Alibaba'nın Qwen3-Coder-Next modeli, 3 milyar etkin parametreyle yapay zekâ kodlama rakiplerine meydan okuyor

11 dakikalık okuma
Alibaba'nın Qwen3-Coder-Next modeli, 3 milyar etkin parametreyle yapay zekâ kodlama rakiplerine meydan okuyor

Büyük bir kodlama modeli için daha küçük bir bilişim ayak izi

Alibaba, her işlem adımında 80 milyar parametresinin yalnızca 3 milyarını kullanan, kodlama için geliştirilmiş açık kaynaklı bir yapay zekâ modeli olan Qwen3-Coder-Next'i yayımladı. 4 Şubat 2026 itibarıyla Çinli teknoloji şirketinin bu duyurusu, karmaşık yazılım çalışmaları için gereken bilişim kaynaklarını azaltmaya odaklanarak OpenAI ve Anthropic'in kodlama sistemlerine yeni bir rakip ekliyor.

İçindekiler
  1. Büyük bir kodlama modeli için daha küçük bir bilişim ayak izi
  2. Hız ve dil verileri ne gösteriyor?
  3. Mimari, büyük kod tabanlarını nasıl işliyor?
  4. 800 bin çalıştırılabilir görevle öğrenme
  5. Yazılım onarımı ölçütlerinde durumu
  6. Güvenlik sonuçları ve benimsemeyle ilgili kaygılar
  7. Qwen Code modeli geliştirici araçlarına bağlıyor
  8. Bulut erişimi ve geniş Qwen ekosistemi
  9. Verimlilik ve ulusal güven gereklilikleri
  10. Özet

Model, ultra seyrek Uzmanlar Karışımı (Mixture-of-Experts) mimarisini kullanıyor. Parametreler, modelin eğitim sırasında öğrendiği sayısal değerlerdir. Bu tasarımda farklı parametre grupları uzmanlar gibi çalışır ve belirli bir hesaplama için yalnızca küçük bir bölümü etkinleştirilir. Etkin 3 milyar parametre, modelin toplam 80 milyar parametresinin yüzde 3,75'ine karşılık geliyor.

Alibaba'nın yaklaşımı, gelişmiş kodlama ajanlarını yerel donanımlarda kullanılabilir hâle getirmeyi, daha büyük modellere erişimin yol açtığı gecikme ve maliyetleri azaltmayı amaçlıyor. Kodlama ajanı, bir sonraki kod satırını önermekten fazlasını yapar: dosyaları inceleyebilir, geliştirme araçlarını kullanabilir, onarım girişiminde bulunabilir ve değişikliğin işe yarayıp yaramadığını kontrol edebilir.

Modelin yayımlanması, yapay zekâ destekli programlama asistanları açısından hareketli bir döneme denk geliyor. Anthropic, Claude Code için verimlilik iyileştirmelerini duyurdu; OpenAI, Codex uygulamasını kullanıma sundu; OpenClaw gibi açık kaynaklı çerçeveler de toplulukta hızla benimsendi. Alibaba, hem mimarisiyle hem de ticari kullanıma izin veren Apache 2.0 lisansıyla rekabet ediyor.

Qwen3-Coder-Next'in modeli çalıştırmak için gereken öğrenilmiş sayısal değerleri içeren ağırlıkları, farklı dağıtım ihtiyaçlarına yönelik FP8 ve GGUF dâhil çeşitli biçimlerde Hugging Face üzerinden erişime açık. Teknik raporda eğitim yöntemleri ve mimari tercihleri anlatılıyor. Bu sayede geliştiriciler, Alibaba'nın modeli nasıl oluşturduğuna ilişkin bilgilere de erişebiliyor.

Reklam

Hız ve dil verileri ne gösteriyor?

Farklı donanım yapılandırmalarında yapılan bağımsız testlerde Qwen3-Coder-Next, kodlama kalitesi için 10 üzerinden 9,9 puan alırken saniyede 172 token üretti. Token'lar, modelin işlediği ve ürettiği metin parçalarıdır; bunlar sözcüklerin bölümlerini ve programlama sembollerini de kapsar.

Sonuçlar, yerel geliştirme iş akışlarında hızlı yanıtları kullanışlı kod çıktılarıyla birleştirmenin mümkün olabileceğine işaret ediyor. Ancak 9,9 puanının hangi donanım yapılandırmalarında ve hangi puanlama yöntemiyle elde edildiği belirtilmedi. Bu nedenle geliştiriciler, sonuçları kendi makineleri açısından değerlendirirken bu ayrıntılardan yoksun kalıyor.

Qwen3-Coder-Next, önceki sürümlerdeki 92 dile kıyasla 370 programlama dilini destekliyor. Bu, 278 dil fazlası, yani önceki toplamın yaklaşık dört katı demek. Daha geniş dil desteği, tek bir programlama ortamına bağlı kalmayan ve birden çok dili bir arada kullanan projelerde modeli yararlı kılabilir.

Modelin yerel bağlam penceresi 256.000 token; bu pencere, ekstrapolasyon teknikleriyle bir milyon tokene kadar genişletilebiliyor. Bağlam penceresi, modelin aynı anda değerlendirebildiği materyal miktarıdır. Bir kodlama ajanı için bu materyal; kaynak dosyaları, talimatları, hata mesajlarını ve sorunu düzeltmeye yönelik girişimlerin geçmişini içerebilir.

Mimari, büyük kod tabanlarını nasıl işliyor?

Geleneksel Transformer modelleri, bağlam büyüdükçe hesaplama açısından bir sorunla karşılaşıyor. Standart dikkat mekanizmaları bir dizideki bilgileri karşılaştırıyor ve işlem maliyetleri dizi uzunluğunun karesiyle artıyor. Bu nedenle diziyi iki katına çıkarmak, dikkat işlemlerini yaklaşık dört katına çıkarabiliyor; bu da büyük kod tabanları ve uzun konuşmalar için bir bellek darboğazı yaratıyor.

Qwen3-Coder-Next, bu baskıyı azaltmak için Gated DeltaNet'i Gated Attention ile birleştiriyor. Gated DeltaNet, doğrusal karmaşıklığa sahip geleneksel softmax dikkat mekanizmasına bir alternatif sunuyor. Böylece model, işlem maliyetlerinde aynı keskin artış yaşanmadan çeyrek milyon tokenlik penceresi boyunca bir durum bilgisini koruyabiliyor.

Bu hibrit tasarım, seyrek Uzmanlar Karışımı sistemiyle birlikte çalışıyor. İkisi bir arada, tüm bir depoyu kapsayan görevlerde benzer toplam kapasitedeki yoğun modellere kıyasla teorik olarak on kat daha yüksek işlem hacmi sunuyor. Yoğun model, parametrelerinin tamamını etkinleştirirken seyrek model her işlem adımında kapasitesinin yalnızca bir bölümünü seçiyor.

Alibaba'nın tasarımı, bir ajanın tüm bir Python kütüphanesini ya da karmaşık bir JavaScript çerçevesini okurken 3 milyar etkin parametreyle ilişkilendirilen hızı ve 80 milyar parametreli bir sistemin yapısal kavrayışını bir arada sunmasını hedefliyor. Bir onarımın tek bir işlev yerine dosyalar arasındaki ilişkilere bağlı olduğu durumlarda bu önem taşıyor.

Reklam

Eğitim sürecinde, bağlam halüsinasyonlarını azaltmak için Best-Fit Packing yöntemi de kullanılıyor. Bu strateji, geleneksel belge birleştirme yönteminde görülen kesme hatalarını önlerken eğitim materyalini verimli biçimde paketliyor. Geleneksel yöntemde belgeler birleştiriliyor ve uygun olmayan noktalardan kesilebiliyor.

Kararlılık önlemleri arasında, ön eğitim ve sonraki eğitim aşamalarında sıfır merkezli ve ağırlık azaltmalı katman normalizasyonu yer alıyor. Bu ayarlamalar, modelin iç hesaplamalarının kararlı kalmasına yardımcı oluyor. Mimari ayrıca, ön eğitim performansını artıran ve her seferinde tek bir token üretmek yerine gelecekteki birkaç token'ı birlikte tahmin ederek çıkarım sürecini hızlandırabilen Multi-Token Prediction'ı destekliyor.

800 bin çalıştırılabilir görevle öğrenme

Alibaba, Qwen3-Coder-Next'i pratik senaryolardan derlenen ve doğrulanabilir 800 bin kodlama görevi içeren bir işlem hattıyla eğitti. Görevler arasında GitHub'daki çekme isteklerinden derlenen ve konteynerlerde çalışan yürütülebilir ortamlarla eşleştirilen hata düzeltmeleri de vardı.

Çekme isteği, bir yazılım projesine değişiklik önerir. Konteyner ise yazılımı ve bağımlılıklarını, değişikliğin çalıştırılıp test edilebileceği bir ortamda paketler. Bu ikisini eşleştirmek, eğitim sisteminin yalnızca kodun makul görünüp görünmediğine bakmak yerine düzeltme girişiminin işe yarayıp yaramadığını kontrol etmesini sağlar.

Geleneksel kodlama eğitimi çoğunlukla sabit metin ve kod çiftlerine dayanır; bu da modellere büyük ölçüde yalnızca okuma temelli bir eğitim sunar. Alibaba'nın ajan odaklı eğitimiyse çalışan bir geliştirme ortamıyla etkileşim gerektiriyor. Model, başarısız birim testleriyle ya da çöken bir konteynerle karşılaşıp bu geri bildirimi daha iyi bir çözüm denemek için kullanabiliyor.

Bu sürecin altyapısı, Alibaba Cloud Kubernetes üzerine kurulu buluta özgü bir orkestrasyon sistemi olan MegaFlow. Kubernetes konteyner gruplarını yönetirken MegaFlow her görev için üç aşamayı koordine ediyor: ajan yürütümü, değerlendirme ve son işleme. Yürütüm aşamasında model ortamda eylemde bulunuyor; değerlendirme sonuçları kontrol ediyor; son işleme ise ortaya çıkan eğitim materyalini hazırlıyor.

Ara eğitim sırasındaki pekiştirmeli öğrenme, hatalardan toparlanmayı ve çözümleri iyileştirmeyi bu geri bildirim döngüsüyle öğretiyor. Model, eylemlerinin sonuçlarına göre ödüllendiriliyor; böylece ortamla başarılı etkileşim, eğitimin bir parçası hâline geliyor.

Ara eğitimde depo düzeyindeki veri miktarı da yaklaşık 600 milyar tokene çıkarıldı. Bu materyalin, dosyalar arasındaki bağımlılıkları öğrenmede yalnızca tekil dosyalara odaklanan veri kümelerinden daha yararlı olduğu görüldü. Alibaba ayrıca Web Geliştirme ve Kullanıcı Deneyimi optimizasyonu gibi alanlar için Uzman Modeller eğitip bu modellerin bilgisini ana modele aktardı. Bilgi damıtma, uzman sistemlerin becerilerini dağıtıma sunulması amaçlanan modele aktarır.

Reklam

Yazılım onarımı ölçütlerinde durumu

Qwen3-Coder-Next, yapay zekâ sistemlerinin gerçek yazılım sorunlarını çözüp çözemediğini sınayan SWE-Bench Verified ölçütünde yüzde 70,6 puan aldı. DeepSeek-V3.2 yüzde 70,2, GLM-4.7 ise yüzde 74,2 puan aldı. Buna göre Alibaba'nın modeli DeepSeek-V3.2'nin 0,4 yüzde puan önünde, GLM-4.7'nin ise 3,6 yüzde puan gerisinde kaldı.

Bu sonuç, Qwen3-Coder-Next'i yalnızca 3 milyar etkin parametre kullanmasına rağmen daha büyük rakip sistemlere yakın bir konuma yerleştiriyor. Verimlilik, Alibaba'nın rekabet iddiasının merkezinde yer alıyor: Her adımda çok daha büyük bir modeli etkinleştirmek yerine seçici hesaplamayla yararlı mühendislik performansı elde edilebilir.

Daha zorlu SWE-Bench Pro ölçütünde model, birden fazla etkileşim ve ajan eylemi içeren uzun görevler üzerinde akıl yürütme konusunda özellikle güçlü sonuçlar gösterdi. Bu tür çalışmalar, modelin bir projeyi incelerken, dosyaları değiştirirken ve test sonuçlarına yanıt verirken önceki kararlarını takip etmesini gerektiriyor.

Temel Qwen3-Next mimarisi kodlamanın ötesinde yeteneklere de sahip. Düşünme varyantı, matematik ve sağduyuya dayalı mantıksal akıl yürütme dâhil karmaşık akıl yürütme görevlerinde rakiplerini geride bırakıyor. Ajan yeteneklerini ölçen BFCL-v3 ve TAU değerlendirmelerinde ise araç kullanımında ve özerk görev yürütmede daha büyük, tescilli alternatiflerle aynı düzeyde ya da onlardan daha iyi sonuç veriyor.

Güvenlik sonuçları ve benimsemeyle ilgili kaygılar

Qwen3-Coder-Next, güvenlik açıklarının onarılması dâhil güvenlikle ilgili kodlama becerilerini değerlendiren SecCodeBench'te kod üretimi senaryolarında yüzde 61,2 puan aldı. Claude-Opus-4.5'in puanı yüzde 52,5 oldu. İki puan arasındaki fark 8,7 yüzde puan.

Güvenlik ipuçları olmadan da yüksek puanlar alan model, 800 bin görevle yapılan eğitimin yaygın güvenlik sorunlarını tanımasına yardımcı olduğunu düşündürüyor. Çok dilli güvenlik değerlendirmelerinde CWEval'de yüzde 56,32'lik func-sec@1 puanına ulaşarak işlevsel doğruluk ile güvenli kod üretimi dengesini korudu ve DeepSeek-V3.2 ile GLM-4.7'yi geride bıraktı.

Cybernews'in baş editörü Jurgita Lapienyė, Batılı geliştiricilerin modeli yaygın biçimde kullanmasının karmaşık kod tabanlarına fark edilmesi güç güvenlik açıkları girmesine yol açabileceği uyarısında bulundu. Kaygısı, geliştiricilerin yapay zekâ tarafından oluşturulan değişiklikleri kabul ederken gözden kaçırabileceği zayıflıklara odaklanıyor.

Geliştiriciler, temel sistemlerin farkında olmadan güvenlik açığı barındıran kodlarla oluşturulduğu bir geleceğe uykulu gözlerle ilerliyor olabilir.

Çin'in Ulusal İstihbarat Yasası, Alibaba gibi şirketlerin veriler ve yapay zekâ modelleriyle ilgili devlet taleplerine uymasını zorunlu kılıyor. Eleştirmenler, özellikle geliştiricilerin ajanlara projelerine geniş erişim yetkisi verdiği durumlarda, bu düzenlemenin üretilen koddaki kasıtlı olarak gizlenmiş zayıflıklar için olası bir kanal oluşturduğunu savunuyor.

Reklam

Kaygılar, saldırganların başka sistemlere ulaşmak için güvenilen bir ürünü ya da güncellemeyi istismar ettiği tedarik zinciri saldırılarını da kapsıyor. SolarWinds olayı buna örnek gösteriliyor: Sızma, uzun bir döneme yayılan güvenilir yazılım güncellemeleri üzerinden gerçekleşmişti. Eleştirmenler, depoların tamamını tarayıp bağımsız değişiklikler yapabilen kodlama ajanlarının teorik olarak savunmaları incelemek ve hedefe özel istismar yöntemleri üretmek için kullanılabileceğini savunuyor.

Küçük kusurlar zararsız tasarım tercihleri gibi görünebilir ve olağan kod incelemesinden kaçabilir. Açık kaynaklı dağıtımı destekleyenler, model ağırlıklarının Apache 2.0 lisansı altında sunulmasının kuruluşlara kullanımdan önce modeli inceleyip denetleme olanağı tanıdığına dikkat çekiyor. Güvenlik araştırmacıları ise ağırlıklar açık olsa bile arka uç altyapısının, telemetri sistemlerinin ve kullanım takibinin şeffaf olmayabileceğini belirtiyor.

Qwen Code modeli geliştirici araçlarına bağlıyor

Alibaba, ayrıca Gemini Code'dan çatallanarak ajan odaklı kodlama iş akışları için optimize edilen bir komut satırı arayüzü olan Qwen Code'u açık kaynaklı hâle getirdi. Araç, geliştiricilerin özelleştirilmiş istemler ve etkileşim protokolleri aracılığıyla doğal dilde talimatlar vererek mühendislik görevleri atamasını ve Qwen3-Coder-Next'in yeteneklerinden yararlanmasını sağlıyor.

Araç, VS Code uzantıları dâhil yaygın geliştirme ortamlarına ve Cline ile Claude Code arayüzleri gibi topluluk araçlarına bağlanıyor. Bu bağlantılar, geliştiricilerin modeli ayrı bir metin üretim hizmeti olarak kullanmak yerine alışık oldukları iş akışlarına dâhil etmelerine olanak tanıyor.

Qwen3-Coder-Next, büyük miktarda metin içeren argümanlar için tasarlanmış, XML tarzı bir araç çağırma biçimini destekliyor. Araç çağırma, modelin dosya okuma ya da komut çalıştırma gibi bir eylem istemesi ve bu eylem için gereken bilgileri sağlaması mekanizmasıdır.

Bu biçim, uzun kod parçalarının JSON tabanlı işlev çağrısına kıyasla daha az iç içe alıntılama ve kaçış karakteri kullanılarak aktarılmasına olanak tanıyor. Kaçış karakterleri, mesaj içindeki kodun mesajın kendi yapısından ayırt edilebilmesi için özel karakterler ekler. Bu ek yükün azaltılması, model büyük kod bloklarını geliştirme araçlarına gönderirken token tüketimini düşürebilir ve ayrıştırmayı kolaylaştırabilir.

Model ayrıca daha geniş Qwen3 ailesiyle tutarlılığı koruyan yeni bir tokenizer kullanıyor. Tokenizer, metni modelin işlediği birimlere böler. Önceki sürümlerden geçiş yapan geliştiricilerin, yazılımlarının bu birimleri doğru hazırlayıp yorumlaması için tokenleştirme işlem hatlarını güncellemesi gerekiyor.

Bulut erişimi ve geniş Qwen ekosistemi

GroqCloud, tüm bağlam penceresine erişim olanağıyla Qwen3 modellerini destekliyor. Açıklanan fiyatlandırma, bir milyon giriş token'ı için 0,29 dolar, bir milyon çıkış token'ı için 0,59 dolar. Çıkarım hızları ise saniyede 535 token'ı aşıyor. Giriş token'ları modele gönderilen, çıkış token'larıysa modelin ürettiği materyaldir.

Reklam

Alibaba'nın Model Studio platformu da rekabetçi fiyatlarla API erişimi sağlıyor. API, başka bir uygulamanın barındırılan bir modele istek göndermesine olanak tanıyarak geliştiricilere model ağırlıklarını kendi sistemlerinde çalıştırmanın yanı sıra bir bulut seçeneği de sunuyor.

Alibaba, Qwen tabanlı kodlama modellerinin dünya genelinde toplam 20 milyon indirmeyi aştığını belirtiyor. Şirketin tümleşik geliştirme ortamlarına yönelik eklentisi Tongyi Lingma'nın da Qwen3-Coder'ın geliştirilmiş ajan yeteneklerini içeren güncellemeler alması bekleniyor. Böylece bu işlevler milyonlarca mevcut kullanıcıya ulaşabilir.

Ekosistem, Alibaba'nın stratejisini tek bir modelin yayımlanmasının ötesine taşıyor. İndirilebilir ağırlıklar, komut satırı ajanı, editör bağlantıları ve barındırılan hizmetler; yerel olarak denemeler yapan bireysel geliştiricilerden bulut altyapısı kullanan kuruluşlara kadar farklı benimseme yolları sunuyor.

Verimlilik ve ulusal güven gereklilikleri

Alibaba, Qwen3-Next mimarisinin amiral gemisi Qwen3-235B-A22B modeliyle aynı performansı gösterirken eğitim maliyetlerini önceki neslin onda birine indirdiğini söylüyor. Daha düşük maliyetler, güçlü kodlama araçlarına bağımsız geliştiricilerin ve büyük altyapı yatırımlarını finanse etmenin daha zor olduğu gelişmekte olan pazarların erişimini artırabilir.

Çinli şirketler, açık kaynak stratejileriyle ABD'li yapay zekâ şirketlerine giderek daha fazla meydan okuyor. Qwen3-Coder-Next, daha iyi kodlama performansının her zaman daha fazla etkin hesaplama gerektirdiği varsayımına meydan okuyan tasarımı erişilebilir model ağırlıklarıyla birleştirerek bu rekabete katkıda bulunuyor.

Jeopolitik gerilimler bu çekiciliği karmaşık hâle getiriyor. Düzenleme, güven ve ulusal güvenlik kaygıları nedeniyle hem ABD'de hem de Çin'de yabancı yapay zekâ modellerinin benimsenmesi giderek azalıyor. Egemen yapay zekâ, yerli altyapı ve bulut hizmetleriyle desteklenen modellere yönelik tercihi ifade ediyor; böylece satın alma kararlarında ulusal politikalar da fiyat ve teknik performansın yanına ekleniyor.

Qwen3-Coder-Next, Alibaba Cloud'un Asya Pasifik bölgesindeki büyümesini destekleyebilir. Batı pazarlarında ise güçlü teknik özelliklerine rağmen katı düzenlemelerin ve güvenlik kaygılarının kurumsal kullanımı sınırlaması bekleniyor. Kuruluşların fikrî mülkiyetin korunmasını ve gizli kodların nasıl işlendiğini de değerlendirmesi gerekiyor.

Omdia'nın baş analisti Lian Jye Su, teknoloji liderlerini, kaynağı neresi olursa olsun açık kaynaklı modelleri kapsamlı biçimde değerlendirmeye çağırdı. Bu modellerin hem teknik açıdan cazip olduğunu hem de bilgi güvenliğiyle ilgili haklı kaygılar bulunduğunu belirtti.

Batılı teknoloji liderlerinin, çeşitli ölçütlerde gösterdikleri performans nedeniyle Qwen gibi açık kaynaklı kodlama modellerini cazip bulmasına şaşırmam. Fikrî mülkiyetin korunması ve veri güvenliğiyle ilgili kaygılar elbette haklı. Bu nedenle ABD'deki teknoloji liderlerini, kaynağı ne olursa olsun tüm açık kaynaklı modelleri kapsamlı biçimde değerlendirmeye çağırıyorum.

Alibaba'nın duyurusu, daha iyi kodlama asistanları geliştirmenin bir yolu olarak açık mimarilerin iş birliğine dayalı biçimde iyileştirilmesini tescilli geliştirmelerin yanına koyuyor. Modelin benimsenmesi, kuruluşların vaat edilen verimliliği yazılımlarının gerektirdiği güven ve güvenlik doğrulamasıyla birleştirip birleştiremeyeceğine bağlı olacak.

Özet

  • Qwen3-Coder-Next 80 milyar parametre içeriyor ancak her işlem adımında toplamın yüzde 3,75'ine karşılık gelen 3 milyar parametreyi etkinleştiriyor.
  • Model, SWE-Bench Verified'de yüzde 70,6 puan aldı; DeepSeek-V3.2 yüzde 70,2, GLM-4.7 ise yüzde 74,2 puan elde etti.
  • Hibrit mimarisi, ekstrapolasyon teknikleriyle bir milyona kadar genişletilebilen 256.000 tokenlik yerel bağlamı destekliyor.
  • Eğitimde doğrulanabilir 800 bin kodlama görevi ve depo düzeyinde yaklaşık 600 milyar tokenlik materyal kullanıldı.
  • Farklı donanım yapılandırmalarında yapılan bağımsız testlerde saniyede 172 token üretildi ve kodlama kalitesi 10 üzerinden 9,9 olarak puanlandı.
  • Apache 2.0 lisansı, indirilebilir ağırlıklar ve Qwen Code, ticari ve yerel kullanıma olanak tanıyor.
  • Güvenlik ölçütlerinde güçlü sonuçlar elde edilse de devlet yükümlülükleri, altyapı şeffaflığı ve gizli kodlarla ilgili kaygılar kurumsal kararların merkezinde yer alıyor.
Bu haberi paylaş

Bunlar da ilginizi çekebilir