阿里巴巴超稀疏編碼 AI 挑戰矽谷主導地位

阿里巴巴超稀疏編碼 AI 挑戰矽谷主導地位

中國科技巨頭阿里巴巴發布開源編碼模型 Qwen3-Coder-Next，效能足以與 OpenAI 和 Anthropic 的專有系統競爭，所需運算資源卻僅為後者的一小部分。這款 800 億參數模型採用超稀疏混合專家（Mixture-of-Experts）架構，每次前向傳播僅啟用 30 億個參數，讓開發者能在本機硬體上執行複雜的編碼代理，而不必承受大型語言模型通常伴隨的延遲與成本。這種做法代表 AI 工程經濟模式的根本轉變，證明強大的推理能力未必需要龐大的運算資源。

這項發布正值 AI 編碼助理市場競爭白熱化之際。Anthropic 最近宣布提升 Claude Code 的效率，OpenAI 推出 Codex 應用程式，OpenClaw 等開源框架也迅速獲得社群採用。阿里巴巴透過 Apache 2.0 授權的積極開源策略，以及挑戰「模型越大、效能越好」這項假設的架構創新，展現出獨特之處。模型權重已在 Hugging Face 提供多種版本，包括適用於不同部署情境的 FP8 和 GGUF 格式，並附有說明訓練方法與架構設計的技術報告。

獨立基準測試證實阿里巴巴對效率的主張。在不同硬體配置下進行的測試顯示，Qwen3-Coder-Next 每秒可生成 172 個 token，編碼任務的品質評分則達 9.9 分（滿分 10 分）。這項表現顯示，開發者選用本機開發工具時，不再需要在速度與準確度之間取捨。模型支援 370 種程式語言，較先前版本支援的 92 種大幅增加；原生上下文窗口為 256,000 個 token，並可透過外推技術擴展至 100 萬個 token。

混合架構如何突破記憶體瓶頸

傳統 Transformer 模型面臨一項稱為二次方擴展問題的關鍵限制。上下文窗口擴大時，標準注意力機制的運算成本會隨序列長度呈二次方成長，因此變得難以負荷。這形成記憶體瓶頸，使模型無法有效處理大型程式碼庫或長篇對話。Qwen3-Coder-Next 結合 Gated DeltaNet 與 Gated Attention，採用混合架構，從根本上重新思考語言模型如何處理長上下文中的資訊。

Gated DeltaNet 是傳統 softmax 注意力機制的線性複雜度替代方案。它讓模型能在長達 25 萬個 token 的窗口內維持狀態，避免長時程推理通常會造成的延遲劇增。搭配超稀疏 MoE 設計後，這套架構在儲存庫層級任務上的理論吞吐量，比總容量相近的稠密模型高出 10 倍。代理可以有效讀取整個 Python 函式庫或複雜的 JavaScript 框架，並以 30 億參數模型的速度作答，同時保有 800 億參數系統的結構理解能力。

為避免訓練期間出現上下文幻覺，開發團隊採用最佳適配打包（Best-Fit Packing）策略，在維持效率的同時，避免傳統文件串接方法常見的截斷錯誤。架構也納入多項穩定性最佳化，包括零中心化與權重衰減層正規化技術，確保預訓練與後訓練階段都能穩定運作。設計亦支援多 Token 預測（Multi-Token Prediction），可同時預測多個後續 token，而非逐一預測，藉此提升預訓練效能並加快推論速度。

以代理為先的訓練：超越靜態程式碼配對

過去，編碼模型主要透過靜態程式碼文字配對接受訓練，本質上是一種只能讀取的訓練方式，限制了模型與動態開發環境互動的能力。Qwen3-Coder-Next 打破這項傳統，透過大規模代理式訓練流程，產生 80 萬個源自真實情境且可驗證的編碼任務。這些任務並非簡單的程式碼片段，而是從 GitHub 拉取請求中挖掘出的實際錯誤修復案例，並搭配可完整執行的容器化環境。

名為 MegaFlow 的訓練基礎設施，是建構於阿里雲 Kubernetes 之上的雲端原生協調系統。每項代理式任務都依循三階段工作流程，涵蓋代理執行、評估與後處理。在執行階段，模型會與即時容器化環境互動；若產生的程式碼未通過單元測試或導致容器崩潰，就會立即收到回饋。這種閉環訓練讓系統能透過中期訓練的強化學習，從環境回饋中學習，進而學會排除故障並即時改進解決方案，而非只是記住正確答案。

訓練過程著重於儲存庫層級的理解，而非孤立分析個別檔案。中期訓練使用約 6,000 億個 token 的儲存庫層級資料；事實證明，對理解跨檔案依賴邏輯而言，這比單獨使用檔案層級資料集更有效。這種方法讓模型能理解程式碼庫不同元件之間的複雜關係，而這是處理大型軟體工程專案的關鍵能力。系統也針對特定領域納入專家模型，包括網頁開發與使用者體驗最佳化，之後再將其知識蒸餾回主模型，讓輕量部署版本保有細緻的專業知識。

基準測試表現足以比肩專有模型巨頭

在評估 AI 模型解決真實軟體問題能力的權威基準 SWE-Bench Verified 上，Qwen3-Coder-Next 得分達 70.6%。這項成績高於得分 70.2% 的 DeepSeek-V3.2，也與得分 74.2% 的 GLM-4.7 相距不遠。值得注意的是，阿里巴巴的模型僅啟用 30 億個參數，競爭系統啟用的參數量則大得多。在難度更高的 SWE-Bench Pro 基準測試中，該模型在多輪代理任務的長期推理方面尤其出色。

模型的能力不只限於產生可執行程式碼，也涵蓋安全意識開發。在評估模型修補漏洞能力的 SecCodeBench 測試中，Qwen3-Coder-Next 在程式碼生成情境下的表現勝過 Claude-Opus-4.5，得分為 61.2%，高於後者的 52.5%。值得注意的是，即使沒有提供安全提示，模型仍維持高分，顯示 80 萬項代理式訓練已讓模型內化常見安全風險。在多語言安全評估中，模型兼顧功能與安全程式碼生成的能力，並在 CWEval 基準測試中以 56.32% 的 func-sec@1 分數勝過 DeepSeek-V3.2 和 GLM-4.7。

除了編碼專項基準測試，底層的 Qwen3-Next 架構也展現出強大的通用推理能力。基礎模型的思考版在數學、常識邏輯推理等複雜推理任務上勝過競爭對手。在 BFCL-v3 和 TAU 等代理能力評估中，模型的工具使用與自主執行任務能力，足以比肩或超越規模更大的專有替代方案。

安全能力與爭議

儘管基準測試分數凸顯模型產生安全程式碼的能力，部分網路安全專家仍對採用在中國國家安全框架下開發的 AI 編碼工具所帶來的風險提出疑慮。Cybernews 總編輯 Jurgita Lapienyė 警告，西方開發者若廣泛採用這類工具，可能在不知情的情況下，將不易察覺的漏洞引入複雜程式碼庫。

開發者可能在毫無察覺的情況下走向一個未來：核心系統都是用含有漏洞的程式碼打造而成。

根據中國《國家情報法》，阿里巴巴等企業必須配合政府提出的資料與 AI 模型相關要求，因此可能出現模型生成的程式碼刻意隱藏弱點的情況。這類疑慮聚焦於類似 SolarWinds 事件的供應鏈攻擊途徑，當時攻擊者透過可信任的軟體更新長期滲透系統。批評者認為，能掃描整個程式碼庫並自行修改內容的自主編碼代理，理論上可能被用來了解系統防禦措施，並打造量身訂製的攻擊程式。風險不在於明顯的錯誤，而是那些細微且難以察覺、看似無害的設計決策，足以躲過標準程式碼審查。

開源模式的支持者指出，模型權重依 Apache 2.0 授權完全開放檢視，讓組織能在部署前稽核系統。然而，安全研究人員反駁，後端基礎設施、遙測系統與使用追蹤方法仍不透明，即使模型權重已公開也是如此。

Qwen Code 生態系與開發者整合

阿里巴巴在發布模型的同時，也將 Qwen Code 開源。這款命令列介面工具是從 Gemini Code 分支而來，並針對代理式編碼工作流程進行最佳化。開發者可透過自然語言指令，將工程任務交由 AI 處理；專門設計的提示詞與互動協定則可充分發揮 Qwen3-Coder-Next 的潛力。這套命令列工具可與 VS Code 擴充功能等常見開發環境整合，也能與 Cline 和 Claude Code 介面等既有社群工具順暢搭配。

模型支援一種新穎的 XML 風格工具呼叫格式，專為字串密集的參數設計，讓模型輸出長篇程式碼片段時，無須承擔 JSON 函式呼叫常見的巢狀引號與跳脫字元負擔。這項技術細節對實際部署相當重要，因為它能在模型生成大型程式碼區塊或與外部開發工具互動時，降低 token 消耗與解析複雜度。系統也採用新的分詞器，與 Qwen3 系列其他模型維持一致；開發者從早期版本遷移時，必須更新分詞流程。

雲端部署選項迅速增加。GroqCloud 現已支援 Qwen3 模型完整使用上下文窗口，定價為每百萬個輸入 token 0.29 美元、每百萬個輸出 token 0.59 美元，推論速度則超過每秒 535 個 token。阿里巴巴自家的 Model Studio 平台提供具成本效益的 API 存取服務。該公司表示，全球 Qwen 系列編碼模型的累計下載量已超過 2,000 萬次。阿里巴巴的整合式開發環境外掛 Tongyi Lingma 也即將升級，納入 Qwen3-Coder 改良後的代理能力，讓數百萬現有使用者有機會使用新功能。

全球競爭與主權 AI 考量

這項發布加劇全球 AI 編碼助理市場的競爭；中國企業正透過開源策略，日益挑戰美國的主導地位。阿里巴巴表示，Qwen3-Next 架構的效能可比肩旗艦模型 Qwen3-235B-A22B，訓練成本則降至上一代的十分之一。效率提升讓更多人能使用高效能 AI 工具，無須投入龐大基礎設施，有望加快新興市場與獨立開發者的採用速度。

然而，地緣政治緊張局勢使採用情況更加複雜。分析人士指出，受法規、信任與國家安全疑慮影響，美國與中國採用外國 AI 模型的情況都日益少見。主權 AI 的興起，意即各國傾向採用由本地基礎設施與雲端服務支援的模型；這顯示開源模型主要會在符合國家政策與企業風險門檻時，才更容易普及。Qwen3-Coder-Next 或許能加速阿里雲在亞太地區的擴張，但即使具備技術優勢，嚴格法規與安全疑慮仍可能限制西方市場的採用。

Omdia 首席分析師 Lian Jye Su 強調，無論技術表現如何，都必須進行全面的安全評估。

如果西方科技領導者因 Qwen3-Coder 等開源編碼模型在多項基準測試中的表現而感到興趣，我不會感到意外。智慧財產權保護與資料安全方面的疑慮當然合理，因此我鼓勵美國科技領導者對所有開源模型進行全面評估，不論其來源為何。

競爭態勢顯示，最終勝出的編碼助理未必來自專有的封閉原始碼開發，而可能是透過開放架構的協作改進而成，前提是能建立信任並完成安全驗證。

重點摘要

• 阿里巴巴的 Qwen3-Coder-Next 僅啟用 800 億總參數中的 30 億個，便在 SWE-Bench Verified 達到 70.6% 的準確率，表現足以與規模大得多的專有模型競爭。
• 結合 Gated DeltaNet 與 Gated Attention 的混合架構，可支援 256,000 個 token 的上下文窗口，並延伸至 100 萬個 token，同時維持線性運算複雜度。
• 透過 MegaFlow 基礎設施，在 80 萬項可驗證的真實任務上進行代理式訓練，使模型具備閉環學習能力，超越對靜態程式碼的死記硬背。
• 獨立基準測試證實，模型在消費級硬體上每秒可處理 172 個 token，證明其適用於本機開發工作流程。
• 安全評估顯示，模型修補漏洞的能力優於 Claude-Opus-4.5；但資料主權與潛在供應鏈風險等地緣政治疑慮，仍是西方企業採用的重大障礙。
• Apache 2.0 授權允許商業使用與檢視模型；模型權重已在 Hugging Face 上架，也提供 Qwen Code 命令列工具，方便開發者立即整合。