOOLS, temperature=0.2)
msg = r.choices[0].message
messages.append(msg)
if not msg.tool_calls:
print(msg.content)
break
for tc in msg.tool_calls:
try:
out = call_tool(tc.function.name, json.loads(tc.function.arguments))
except Exception as e:
out = f"tool error: {e}"
messages.append({"role": "tool", "tool_call_id": tc.id, "content": out})
Tiga detail menjaga loop seperti ini tetap sehat. Batasi jumlah langkah, seperti yang dilakukan range(12). Potong output alat, karena setiap karakter yang dikembalikan menjadi input pada panggilan berikutnya. Gunakan suhu rendah untuk pekerjaan editing; 0,2 adalah titik awal yang wajar, dan Anda dapat meningkatkannya untuk langkah brainstorming.
Menjalankan beberapa agen tanpa terkena 429
Satu agen bersifat sekuensial dan jarang membebani batas. Armada mereka membebani batas. Dengan lebih dari 8 permintaan simultan, API membalas 429 dengan kode concurrency, dan dengan lebih dari 300 per menit, API membalas 429 dengan rate_limited. Beban sementara juga mengembalikan 429, dengan header Retry-After: 5. Permintaan streaming memegang slotnya hingga streaming selesai, sehingga jawaban streaming panjang dihitung selama seluruh durasinya.
import asyncio, os
from openai import AsyncOpenAI, RateLimitError
client = AsyncOpenAI(base_url="https://api.qwenapis.com/v1", api_key=os.environ["QWENAPIS_KEY"])
gate = asyncio.Semaphore(8)
async def ask(prompt, tries=4):
async with gate:
for attempt in range(tries):
try:
r = await client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": prompt}],
)
return r.choices[0].message.content
except RateLimitError:
await asyncio.sleep(5 * (attempt + 1))
return None
async def main():
jobs = [ask(f"Write a docstring for function number {i}.") for i in range(40)]
print(len(await asyncio.gather(*jobs)))
asyncio.run(main())
Semaphore menjaga Anda tetap pada 8 dalam proses, dan sleep mundur ketika 429 lolos. Karena permintaan yang gagal tidak dibebankan, pengulangan tidak memerlukan biaya tambahan. Jika Anda berjalan lebih dekat ke batas atas, atur semaphore menjadi 6 untuk memberi ruang bagi sesi interaktif pada kunci yang sama.
Berapa biaya satu run agen
Agen dihargai berdasarkan seberapa banyak konteks yang mereka kirim ulang, bukan berdasarkan seberapa banyak kode yang mereka tulis. Ambil satu sesi perbaikan bug dengan 12 langkah. Konteks bertambah saat output alat menumpuk, jadi asumsikan rata-rata 20.000 token input dan 600 token output per langkah.
- Input: 12 x 20.000 = 240.000 token x $0,15 / 1M = $0,036
- Output: 12 x 600 = 7.200 token x $0,50 / 1M = $0,0036
- Per jalankan: $0.0396
- 50 kali jalankan sehari: 50 x $0.0396 = $1.98
Tarifnya adalah $0.15 per 1M token input dan $0.50 per 1M token output, ditagih dari saldo prabayar yang tidak pernah kedaluwarsa. Top-up $20 mencakup sekitar 505 kali jalankan seperti itu ($20 / $0.0396). Halaman harga mencantumkan tingkat bonus, dan satu kebiasaan menghemat lebih banyak daripada tingkat mana pun: pertahankan output alat tetap pendek. Mengurangi setengah apa yang Anda umpankan kembali akan mengurangi setengah baris dominan.
Memberi prompt ke model umum untuk pekerjaan kode
Model yang tidak dijual sebagai model coder masih bisa melakukan pekerjaan kode dengan baik jika prompt memberikannya tugas yang jelas. Masukkan bahasa, versi kerangka kerja, dan batasan dalam pesan sistem, misalnya versi Python dan aturan bahwa tidak ada dependensi baru yang diizinkan. Minta satu perubahan pada satu waktu. Berikan output tes yang gagal secara verbatim daripada menggambarkannya, karena teks kesalahan yang tepat membawa lebih banyak informasi daripada parafrase.
Untuk edit, minta diff terpadu atau penggantian lengkap satu fungsi, dan tolak apa pun yang lain. Prosa bebas di sekitar kode sulit diterapkan secara otomatis. Mode JSON membantu ketika Anda menginginkan rencana sebagai data, seperti daftar file dengan alasan untuk setiap perubahan. Setelah model mengusulkan patch, jalankan tes sendiri dan umpankan hasilnya kembali; jangan terima klaim model bahwa tes berhasil.
Jaga suhu rendah untuk edit dan tingkatkan hanya untuk brainstorming. Gunakan seed tetap ketika Anda membandingkan dua versi prompt, sehingga perbedaan berasal dari prompt dan bukan dari derau sampling. Disiplin yang sama berlaku untuk model apa pun, dan itulah yang mengubah uji coba jalankan menjadi perbandingan yang adil dengan apa pun yang Anda gunakan hari ini.
Memilih antara ini dan model pembuat kode bernama
Gunakan model pembuat kode khusus dari penyedianya sendiri ketika pekerjaan Anda membutuhkan model spesifik itu, misalnya karena Anda telah mengukurnya pada basis kode Anda, karena standar tim membutuhkannya, atau karena Anda mengandalkan fitur yang hanya dikirim oleh penyedia itu. Periksa harga dan batas mereka saat ini sebelum Anda berkomitmen.
Gunakan API ini ketika penolakan adalah hal yang memperlambat Anda, ketika Anda menginginkan satu endpoint kompatibel OpenAI yang berfungsi dengan kerangka kerja yang sudah Anda jalankan, atau ketika bayar-per-penggunaan dari saldo kecil lebih cocok bagi Anda daripada rencana. Ini juga masuk akal sebagai endpoint kedua: kirim edit rutin ke model biasa Anda dan rute permintaan yang ditolak oleh filter kebijakan ke yang ini. Beralih adalah URL dasar dan nama model, jadi biaya untuk mencobanya rendah.
Untuk mencobanya, baca panduan permintaan pertama, buat kunci dengan langkah kunci, dan klaim kredit uji coba $0,50: satu klik, tanpa kartu, satu per orang, berlaku selama 7 hari. Kunci uji coba memungkinkan 2 permintaan paralel dan 60 per menit, yang cukup untuk menjalankan loop di atas selusin kali. Prompt tidak digunakan untuk pelatihan, sehingga repositori uji Anda tetap di luar set pelatihan apa pun.
Panduan lainnya
Tanya jawab
Apakah ini API resmi Qwen3-Coder-Next?
Tidak. Ini adalah penyedia independen dengan satu model bobot terbuka, ID uncensored. Ini bukan API vendor resmi dan tidak menawarkan model yang terdaftar dengan nama tersebut.
Apakah mendukung pemanggilan fungsi untuk agen pemrograman?
Ya. Anda meneruskan tools dan tool_choice, menerima tool_calls (termasuk saat streaming), dan mengembalikan hasil sebagai pesan dengan role tool.
Seberapa besar basis kode yang muat dalam satu permintaan?
Jendela konteksnya adalah 100.000 token untuk prompt dan completion secara bersamaan. Kirim hanya file yang relevan dengan tugas dan potong output tool agar tersisa ruang untuk balasan.
Bisakah saya menjalankan beberapa agen sekaligus?
Hingga 8 permintaan paralel dan 300 per menit pada kunci penuh. Kunci uji coba mengizinkan 2 permintaan paralel dan 60 per menit. Di atas itu Anda akan mendapatkan HTTP 429, jadi gunakan semaphore.
Apakah mendukung embedding untuk pencarian kode?
Tidak. API mencakup chat completions dan daftar model saja, jadi gunakan sumber embedding terpisah untuk pencarian vektor.
Kunci Anda hanya selangkah lagi dari satu formulir
Buat akun, salin kunci, ubah URL dasar. Itu saja seluruh proses pengaturannya.