Qwen3-Coder-Next API:一种兼容 OpenAI 的选项
该服务不托管名为 Qwen3-Coder-Next 的模型。它通过兼容 OpenAI 的接口提供一个通用开放权重模型,本页说明该模型在何时适合编码代理,何时不适合。
更新时间:

关于 qwen3-coder-next 的直接回答
如果你在搜索框中输入了 qwen3-coder-next api,你可能需要一个可以将编码代理指向的接口。在继续之前,请清楚该网站的性质:它是一个独立提供商,只有一个开放权重模型,ID 为 uncensored,针对无内容拒绝的回答进行了优化,适用于合法的成人用途。它不是 Qwen3-Coder-Next 或阿里巴巴旗下任何模型的官方 API,也不在供应商之间路由请求。如果你的计划依赖于该特定模型,其官方提供商或按名称列出该模型的主机是更好的选择。
那么为什么写这一页?因为许多搜索 coder 模型的人最终需要相同的基础设施:一个支持函数调用的 OpenAI 风格聊天接口、较大的上下文窗口、稳定的速率限制和可预测的每个 token 成本。这个 API 具备这些功能。它也不会拒绝其他助手因政策原因拒绝的请求,例如为你的网络编写端口扫描器、讨论实验练习中的漏洞机制,或使用粗糙语言生成测试数据。所有内容都在合法使用范围内,只有一个硬性限制:禁止涉及未成年人的色情内容。
接下来是一个简单的对比和一个针对 https://api.qwenapis.com/v1 运行代理循环的已验证模式。本页不提供基准数字,因为这里没有已知的数据,你不应该认为任何人的编码评分比你自己代码库的测试结果更可信。
编码代理对 API 的需求
剥离产品名称,编码代理需要从其模型接口获得六样东西。以下是该服务对每一项的回应。
| 需求 | 此 API 提供的功能 |
|---|---|
| 用于读取、编辑和运行工具的功能调用 | 是的:支持 tools、tool_choice、流式输出 tool_calls,结果以 role: "tool" 格式返回 |
| 用于计划和差异的结构化输出 | 通过 response_format 实现 JSON 模式 |
| 容纳大文件和长历史记录的窗口 | 100,000 token,包含提示词和补全 |
| 用于实时编辑器的流式输出 | SSE 并在末尾提供使用情况 |
| 可重复运行 | seed、temperature、top_p、stop以及惩罚项均会透传 |
| 并行子代理 | 完整密钥支持 8 个并发请求,每分钟 300 个请求 |
同样重要的是缺失的部分。没有嵌入功能,因此基于向量索引的代码搜索需要单独的嵌入源。没有微调功能,也没有图像输入或输出。模型列表只有一个条目。如果代理框架允许你为小步骤选择便宜的模型,为规划选择更强的模型,那么在此处(该 API 中),这两个角色将使用同一个模型。
诚实的总结是底层设施已完备,剩下的问题是模型在你任务上的质量。这是一个经验性问题,试用额度正是为此而设。
工作代理循环
此示例向模型提供两个工具,一个用于读取文件,一个用于在沙盒目录中运行命令,并循环直到模型停止请求工具。在一个临时文件夹中运行它,因为命令工具会执行模型提出的任何命令。重点在于结构:追加助手消息,运行每个调用,为每个调用追加一个 tool 消息,然后重复。
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})
三个细节保持此类循环的稳定。限制步骤数量,如 range(12) 所示。截断工具输出,因为每个返回的字符都会成为下一次调用的输入。对于编辑工作使用较低的温度;0.2 是一个合理的起点,你可以为头脑风暴步骤提高它。
运行多个代理而不触发 429
单个代理是顺序执行的,很少会触及限制。代理集群则会。超过 8 个并发请求时,API 返回带有代码 concurrency 的 429,超过每分钟 300 个请求时返回带有 rate_limited 的 429。临时过载也返回 429,并带有 Retry-After: 5 标头。流式请求会占用其槽位直到流结束,因此长流式回答会占用其整个持续时间的槽位。
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())
信号量使正在进行的请求保持在 8 个,当 429 错误无论如何都发生时会进行退避。由于失败的请求不收费,重试不会额外花费。如果你更接近上限运行,将信号量设置为 6,以便在同一密钥上为交互式会话留出空间。
代理运行成本
Agent 根据它们重发的上下文量定价,而不是按它们编写的代码量定价。以一次 12 步的 bug 修复请求为例。随着工具输出堆积,上下文会增长,因此假设每步平均 20,000 输入 token 和 600 输出 token。
- 输入:12 x 20,000 = 240,000 token x $0.15 / 1M = $0.036
- 输出:12 x 600 = 7,200 token x $0.50 / 1M = $0.0036
- 每次运行:$0.0396
- 每天 50 次运行:50 x $0.0396 = $1.98
费率为每 100 万输入 token $0.15,每 100 万输出 token $0.50,从永不过期的预付额度中计费。$20 的充值大约可覆盖 505 次此类运行($20 / $0.0396)。定价页面 列出了奖励层级,一个习惯比任何层级都能节省更多:保持工具输出简短。将反馈内容减半即可将主导行减半。
对通用模型进行代码提示
非专用编码模型在提示词给出明确任务时,仍然可以在代码任务上表现出色。在系统消息中指定语言、框架版本和约束条件,例如 Python 版本以及不允许引入新依赖项的规则。一次只要求一个更改。直接提供失败的测试输出,而不是描述它,因为确切的错误文本比转述包含更多信息。
对于编辑,要求提供统一差异或一个函数的完整替换,并拒绝其他任何内容。围绕代码的自由文本很难自动应用。当你想要作为数据的计划时,例如带有每个更改理由的文件列表,JSON 模式会有所帮助。在模型提出补丁后,自己运行测试并反馈结果;不要接受模型声称测试通过的说法。
编辑时降低温度值,仅在头脑风暴时提高。比较两个提示版本时使用固定的 seed,以便差异来自提示词而不是采样噪声。同样的规范适用于任何模型,这正是将试运行转变为与你今天使用的任何模型进行公平比较的关键。
在此与知名编码模型之间选择
当你的工作需要特定的模型时,使用其自有提供商的专用编码模型,例如因为你在代码库上对其进行了测量,因为团队标准要求它,或者因为你依赖于该提供商独有的功能。在承诺之前检查他们当前的定价和限制。
当拒绝响应是阻碍你的因素时,当你想要一个与你现有框架兼容的单一 OpenAI 兼容接口时,或者当从小余额按量付费比订阅计划更适合你时,请使用此 API。将其作为第二个接口也很有意义:将常规编辑发送到你的常用模型,并将被策略过滤器拒绝的请求路由到此接口。切换只需更改基础 URL 和模型名称,因此尝试的成本很低。
要尝试它,请阅读 首次请求指南,通过 密钥创建步骤 创建密钥,并领取 $0.50 试用额度:一次点击,无需信用卡,每人一次,有效期 7 天。试用密钥允许 2 个并发请求和每分钟 60 个请求,这足以运行上述循环十几次。提示词不用于训练,因此你的测试代码库不会进入任何训练集。
更多指南
问答
这是 Qwen3-Coder-Next 的官方 API 吗?
不是。这是一家独立提供商,提供一款开放权重模型,模型 ID 是 uncensored。它并非官方供应商 API,也不提供名为该名称的模型。
它支持编码代理的函数调用吗?
支持。你传入 tools 和 tool_choice,接收 tool_calls(流式输出时同样支持),并以 role: tool 的消息形式返回结果。
单个请求能容纳多大的代码库?
上下文窗口为 100,000 token,包含提示词和补全内容。仅发送与任务相关的文件,并精简工具输出,为回复留出空间。
我可以同时运行多个代理吗?
完整密钥支持最多 8 个并发请求和每分钟 300 次请求。试用密钥支持 2 个并发请求和每分钟 60 次请求。超出限制后你会收到 HTTP 429 错误,因此请使用信号量。
是否支持用于代码搜索的嵌入?
不支持。该 API 仅涵盖聊天补全和模型列表,因此请使用单独的嵌入源进行向量搜索。