qwenapis.comGids
Qwen3-Coder-Next API: Een OpenAI-compatibele optie
Deze dienst host geen model genaamd Qwen3-Coder-Next. Het biedt één algemeen open-weight model achter een OpenAI-compatibele endpoint, en deze pagina zegt wanneer dat geschikt is voor een code-agent en wanneer niet.
Bijgewerkt:

Het directe antwoord op qwen3-coder-next
Als je qwen3-coder-next api in een zoekbalk typt, wil je waarschijnlijk een endpoint waar je een code-agent op kunt wijzen. Wees duidelijk over wat deze site is voordat je verder gaat: het is een onafhankelijke aanbieder met één open-weight model, ID uncensored, getuned om zonder inhoudelijke weigeringen te antwoorden voor wettelijk volwassen gebruik. Het is niet de officiële API voor Qwen3-Coder-Next of voor enig model van Alibaba, en het routeert geen verzoeken tussen vendors. Als je plan afhankelijk is van dat exacte model, is de officiële aanbieder of een host die het bij naam vermeldt de juiste keuze.
Waarom deze pagina schrijven? Omdat veel mensen die zoeken naar een coder model uiteindelijk dezelfde infrastructuur nodig hebben: een OpenAI-stijl chat endpoint met tool calling, een groot venster, stabiele rate limits en voorspelbare kosten per token. Deze API heeft dat. Het weigert ook geen verzoeken die andere assistants weigeren om beleidsredenen, zoals het schrijven van een port scanner voor je eigen netwerk, het bespreken van exploit mechanieken voor een lab oefening, of het genereren van test data met ruwe taal. Alles blijft binnen wettelijk gebruik, en er is één harde limiet: geen seksuele inhoud met minderjarigen.
Hier volgt een eenvoudige vergelijking en een getest patroon voor het draaien van een agentloop tegen https://api.qwenapis.com/v1. Deze pagina geeft geen benchmarkcijfers, omdat die hier niet bekend zijn, en je moet de codescores van niemand vertrouwen boven je eigen repository.
Wat een code-agent vraagt van een API
Verwijder de productnamen en een coding agent heeft zes dingen nodig van zijn model endpoint. Hier is hoe deze service op elk punt antwoordt.
| Noodzaak | Wat deze API biedt |
|---|---|
| Function calling voor read, edit en run tools | Ja: tools, tool_choice, gestreamde tool_calls, resultaten als role: "tool" |
| Gestructureerde output voor plannen en diffs | JSON-modus via response_format |
| Ruimte voor grote bestanden en lange geschiedenis | 100.000 tokens, prompt plus voltooiing |
| Streaming voor live editors | SSE met verbruik aan het einde |
| Herhaalbare runs | seed, temperature, top_p, stop en straffen worden doorgegeven |
| Parallelle sub-agents | 8 gelijktijdige verzoeken, 300 per minuut op een volledige sleutel |
Net zo belangrijk is wat ontbreekt. Er zijn geen embeddings, dus code search over een vectorindex vereist een aparte embeddingsbron. Er is geen fine-tuning en geen image input of output. De model lijst heeft één item. Als een agent framework je laat kiezen voor een goedkoop model voor kleine stappen en een sterker model voor planning, dan gebruiken beide rollen hier hetzelfde model.
De eerlijke samenvatting is dat de infrastructuur compleet is en de vraag die overblijft is model kwaliteit op je taken. Dat is een empirische vraag, en het gratis proeftegoed bestaat om dat te beantwoorden.
Een werkende agentloop
Dit voorbeeld geeft het model twee tools, één om een bestand te lezen en één om een commando uit te voeren in een sandboxmap, en loopt tot het model stopt met het vragen van tools. Draai het in een wegwerpmap, omdat de commando tool uitvoert wat het model voorstelt. Het punt is de structuur: voeg het assistantbericht toe, voer elke aanroep uit, voeg één tool bericht per aanroep toe, herhaal.
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})
Drie details houden een loop zoals deze gezond. Beperk het aantal stappen, zoals de range(12) doet. Knip tool output bij, omdat elk teruggegeven karakter input wordt op de volgende aanroep. Gebruik een lage temperatuur voor bewerkwerk; 0.2 is een redelijk startpunt, en je kunt het verhogen voor brainstormstappen.
Meerdere agents draaien zonder 429
Eén agent is sequentieel en last zelden een limiet. Een vloot van hen wel. Bij meer dan 8 gelijktijdige verzoeken antwoordt de API met 429 en code concurrency, en bij meer dan 300 in een minuut antwoordt het met 429 met rate_limited. Tijdelijke overbelasting retourneert ook 429, met een Retry-After: 5 header. Gestreamde verzoeken houden hun slot vast tot de stream klaar is, dus een lang gestreamd antwoord telt voor de hele duur.
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())
De semaphore houdt je bij 8 in vlucht, en de sleep back-off wanneer een 429 toch doorsluipt. Omdat mislukte verzoeken niet worden aangerekend, kosten herhaalde pogingen niets extra. Als je dichter bij het plafond draait, stel de semaphore dan in op 6 om ruimte te maken voor een interactieve sessie op dezelfde sleutel.
Wat een agentuitvoering kost
Agents worden geprijsd op basis van hoeveel context ze opnieuw versturen, niet op basis van hoeveel code ze schrijven. Neem een bug-fix run van 12 stappen. Context groeit omdat tool output ophoopt, dus ga uit van een gemiddelde van 20.000 input tokens en 600 output tokens per stap.
- Input: 12 x 20.000 = 240.000 tokens x $0,15 / 1M = $0,036
- Output: 12 x 600 = 7.200 tokens x $0,50 / 1M = $0,0036
- Per run: $0.0396
- 50 runs per dag: 50 x $0,0396 = $1,98
Tarieven zijn $0,15 per 1M input tokens en $0,50 per 1M output tokens, gefactureerd van prepaid tegoed dat nooit verloopt. Een $20 top-up dekt ongeveer 505 zulke runs ($20 / $0,0396). De prijzenpagina vermeldt de bonus tiers, en één gewoonte bespaart meer dan elke tier: houd tool output kort. Halveer wat je terugvoert, halveer de dominante regel.
Prompten van een algemeen model voor code werk
Een model dat niet wordt verkocht als een coder model kan nog steeds goed zijn in code als de prompt het een duidelijke taak geeft. Zet de taal, framework versie en constraints in het system bericht, bijvoorbeeld de Python versie en de regel dat geen nieuwe dependencies zijn toegestaan. Vraag om één wijziging per keer. Geef het de mislukte test output letterlijk in plaats van het te beschrijven, omdat exacte fout tekst meer informatie draagt dan een parafrase.
Voor edits, vraag om een unified diff of voor de complete vervanging van één functie, en wijs alles anders af. Vrije tekst rond code is moeilijk automatisch toe te passen. JSON-modus helpt als je een plan als data wilt, zoals een lijst van bestanden met een reden voor elke wijziging. Nadat het model een patch voorstelt, draai de tests zelf en voer het resultaat terug; accepteer niet de claim van het model dat de tests slagen.
Houd temperature laag voor edits en verhoog het alleen voor brainstormen. Gebruik een vaste seed als je twee prompt versies vergelijkt, zodat verschillen komen van de prompt en niet van sampling noise. Dezelfde discipline geldt voor elk model, en dat is wat een trial run verandert in een eerlijke vergelijking met wat je vandaag gebruikt.
Kiezen tussen dit en een benoemd coder model
Gebruik een dedicated coder model van zijn eigen provider wanneer je werk dat specifieke model nodig heeft, bijvoorbeeld omdat je het hebt gemeten op je codebase, omdat een team standaard het vereist, of omdat je afhankelijk bent van een feature die alleen die provider levert. Controleer hun huidige prijzen en limieten voordat je je verbindt.
Gebruik deze API wanneer weigeringen het ding zijn dat je vertraagt, wanneer je één OpenAI-compatibele endpoint wilt die werkt met de frameworks die je al draait, of wanneer pay-as-you-go van een klein saldo je beter past dan een plan. Het heeft ook zin als een tweede endpoint: stuur routine edits naar je gebruikelijke model en routeer verzoeken die een policy filter weigert naar deze. Schakelen is een base URL en een model naam, dus de kosten van proberen zijn laag.
Om het te proberen, lees de gids voor het eerste verzoek, maak een sleutel met de stappen voor de sleutel, en claim het proeftegoed van $0,50: één klik, geen kaart, één per persoon, geldig voor 7 dagen. Een proefsleutel staat 2 gelijktijdige verzoeken en 60 per minuut toe, wat genoeg is om de loop hierboven een dozijn keer uit te voeren. Prompts worden niet gebruikt voor training, dus je test repository blijft buiten elke training set.
Meer handleidingen
Vragen en antwoorden
Is dit de officiële Qwen3-Coder-Next API?
Nee. Het is een onafhankelijke aanbieder met één open-weight model, ID uncensored. Het is geen officiële vendor API en biedt geen model aan onder die naam.
Wordt tool calling ondersteund voor coding agents?
Ja. Je voegt tools en tool_choice toe, ontvangt tool_calls (ook bij streaming) en stuurt resultaten terug als berichten met role tool.
Hoe groot is een codebase die in één verzoek past?
Het contextvenster is 100.000 tokens voor prompt plus completion samen. Stuur alleen de bestanden die relevant zijn voor de taak en knip de tool output bij om ruimte te maken voor het antwoord.
Kan ik meerdere agents tegelijk uitvoeren?
Tot 8 gelijktijdige verzoeken en 300 per minuut op een volledige key. Een trial key staat 2 en 60 toe. Daarboven krijg je HTTP 429, dus gebruik een semaphore.
Ondersteunt het embeddings voor codezoekopdrachten?
Nee. De API dekt chatvoltooiingen en een modellijst alleen, dus gebruik een aparte inbeddingsbron voor vector search.
Je sleutel is nog maar één stap verwijderd
Maak een account aan, kopieer de sleutel, pas de basis-URL aan. Dat is de hele configuratie.