Alibaba, 480 Milyar Parametreli ve Otonom Kodlama Araçlarına Sahip Qwen3-Coder’ı Tanıttı

11 dakikalık okuma
Alibaba, 480 Milyar Parametreli ve Otonom Kodlama Araçlarına Sahip Qwen3-Coder’ı Tanıttı

Tüm görevleri baştan sona yürütecek şekilde tasarlanan kodlama modeli

Alibaba Group, bugüne kadarki en gelişmiş açık kaynaklı yapay zekâ kodlama modeli Qwen3-Coder’ı tanıttı. Model 480 milyar parametreye, aynı anda etkinleşen 35 milyar parametreye ve birkaç adıma yayılan programlama görevlerini yerine getirmek üzere tasarlanmış araçlara sahip. 24 Temmuz 2025 itibarıyla bu lansman, Alibaba’yı Çinli rakipleriyle ve Anthropic ile OpenAI’nin tescilli sistemleriyle daha yakın bir rekabete taşıyor.

İçindekiler
  1. Tüm görevleri baştan sona yürütecek şekilde tasarlanan kodlama modeli
  2. 480 milyar parametrenin 35 milyarı nasıl etkinleşiyor?
  3. Modelin eğitimi nasıl yapıldı?
  4. Kod önermekten iş akışını yürütmeye
  5. Qwen Code modeli geliştirici araçlarına taşıyor
  6. Kıyaslama sonuçları nasıl karşılaştırılıyor?
  7. FP8 dağıtım maliyetlerini düşürmek için başka bir seçenek sunuyor
  8. Açık erişim, mevcut geliştirici kitlesiyle buluşuyor
  9. Rekabet, güven ve şirketlerin karşı karşıya olduğu tercihler
  10. Daha fazla özerklik neleri değiştirebilir?
  11. Öne Çıkanlar

Amiral gemisi model Qwen3-Coder-480B-A35B-Instruct, yerel olarak 256.000 tokenlık bir bağlam penceresinde çalışabiliyor; bu pencere ekstrapolasyon yöntemleriyle 1 milyon tokene çıkarılabiliyor. Böylece büyük miktarda kaynak kodu ve belgeyi birlikte işleyebiliyor, bir yazılım projesindeki bağlantıları takip edebiliyor.

Alibaba, yapay zekânın bir görevi planlayabildiği, geliştirme araçlarını kullanabildiği, sonucu inceleyebildiği ve çalışmasını gözden geçirebildiği ajan tabanlı kodlamayı hedefliyor. Sistem, yalnızca bir kod bloğu önermekle kalmayıp hata ayıklama ve kod tabanında değişiklikler de dâhil olmak üzere daha uzun bir iş akışına katılacak şekilde tasarlandı.

Lansman kapsamında, yapay zekâya gündelik dille talimat vermeye yarayan bir komut satırı aracı olan Qwen Code ve modeli çalıştırmak için gereken donanım kaynaklarını azaltmayı amaçlayan bir FP8 sürümü de sunuluyor. Alibaba, Qwen3-Coder’ı ticari ve ticari olmayan kullanımlara izin veren esnek Apache 2.0 lisansı altında kullanıma açtı.

Modelin temel vaadi erişilebilirlik ile performansı bir araya getirmek. Alibaba, Qwen3-Coder’ın kodlama görevlerinde önde gelen tescilli modellerle rekabet ettiğini, geliştiricilere ve şirketlere modeli kullanıma alma ve uyarlama konusunda daha fazla özgürlük sunduğunu belirtiyor. Kullanıcılar açısından pratik soru, bu yeteneklerin kendi projelerine, bilgi işlem bütçelerine ve veri işleme gereksinimlerine nasıl yansıyacağı.

Reklam

480 milyar parametrenin 35 milyarı nasıl etkinleşiyor?

Qwen3-Coder, yaygın olarak MoE kısaltmasıyla anılan Uzmanlar Karışımı mimarisini kullanıyor. Parametreler, yapay zekâ modelinin bir girdiyi yorumlamasına ve yanıt üretmesine yardımcı olan öğrenilmiş sayısal değerlerdir. Bu mimaride farklı parametre grupları uzmanlar gibi çalışıyor ve belirli bir iş için modelin yalnızca bir bölümü etkinleştiriliyor.

Amiral gemisi model toplamda 480 milyar parametre içeriyor, ancak aynı anda 35 milyarını etkinleştiriyor. Alibaba’nın verilerine göre etkin bölüm toplamın yaklaşık yüzde 7,3’üne karşılık geliyor. Tasarım, çok büyük bir modelin kapasitesini işlem sırasında daha küçük bir bölümünü kullanmanın verimliliğiyle birleştirmeyi amaçlıyor.

Alibaba, bu dengeyi yapay zekâyı büyük ölçekte çalıştıran şirketler için yararlı olarak sunuyor. Bir kodlama sistemi dosyaları incelemek, değişiklik önermek ve sonucu değerlendirmek için tekrar tekrar etkileşim kurmak zorunda kalabilir. Bu nedenle verimlilik yalnızca ilk yanıtı üretirken değil, görevin tamamı boyunca önem taşıyor.

Bir diğer önemli teknik özellik, modelin birlikte değerlendirebildiği bilgi miktarını belirleyen bağlam penceresi. Tokenlar, modelin metni ve kodu böldüğü birimlerdir. Daha geniş bir pencere, sisteme talimatlar, program dosyaları, belgeler ve önceki konuşmalar için daha fazla alan sağlar.

Qwen3-Coder yerel olarak 256.000 tokenı destekliyor. Ekstrapolasyon yöntemleri bu kapasiteyi 1 milyon tokene, yani yerel pencerenin yaklaşık dört katına çıkarıyor. Geliştiriciler için hedeflenen fayda, bir oturumda büyük bir projenin daha fazlasını, yazılımın farklı bölümlerini birbirine bağlayan bağımlılıklar dâhil, çalışma alanına sığdırabilmek.

Modelin eğitimi nasıl yapıldı?

Alibaba, Qwen3-Coder’ı 7,5 trilyon tokenla ön eğitime tabi tuttu; bu verilerin yüzde 70’ini kod oluşturdu. Programlamaya verilen ağırlık, talimatları yorumlamak ve sorunları çözmek için gereken genel akıl yürütme yeteneklerini korurken kodlama becerilerini geliştirmeyi amaçlıyordu.

Önceki Qwen modelleri de eğitim verilerinin iyileştirilmesine katkı sağladı. Alibaba, yeni modele daha güvenilir öğrenme materyalleri sunmayı hedefleyerek gürültülü veri kümelerini temizlemek ve yeniden yazmak için bu modellerden yararlandı. Şirket ayrıca büyük projeleri ve karmaşık bağımlılıkları işleyebilmesi için modeli uzun bağlamlara göre optimize etti.

Reklam

Ön eğitimin ardından Alibaba, geri bildirimin modelin tercihlerini iyileştirmesine yardımcı olduğu bir süreç olan pekiştirmeli öğrenmeden yararlandı. Agent RL adı verilen uzun vadeli yaklaşım, tek bir yanıt yerine birden fazla etkileşim ve araç kullanımı gerektiren görevlere odaklandı.

Alibaba, Alibaba Cloud üzerinde aynı anda 20.000 bağımsız ortamı çalıştırabilen bir eğitim sistemi kurdu. Bu ortamlar, pekiştirmeli öğrenme için büyük ölçekte geri bildirim sağladı ve modelin bir dizi eylem boyunca görevleri tamamlamayı denemesine olanak tanıdı.

Eğitim yaklaşımı, makul görünen bir yanıt yazmakla bir mühendislik işini tamamlamak arasındaki farkı yansıtıyor. Uzun bir görevi yürüten model, önceki kararları sonraki sonuçlarla ilişkilendirmek zorunda. Alibaba’nın veri kalitesi, bağlam uzunluğu ve Agent RL üzerindeki çalışmaları bu yetenekleri bir araya getirmeyi hedefledi.

Kod önermekten iş akışını yürütmeye

Qwen3-Coder; üst düzey talimatlardan kod üretip düzeltmek, Git veya tarayıcı gibi araçlarla etkileşim kurmak, birkaç adımdan oluşan iş akışları planlamak ve kod tabanlarının tamamında hata ayıklamak ya da optimizasyon yapmak üzere tasarlandı. Alibaba, bu yetenekleri ajan tabanlı kodlama başlığı altında topluyor.

Geleneksel bir kodlama asistanı, kişi her adımı yönlendirirken bir işlev önerebilir veya bir satırı tamamlayabilir. Ajan tabanlı sistem ise hedefi yorumlama, araç seçme, sonucu inceleme ve sonraki adımı daha az insan müdahalesiyle belirleme gibi sürecin daha büyük bölümünü üstleniyor.

Yazılım değişikliklerini yönetmek için kullanılan Git ve tarayıcı erişimi, böyle bir sisteme geliştirme ortamıyla etkileşim kurma olanağı sunuyor. Modelin bağlamı ve bağımlılıkları anlaması, istenen değişikliği projenin diğer bölümleriyle ilişkilendirmesine yardımcı oluyor.

Geliştiriciler için hedeflenen fayda, tekrarlayan işlere daha az zaman ayırıp sorun çözmeye ve sistem tasarımına daha fazla vakit ayırabilmek. Aynı yaklaşım, aksi hâlde bir kişinin kodlama asistanına çok sayıda ayrı talimatla yol göstermesini gerektirecek karmaşık görevlere de yardımcı olmayı amaçlıyor.

Alibaba, Qwen3-Coder’ı programcıların yazılımı düzenleyip yönettiği tümleşik geliştirme ortamlarına (IDE) benzer ortamlarda çalışacak şekilde de tasarladı. Araçları, yalnızca metin üretmenin ötesinde bir iş akışı sağlayan yerleşik bir tarayıcı içeriyor.

Reklam

Qwen Code modeli geliştirici araçlarına taşıyor

Alibaba, açık kaynaklı Gemini Code projesinden uyarlanan bir komut satırı arayüzü olan Qwen Code’u yayımladı. Genellikle CLI olarak adlandırılan komut satırı arayüzü, kullanıcının terminalde yazılı komutlarla çalışmasını sağlar. Qwen Code, geliştiricilerin mühendislik görevlerini doğal dille devretmesine olanak tanıyor.

Araç, ajan tabanlı kodlama için optimize edildi ve modelin yeteneklerini günlük geliştirme iş akışlarıyla birleştiriyor. Claude Code ile uyumluluk da popüler geliştirici ortamları ve arayüzlerine verilen desteğin yanı sıra bu sürümün bir parçası.

Qwen Code ile Qwen3-Coder farklı roller üstleniyor. Kodlama ve akıl yürütme yeteneklerini model sağlarken arayüz, geliştiricilere bu yetenekleri çalışmaları içinde yönlendirme olanağı veriyor. İkisi birlikte, kapsamlı bir isteği yararlı mühendislik adımları dizisine dönüştürmeyi amaçlıyor.

Bu birleşim, Alibaba’nın rekabet konumu açısından önem taşıyor. Yetenekli bir modelin, geliştiricilerin hâlihazırda çalıştığı ortamlara pratik bir yoldan ulaşması gerekiyor. Beraberinde bir araç sunulması, kullanıcılara yalnızca tek seferlik kod üretimine bağlı kalmadan daha uzun iş akışlarını deneme olanağı veriyor.

Kıyaslama sonuçları nasıl karşılaştırılıyor?

Alibaba, Qwen3-Coder’ın DeepSeek ve Moonshot AI’ın K2’si dâhil yerli rakiplerini geride bıraktığını; önemli kodlama görevlerinde Anthropic’in Claude Sonnet 4’ü ve OpenAI’nin GPT-4’ü gibi önde gelen ABD modelleriyle eşit düzeyde olduğunu belirtiyor. Öne çıkardığı kanıtlar arasında, yapay zekâ sistemlerinin gerçek yazılım sorunlarını ne ölçüde düzeltebildiğini ölçen SWE-Bench Verified sonuçları da yer alıyor.

Paylaşılan SWE-Bench sonuçlarında Qwen3-Coder, 500 turda yüzde 69,6; açıklanan bir diğer sonuçtaysa yüzde 67,0 puan alıyor. Claude Sonnet 4 için karşılık gelen puanlar yüzde 70,4 ve yüzde 68,0. Aradaki farklar sırasıyla 0,8 ve 1,0 yüzde puanı; bu karşılaştırmalarda Qwen3-Coder, Claude’a yakın bir sonuç veriyor.

Tur, bir etkileşimin adımlarından biridir. Yüzlerce tura izin verilmesi, ajana bir sorun üzerinde çalışmayı sürdürme olanağı tanır ve kıyaslama sonucunu Alibaba’nın uzun süreli araç kullanımı ve düzeltme odağıyla ilişkilendirir.

Reklam

Alibaba, modelin en yeni teknoloji ürünü sonuçlara ulaştığını ve daha az etkin parametre kullanıp daha verimli çalışırken Claude Sonnet 4’le neredeyse eşit performans gösterdiğini söylüyor. Açık kaynaklı bir alternatifi değerlendiren kuruluşlar için modelin çekiciliği; rekabetçi kodlama sonuçlarını, esnekliği ve olası maliyet tasarruflarını bir araya getirmesinde yatıyor.

Buradaki sayısal karşılaştırma Qwen3-Coder ile Claude Sonnet 4 arasındadır. Alibaba’nın daha geniş performans iddiası, Çinli rakiplere yönelik iddialarının yanı sıra GPT-4’ü de kapsıyor. Kıyaslama verileri, lansman sırasında açıklanan sonuçlarda Claude’la aradaki küçük farkı somut biçimde ortaya koyuyor.

FP8 dağıtım maliyetlerini düşürmek için başka bir seçenek sunuyor

Alibaba, Qwen3-Coder’ın nicemlenmiş bir FP8 sürümünü de yayımladı. FP8, model değerlerini depolamak için sekiz bit kullanan kayan noktalı sayılardan yararlanıyor ve bu değerlerin temsil edilmesi için gereken alanı azaltıyor. Nicemleme, kaynak gereksinimlerini düşürmek amacıyla bu değerleri daha düşük sayısal hassasiyetle temsil etme işlemidir.

FP8 sürümü, bellek ve işlem gücü gereksinimlerini azaltmayı; böylece daha küçük donanımlarda çalıştırmayı veya bulutta daha verimli kullanımı mümkün kılmayı hedefliyor. Bu da şirketlere model performansı ile işletim maliyetlerini dengeleme konusunda başka bir seçenek sunuyor.

MoE mimarisi ile FP8 sürümü verimlilik sorununu farklı biçimlerde ele alıyor. MoE, işlem sırasında modelin etkinleştirilen bölümünü sınırlandırırken FP8, model değerlerinin temsil edilmesi için kullanılan kaynakları azaltıyor. Her ikisi de büyük bir kodlama modelini çalıştırmayı daha pratik hâle getirme çabasının parçası.

Alibaba, performans ile daha düşük dağıtım maliyetlerini dengeleyen ek Qwen3-Coder çeşitleri de planlıyor. Bu çeşitler veya şirketin kendi kendini geliştirebilen yapay zekâ ajanlarına yönelik araştırmaları için herhangi bir çıkış tarihi açıklanmadı.

Açık erişim, mevcut geliştirici kitlesiyle buluşuyor

Qwen3-Coder, ticari ve ticari olmayan kullanıma izin veren esnek Apache 2.0 lisansı altında sunuluyor. Alibaba’nın modeli açık biçimde yayımlama kararı, geliştiricilere uyarlayıp kullanıma alabilecekleri bir modele erişim sağlarken programlama topluluğunda iş birliğini ve şeffaflığı da destekliyor.

Geliştiriciler modele ve ilgili araçlara Qwen GitHub depoları, Qwen Hugging Face koleksiyonu ve Alibaba’nın Model Studio platformu üzerinden erişebiliyor. Bu kanallar, şirketin kendi bulut hizmetlerinin yanında da erişim olanağı sunuyor.

Reklam

Alibaba, Qwen3-Coder’ı yapay zekâ kodlama asistanı Tongyi Lingma’ya da entegre etti. Tongyi Lingma, Haziran 2024’teki lansmanından bu yana 3 milyardan fazla satır kod üretti; Qwen tabanlı kodlama modelleriyse dünya genelinde 20 milyondan fazla indirmeye ulaştı.

Bu rakamlar, Alibaba’nın kodlama ekosisteminin farklı yönlerini anlatıyor: Tongyi Lingma için üretilen satır sayısını, Qwen tabanlı kodlama modelleri içinse indirme sayısını. Veriler, Alibaba’nın en yeni modelini tanıttığı mevcut kullanıcı kitlesinin büyüklüğünü gösteriyor.

  • Haziran 2024: Tongyi Lingma kullanıma sunuldu; Alibaba, asistanın 3 milyardan fazla satır kod ürettiği dönemin bu tarihte başladığını belirtiyor.
  • 24 Temmuz 2025: Qwen3-Coder’ın lansmanı, amiral gemisi modeli, Qwen Code’u ve FP8 sürümünü Alibaba’nın büyüyen kodlama ekosistemine kazandırdı.

Rekabet, güven ve şirketlerin karşı karşıya olduğu tercihler

Alibaba’nın lansmanı, Çinli ve ABD’li teknoloji şirketleri arasındaki rekabetin yoğunlaştığı bir döneme denk geliyor. ABD’nin yapay zekâ ekosisteminin paylaşımına ve çip ihracatına getirdiği kısıtlamalar, Çinli şirketlerin yerli yapay zekâ yeteneklerine yatırım yaptığı ortamın bir parçası.

Bu yatırımlar, temel modelleri ve gelişmiş GPU donanımlarını kapsıyor. GPU’lar, yapay zekâ için gereken yoğun hesaplamalarda kullanılan işlemcilerdir. Yerli model ve bilgi işlem altyapısı bileşimi kurmak, Çinli şirketlerin konumlarını güçlendirme çabalarının bir parçası.

Daha yetenekli açık kaynaklı alternatifler, özellikle Asya-Pasifik pazarlarında yapay zekâ maliyetlerini düşürebilir ve Çin modellerinin benimsenmesini teşvik edebilir. Qwen3-Coder’ı değerlendiren bir şirket için bu olasılık; lisansın sağladığı esneklik, kodlama performansı ve modeli çalıştırmak için gereken kaynaklarla birlikte ele alınıyor.

Fikrî mülkiyetin korunması, veri güvenliği ve mevzuata uyum, Batı pazarlarında daha geniş çaplı benimsenmenin önünde engel olmaya devam ediyor. Şirketler, bir kodlama sisteminin teknik yeteneklerinin yanı sıra yazılımları koruma ve bilgileri işleme gereksinimlerine nasıl uyduğunu da değerlendirmeli.

Egemen yapay zekânın yükselişi de bir başka etken. Bu terim, özellikle bir kuruluşun faaliyetlerinin merkezindeki uygulamalarda yerel olarak desteklenen yapay zekâ sistemlerini tercih etme eğilimini tanımlıyor. Bu nedenle güven ve ulusal politikalar, performansları artsa bile yabancı modellerin küresel ölçekte yayılmasını sınırlayabilir.

Daha fazla özerklik neleri değiştirebilir?

Qwen3-Coder, yazılım geliştirmedeki birkaç değişimi bir araya getiriyor: daha geniş çalışma bağlamları, araç kullanan ajanlar, daha verimli model mimarileri ve gelişmiş kodlama yeteneklerine açık erişim. Alibaba’nın lansmanı, bu fikirleri yalnızca bir kıyaslama sonucu olarak değil, model ve beraberindeki araçlar aracılığıyla kullanıma sunuyor.

Şirketler açısından hedeflenen kazanımlar arasında daha yüksek verimlilik, elle kodlamaya daha az ihtiyaç duyulması ve yazılım geliştirmenin daha fazla aşamasının otomasyonu yer alıyor. Açık kaynaklı modellerin iyileşen kıyaslama sonuçları, teknoloji yöneticilerine yenilik ve maliyet tasarrufu arayışlarında daha fazla seçenek sağlıyor.

Reklam

Ajan tabanlı kodlama geliştikçe, programlama uzmanlığı olmayan kişiler de doğal dilde talimatlar vererek özel yazılımlar oluşturmak için daha fazla olanağa kavuşabilir. Bu, geleceğe dönük bir değişim; mevcut lansmansa geliştiricilerin daha uzun iş akışları üzerinden kod üretmesine, düzenlemesine ve yönetmesine yardımcı olmayı hedefliyor.

Alibaba’nın sonraki araştırma yönleri arasında farklı boyutlarda modeller ve kendi kendini geliştirebilen ajanlar bulunuyor. Şimdilik Qwen3-Coder’ın somut katkısı; büyük bir mimariyi seçici etkinleştirme, genişletilmiş bağlam ve görevleri birkaç adımda yürütecek araçlarla birleştiren, açık erişimli bir kodlama modeli sunması.

Öne Çıkanlar

  • Alibaba, başını 480 milyar parametreye ve aynı anda etkinleşen 35 milyar parametreye sahip Qwen3-Coder-480B-A35B-Instruct’ın çektiği Qwen3-Coder’ı yayımladı.
  • Yerel bağlam penceresi 256.000 tokenı destekliyor ve ekstrapolasyon yöntemleriyle 1 milyon tokene çıkarılabiliyor.
  • Model, 7,5 trilyon tokenla ve bunların yüzde 70’ini kod oluşturacak şekilde eğitildi; ardından 20.000 paralel ortamdan yararlanan pekiştirmeli öğrenme uygulandı.
  • Açıklanan yüzde 69,6 ve yüzde 67,0 SWE-Bench puanları, Claude Sonnet 4’ün yüzde 70,4 ve yüzde 68,0 puanlarına yakın.
  • Qwen Code doğal dilde talimatları desteklerken FP8 modeli daha düşük bellek ve işlem gücü gereksinimlerini hedefliyor.
  • Apache 2.0 lisansı altındaki sürüm ticari ve ticari olmayan kullanıma izin veriyor; modele GitHub, Hugging Face ve Model Studio üzerinden erişilebiliyor.
  • Alibaba daha fazla model çeşidi ve kendi kendini geliştiren ajanlar üzerine araştırma planlıyor; maliyet, veri koruma ve ulusal politikalar benimsenme sürecinde etkili olmaya devam ediyor.
Bu haberi paylaş

Bunlar da ilginizi çekebilir