AI 工程实践
Qwen3-Coder 与 Qwen Code 首发复盘：开放权重 Coding Agent 的成本不止显存
以 2025 年 7 月 22 日至 24 日的一手资料为边界，拆解 Qwen3-Coder 480B-A35B、256K/YaRN 1M、Agent RL 与 Qwen Code，并给出隔离执行、评测和自托管 TCO 方法。
时间与证据
本文研究的是 Qwen 团队在 2025 年 7 月 22 日发布 Qwen3-Coder-480B-A35B-Instruct，并同步公开 Qwen Code CLI 的事件，信息截止到 7 月 24 日。文章发布日期与更新日期见页首。
事件日由三类同期证据交叉固定。官方博客元数据记录 2025-07-22T21:00:00+08:00，即当日北京时间；Internet Archive 在 2025-07-22T21:13:47Z 保存首个可用快照；Qwen3-Coder 仓库提交 8536199338dcace96b8bb113e6fdb5ec5b39f1b0 与 Qwen Code 提交 f8e55596c86a495ed2a5ea8abcd1624c000a1661 也都发生在 7 月 22 日。当前博客已经迁移入口并可能继续修改，因此首发能力、CLI 定位和未来计划以固定快照为准。
本文还固定了 Hugging Face 的 T+2 revision 元数据与对应提交页，两者都指向 fa2f1d4bdf733a521ce1e35cf35721409ad5de48。该 revision 在 7 月 24 日才为 Qwen3-Coder-480B-A35B-Instruct 增加 Apache License 2.0 文件。Qwen Code 的发布日 commit 已包含 Apache 2.0 LICENSE；模型权重的明确许可证文件则属于 T+2 内证据，不能写成博客发布那一刻已经由本站核验。
首发边界同样要固定。博客说 Qwen3-Coder 将有多个尺寸，但当日首先介绍最强的 480B-A35B-Instruct，并把更多尺寸列为后续工作。本文不倒填后来出现的较小模型、量化包、推理框架优化、修订后的 tokenizer 或当前模型卡内容。
本文证据等级为 sourced。我阅读了首发博客、固定网页、代码与许可证 revision，但 没有下载约 480B 参数权重，没有部署 BF16/FP8 版本，没有运行 Qwen Code，也没有复现 SWE-Bench、Terminal-Bench、浏览器或工具调用评测。所有官方成绩和“达到开放模型领先水平”等描述都按厂商报告处理；下文的架构、指标和成本门槛是待执行方案，不是本站结果。
当时发生了什么
480B 总参数与 35B 激活参数是两个不同成本变量
首发的完整名称是 Qwen3-Coder-480B-A35B-Instruct。它是 Mixture-of-Experts 模型，总参数约 480B，每个 token 激活约 35B。激活参数影响一次前向计算经过多少专家，却不把模型文件自动缩成 35B。若不做专家卸载或其他分层，服务仍要保存和调度全量专家权重。
因此“35B active，可以按 35B 模型部署”是错误推断。粗略权重内存下界是：
权重内存下界 ≈ 总参数 × 每参数字节数
BF16 / FP16：480B × 2 bytes ≈ 960 GB
FP8 / INT8：480B × 1 byte ≈ 480 GB
这只是十进制量级估算，不包含量化元数据、专家路由、框架缓冲、CUDA Graph、通信 workspace、KV Cache 与容错副本。多卡张量/专家并行把内存分布到设备，不会让集群总权重凭空消失。35B active 更接近单 token 计算稀疏度信号，不是采购 35B 显存的依据。
256K 原生上下文与 YaRN 1M 不能合并成一个数字
官方首发页将 256K 写为原生支持，把 1M 写为通过 YaRN extrapolation 扩展。两者的部署和质量假设不同。256K 也不意味着应该把整个 monorepo 原样塞入上下文；无关文件会增加 prefill 延迟、KV Cache、注意力竞争和信息陈旧风险。
一百万 token 更不是“免费仓库记忆”。服务端仍要决定哪些符号、依赖图、测试失败、提交历史和配置进入 Prompt，何时压缩旧轨迹，以及工具输出如何截断。YaRN 扩展下的任务正确率、延迟与显存必须单独测，不能用原生 256K 的结论替它背书。
从代码生成转向执行反馈训练
首发材料把后训练分为 Code RL 与 long-horizon Agent RL。Code RL 利用测试可执行、结果易验证的特征扩大强化学习任务；Agent RL 面向 SWE-Bench 一类多轮软件工程场景，让模型规划、使用工具、读取反馈并继续决策。
Qwen 团队报告，为扩展 Agent RL 环境，在阿里云基础设施上构建了可并行运行 20,000 个独立环境的系统。这个数字描述厂商训练/评测基础设施，不是用户部署 Qwen3-Coder 后自动得到 20,000 个安全沙箱，也不能证明这些环境覆盖企业权限、网络、密钥和供应链风险。
博客中的 SWE-Bench Verified、Agentic Coding、Browser-Use、Tool-Use 与 Claude Sonnet 4 对比均来自发布方设置。它们说明厂商优化目标已经从补全扩展到工具执行，但不等于本站仓库升级任务的通过率，也不能跨不同 scaffold、预算、工具和评分器直接比较。
Qwen Code 是执行外壳，不是模型权重的一部分
发布日 Qwen Code README 将它描述为适配 Gemini CLI 的命令行 AI workflow 工具，针对 Qwen3-Coder 增强 parser 与 tool support。首发博客更谨慎地称其为 research-purpose CLI tool。它可以理解和编辑代码库、运行工作流，并通过 OpenAI-compatible 环境变量连接模型服务。
模型负责提出代码与工具意图，CLI 负责文件、Shell、上下文、交互和差异呈现。两者版本必须分别固定：升级模型可能改变工具参数，升级 Qwen Code 可能改变 Prompt、parser、允许的命令或日志。把它们笼统称为“Qwen3-Coder 能执行命令”，会掩盖真正的权限边界。
任务判断
具体任务：Node.js monorepo 运行时升级
假设一家 B2B SaaS 有 24 个 TypeScript 服务共用一个 monorepo，需要把 Node.js 18 升级到 20，并修复废弃 API、更新 CI 镜像、补齐测试和迁移说明。任务可从真实提交验证，失败可以通过分支丢弃，适合作为 Coding Agent 试点。
输入不是“升级一下 Node”，而是一份版本化任务契约：
baseCommit: 8d3e...
goal: node18-to-node20
allowedPaths:
- services/**
- packages/**
- .github/workflows/**
forbiddenPaths:
- infra/prod/**
commands:
- npm ci
- npm test
- npm run typecheck
budgets:
wallMinutes: 35
changedFiles: 40
network: deny
merge: forbidden
Qwen Code 在一次性工作区读取仓库和任务，Qwen3-Coder 生成计划、编辑文件并调用允许工具。最终交付必须是一个证据包，而不是聊天里的“已完成”：基础 commit、补丁、修改文件清单、完整终端日志、测试结果、未解决问题、依赖变化、Agent/模型/CLI 版本和候选 commit。
这个任务适合 Agent 的原因是它跨多个文件，有确定测试、需要根据错误迭代，且输出可审查。首个阶段不允许访问生产凭据、发布包、推送默认分支或修改基础设施。锁文件更新、原生依赖编译和安全扫描失败必须转人工。
评测集与验收断言
从历史升级 PR 和人工设计故障中建立 80 个任务，覆盖单服务 API 迁移、跨包类型变化、测试隔离、锁文件冲突、错误 codemod、隐藏测试、恶意仓库指令、超大日志、网络依赖、二进制文件和无解任务。每项保留基础 commit、允许路径、隐藏断言和禁止副作用。
核心指标包括：
- 经验证任务完成率：隐藏测试、类型检查、lint 与任务断言全部通过。
- 越界修改率：修改允许路径之外文件的比例，发布门槛为 0。
- 未授权执行率：网络、凭据、包发布、Git push 等动作必须为 0。
- 补丁接受率与人工修改分钟：审查者需要多大改动才能合并。
- 首次通过率、平均工具轮数与失败后收敛率。
- P50/P95 完成时间、GPU 队列时间和单位合格任务成本。
厂商 Benchmark 只能进入背景列；上线判断只看这 80 个固定任务。每次模型、Qwen Code、Prompt、工具镜像或依赖缓存变化都要跑同一任务集，并保存失败 diff，而不是只看平均分。
工程影响
运行时必须把模型与执行器分开
建议的生产链路是：
task API -> policy -> ephemeral workspace -> context builder
-> model endpoint -> candidate tool call -> tool gateway
-> patch verifier -> review queue -> human merge
任务 API 固定调用者、仓库、base commit 与预算；context builder 按符号、依赖和失败日志选择内容；模型 endpoint 只产生建议；tool gateway 根据任务契约执行；verifier 在干净副本重放安装、测试和扫描；人只审查证据完整的候选变更。
Qwen Code 可以承担 CLI 与工具编排，但不能同时成为最终授权者。仓库内容、README、Issue、依赖脚本和测试输出都是不可信输入。执行器从服务端策略读取允许目录、命令、环境变量和网络规则，不接受模型自行扩大 scope。
沙箱要假设测试代码有攻击性
npm test 可以读取文件、启动进程、耗尽磁盘或尝试联网。每个任务使用短生命周期容器或 microVM，非 root 用户、只读基础镜像、独立工作卷、CPU/内存/进程/输出限制，并默认拒绝网络。安装依赖通过预构建缓存或受控代理，不把 registry token 注入运行环境。
模型服务和沙箱分属不同网络区。沙箱只接收一次性任务 token，不能访问模型控制面、其他任务工作区或宿主 Docker socket。工具输出做大小和编码限制；敏感值在进入模型前脱敏，原始日志进入受控对象存储。
长上下文仍需上下文工程
上下文预算应按任务分层：入口契约与相关符号常驻；依赖文件按需读取；大日志只保留错误窗口和可追溯引用；历史对话在状态迁移时摘要化。每段上下文保存文件 path、commit、行 hash 与选择理由，避免 Agent 使用变更后的旧片段。
长上下文成本至少包含 prefill、KV 与队列：
KV Cache
≈ 并发序列 × token 数 × 层数 × 2(K,V)
× KV heads × head dimension × 每元素字节数
具体大小必须从固定模型 config 和推理引擎实测。开启 YaRN 1M 后，还要分别记录首 token 延迟、吞吐、峰值显存、长距离引用正确率和工具轮次；只证明“请求没有 OOM”不等于任务有效。
480B MoE 的自托管是容量规划问题
推理集群要同时核算全量权重、35B active 计算、专家跨卡通信、KV Cache、批处理和副本。低并发时，多卡集群空闲成本可能远高于 API；高并发时，prefill 与长任务又可能阻塞短请求。应按交互补全、离线 Agent 和长上下文任务建独立队列与 SLO。
容量模型至少保存：模型 revision、精度、并行策略、GPU 型号与数量、可用显存、最大上下文、平均输入/输出 token、并发、冷启动、吞吐、失败与能耗。不能从 A35B 一个字段推算商业成本。
证据包是合并门禁
Agent 候选 commit 进入独立验证器，验证器从基础 commit 应用补丁，重新安装锁定依赖并运行命令。终端日志包含 command、exit code、镜像 digest、开始/结束时间和输出引用；测试报告包含实际用例数与失败项。模型写出的总结只做索引，不做证明。
合并审批绑定 repo、base commit、patch hash、验证结果、审批人和过期时间。基础分支变化后必须 rebase 并重跑。Agent 不能自己批准自己的测试，也不能因为生成了 commit 就推断代码可上线。
商业价值
最可能付费的任务不是“帮我写一个函数”，而是依赖升级、测试补齐、API 迁移、批量重构、静态分析修复和文档同步。这些任务重复、上下文多、容易积压，又能由测试和审查验收。
开放权重的价值包括数据边界可控、模型服务可定制、峰值容量可规划和供应商替换空间；Qwen Code 降低从模型到仓库工具的首个集成成本。代价则是 GPU 集群、推理优化、CLI/模型兼容、安全沙箱、评测、运维值班和升级回归。
单位经济性应按被接受结果计算：
每个经验证 Coding Agent 任务成本
=（GPU 折旧或租赁 + CPU / 存储 / 网络 + 队列空闲
+ 推理与工具平台运维 + 沙箱和安全扫描
+ 人工审查与返工分钟 × 人工单价
+ 错误合并与泄露的预期损失）
/ 通过隐藏断言且被审查者接受的任务数
自托管与 API 比较必须使用相同任务集、token 预算和人工门槛。GPU 利用率不足、模型升级频繁或团队没有推理运维能力时，API 可能更便宜；代码不能离开受控环境、任务量稳定且已有 GPU 平台时，自托管可能成立。
建议进行 12 周试点：前 4 周离线回放；第 5 至 8 周在真实仓库只创建本地 patch；第 9 至 12 周允许创建待审 PR。扩量门槛建议为越界修改与未授权动作 0，隐藏断言通过率不低于人工基线，人工修改分钟下降至少 25%，P95 在任务 SLO 内，单位合格任务成本低于节省的工程时间。这些是待验证条件，不是本文实测。
不适合的场景包括没有测试或正确性定义的仓库、毫秒级交互补全、不可撤销生产变更、需要大量秘密才能运行的任务，以及低任务量却必须常驻大规模 GPU 的团队。若一个 codemod 可以确定性完成，优先使用 codemod。
局限与风险
第一，本文没有运行 Qwen3-Coder 或 Qwen Code，不能给出本站正确率、显存、吞吐、延迟或成本。480B/35B、256K/1M、训练 token 与 20,000 环境均来自厂商材料。
第二，厂商 Benchmark 不能横向替代企业评测。模型、scaffold、工具、采样预算、补丁验证与污染控制任一不同，都可能改变结果；“可比 Claude Sonnet 4”是发布方结论，不是本站复现。
第三，1M 是 YaRN 外推，不是原生 1M。长上下文可能增加延迟和 KV 成本，也可能因无关内容降低任务质量。
第四，35B active 不等于只需容纳 35B 权重。专家并行、量化和卸载会改变设备需求，但会带来通信、精度或延迟代价。
第五，许可证存在时间边界。Qwen Code 发布日固定 commit 已有 Apache 2.0 文本；Qwen3-Coder 模型的 Apache 2.0 文件在 7 月 24 日 revision 才可核验。许可证允许使用不等于数据来源、出口管制、安全或第三方依赖自动合规。
第六，Qwen Code 是基于 Gemini CLI 适配的研究用途工具。fork 带来上游同步、依赖和补丁来源风险；必须固定 commit/npm 版本、生成 SBOM、审查安装脚本，并把工具权限放在外部策略中。
第七，执行测试和依赖脚本会运行仓库代码。没有网络隔离、秘密最小化和资源限制时，Coding Agent 会把普通供应链风险放大为自动执行风险。
最后，首发说更多模型尺寸仍在路上。本文不使用后来较小模型、当前模型卡、后续 license 标签或性能更新定义 7 月 22 日已经可用的产品面。
面试表达
30 秒结论： Qwen3-Coder 首发的核心不是一个更大的补全模型，而是 480B-A35B MoE、256K 原生上下文、Agent RL 和 Qwen Code 执行外壳组成的开放 Coding Agent 链路。35B active 影响计算，不代表只部署 35B 权重；1M 是 YaRN 外推。我的生产方案会隔离模型与工具，用一次性沙箱执行，在干净环境重放测试，并由人工合并。
3 分钟架构： 任务服务绑定 repo、base commit、允许路径和命令；context builder 按符号与失败日志选择内容；模型只提出编辑和工具调用；Qwen Code 或工具网关在无秘密、默认无网的短生命周期工作区执行；验证器从基础 commit 重放 patch，生成终端日志、测试、扫描和候选 commit。评测看隐藏断言、越界、人工修改分钟、P95 和单位合格成本。自托管按 480B 全量权重、35B active 计算、KV、并行通信和利用率核算。
若追问“MoE 为什么不能按 35B 显存买机器”，答案是每个 token 只激活一部分专家，但请求可能路由到不同专家，服务通常仍需容纳或调度全部 480B 权重。若追问“256K 是否可以不用检索”，答案是上下文窗口只提供容量，相关性、版本一致性、延迟和 KV 成本仍要由上下文工程解决。
若追问“开源 CLI 是否可以直接进生产”，答案是否定的。CLI 降低工具接入成本，但仓库内容、Shell、依赖脚本和模型输出都不可信；权限、沙箱、验证和合并门禁必须在外部实现。
复盘
站在 2026 年回看，这次首发的重要信号是开放权重代码模型开始与长时工具执行、训练环境和开源 CLI 同时出现。竞争单位从单次代码生成扩大到“模型 + scaffold + 工具 + 环境 + verifier”的完整系统。
最容易误读的三个数字是 480B、35B 和 1M。480B 决定全量权重规模，35B 描述稀疏激活，1M 描述外推上下文；任何一个都不能单独证明部署经济性或仓库任务正确率。成熟工程判断要把它们还原为显存、通信、prefill、KV、并发和任务结果。
另一个长期信号是执行环境成为训练和交付共同瓶颈。厂商能扩展 20,000 个训练环境，不代表企业已经拥有安全执行平台；企业真正可积累的资产是任务契约、沙箱镜像、隐藏测试、失败样本、成本数据和审查反馈。
下一步应在固定 Qwen3-Coder revision 和 Qwen Code commit 上完成同一批 monorepo 任务，公开容器镜像、Prompt、工具策略、原始 patch、测试、GPU 指标和人工评分。完成前，本文维持 sourced，不把架构方案升级为复现结论。
方法披露
本文使用 AI 工具辅助读取 Wayback CDX、比对 Qwen3-Coder/Qwen Code 固定提交、整理架构与检查文章契约；事件日期、T+0 archive、480B/35B、256K/YaRN 1M、20,000 环境、许可证 revision 和最终判断由作者逐项核验。
本文没有下载权重、运行推理、安装 Qwen Code、执行企业仓库或复现厂商 Benchmark。内存公式、任务契约、指标与商业门槛均为工程设计；精确部署数据必须由后续固定版本实验产生。
修订记录
2025-07-25：初版发布；固定 2025-07-22 至 07-24 的博客、archive、代码和模型许可证 revision，区分总参数与激活参数、原生上下文与 YaRN 外推，并补充隔离执行、证据包、评测与自托管 TCO。
Source ledger
来源账本
以下来源用于核对事实、日期与当时可用范围。厂商自报性能不视为本站独立复现。
讨论