Qwen3-Coder-Next: 에이전틱 코딩을 겨냥한 소형 하이브리드 모델의 진화

Qwen3-Coder-Next는 코딩 에이전트와 로컬 개발을 위해 만든 open-weight 모델로, Qwen3-Next-80B-A3B-Base 위에 구축됐다. hybrid attention과 MoE를 쓰는 기반 구조에 더해, 대규모 실행 가능한 과제와 환경 상호작용, reinforcement learning을 중심으로 agentic training을 확장했다.

핵심은 파라미터를 키우는 대신 agentic training signals를 키운다는 점이다. 모델은 실행 환경이 붙은 검증 가능한 코딩 작업을 대량으로 학습하면서, 실제 에이전트처럼 도구를 쓰고, 긴 호흡으로 추론하고, 실행 실패에서 복구하는 능력을 익혔다.

훈련 구성은 다음을 포함한다.

• code- and agent-centric data에 대한 continued pretraining
• 고품질 agent trajectories를 담은 데이터의 supervised fine-tuning
• software engineering, QA, web/UX 같은 도메인 특화 expert training
• 여러 전문가를 배포용 단일 모델로 묶는 expert distillation

성과는 coding agent 벤치마크에서 확인된다. SWE-Bench Verified에서는 SWE-Agent scaffold로 70%를 넘겼고, multilingual 환경과 더 कठिन한 SWE-Bench Pro에서도 경쟁력을 보였다. 특히 3B active라는 작은 활성 파라미터 규모로도, 일부 훨씬 큰 open-source 모델과 비슷하거나 더 나은 agent-centric 결과를 냈다.

또한 SWE-Bench Pro에서는 agent turn 수를 늘릴수록 성능이 더 좋아져, multi-turn agentic task에서의 long-horizon reasoning 능력을 보여줬다. 효율성과 성능의 균형 측면에서는 10배~20배 더 큰 active parameter를 가진 모델과 비슷한 수준의 SWE-Bench-Pro 성능을 내며, cost-effective agent deployment를 위한 강한 Pareto frontier에 올라섰다.

데모는 OpenClaw, Qwen Code, Claude Code, web dev, browser use, Cline 등 다양한 downstream 환경에서 제시됐다. 웹 인터페이스 만들기, 게임 제작, ASCII art 도구, 데스크톱 정리, 브라우저 검색, 웹사이트 테스트 같은 예시를 통해 작은 모델이 실제 agent workflow에 충분히 들어갈 수 있음을 강조한다.

앞으로는 reasoning과 decision-making을 더 강화하고, 더 많은 task를 지원하며, 사용자 사용 패턴에 맞춰 빠르게 업데이트하는 방향을 제시한다. 요약하면, 이 모델은 단순한 규모 경쟁보다 도구 사용, 장기 추론, 실행 복구 같은 에이전트 능력이 다음 세대 coding agent의 핵심이라는 점을 밀어붙인다.