Qwen3-Coder：Claude Sonnet 4に挑戦、アリババ通義千問が最強のコードモデルをリリース

アリババクラウド通義千問チームは、コードおよびエージェントタスクに優れ、ネイティブで256Kの超長コンテキストをサポートし、Claude Sonnet 4に匹敵するパフォーマンスを持つ480BパラメータのMoEモデルであるQwen3-Coderを公式にリリースしました。この記事では、その技術的な詳細、トレーニングプロセス、および実用的なアプリケーションについて詳しく分析します。

コード大規模モデルアリーナにヘビー級プレイヤーが登場

つい最近、アリババクラウド通義千問チームは、これまでで最も強力な「エージェントコードモデル」であるQwen3-Coderを公式に発表し、大きな波紋を広げました。

このリリースのスター製品はQwen3-Coder-480B-A35B-Instructです。名前は複雑に見えるかもしれませんが、分解するとその驚くべき能力が明らかになります：

• これは4800億（480B）パラメータの混合エキスパート（MoE）モデルであり、350億（35B）のアクティブパラメータを持ち、パフォーマンスと効率の優れたバランスを実現しています。
• ネイティブで256Kトークンの超長コンテキストウィンドウをサポートし、外挿法によって1Mトークンまで拡張できます。これは、コードベース全体の複雑なタスクを簡単に処理できることを意味します。
• コード生成およびエージェントタスクにおけるパフォーマンスは業界のトップレベルに達しており、複数のベンチマークで強力なクローズドソースモデルClaude Sonnet 4に匹敵します。

モデル自体に加えて、チームはQwen Codeというコマンドラインツールもオープンソース化し、開発者がQwen3-Coderの可能性をよりスムーズに最大限に引き出すことができるようにしました。これは単なるコード生成ツールではなく、コードエージェントの未来への一歩です。

コードを書くだけでなく、「エージェントコーディング」の時代へ

「エージェントコーディング」とは一体何なのか、疑問に思うかもしれません。

簡単に言えば、モデルがもはや単なる受動的なコードジェネレーターではないことを意味します。それは、複数回の対話で計画を立て、ツールを使用し、フィードバックを受け取り、意思決定を行うことができる、ジュニアソフトウェアエンジニアのようなものです。複雑なソフトウェアエンジニアリングの問題に直面したとき、Qwen3-Coderは人間のようにタスクを分解し、コマンドを実行し、エラーを修正して、目標を達成することができます。

ベンチマークデータによると、Qwen3-Coderはいくつかの主要な分野でトップレベルの能力を発揮しています：

• エージェントコーディング： SWE-benchやAider-Polyglotなどのベンチマークでは、そのパフォーマンスはすべてのオープンソースモデルを上回っています。
• エージェントブラウザ使用： WebArenaテストでは、そのスコアはClaude Sonnet 4と同等です。
• エージェントツール使用： BFCL-V3やTAU-Benchなどのテストでも、トップクラスにランクインしています。

率直に言って、このデータはQwen3-Coderがオープンソースコミュニティで主導的な地位にあることを証明するだけでなく、Claude Sonnet 4やGPT-4.1のようなトップレベルのクローズドソースモデルに挑戦する十分な力を持っていることも示しています。

強力なパフォーマンスの裏側：Qwen3-Coderのトレーニングの秘密を解き明かす

このような強力な能力はどのようにして鍛えられたのでしょうか？それは、「事前トレーニング」と「事後トレーニング」の2つのフェーズに分かれた、綿密で壮大なトレーニング戦略の結果です。

事前トレーニングフェーズ：強固な基盤を築く

事前トレーニングフェーズでは、チームはモデルの強固な基盤を構築するために3つの次元でスケールアップしました：

1. 拡張トークン： モデルは7.5兆（7.5T）トークンでトレーニングされ、コード関連データが70％も占めています。これにより、コードドメインの深い理解を確保しつつ、強力な一般および数学的能力を維持します。
2. 拡張コンテキスト： 256Kの超長コンテキストのネイティブサポートと、それを1Mに拡張するYaRNテクノロジーにより、モデルは大規模なプロジェクトの分析やプルリクエストの処理など、リポジトリ規模のデータを処理できます。
3. 拡張合成データ： チームは、前世代のモデルであるQwen2.5-Coderを利用して、ノイズの多いデータをクリーンアップおよび書き換え、トレーニングデータの全体的な品質を大幅に向上させました。

事後トレーニングフェーズ：優秀から傑出への洗練

事前トレーニングが基礎を築くことであるとすれば、事後トレーニングは綿密な洗練です。

チームの核心的な哲学は、すべてのコードタスクが「実行駆動型大規模強化学習」による最適化に適しているということです。彼らはもはや従来のアルゴリズムコンテストの問題に限定されず、**コードRL（コード強化学習）**をより広範で、より現実的なプログラミングシナリオに拡張しました。

さらに重要なことに、彼らは長期的なRLまたはエージェントRLを導入しました。これは、SWE-Benchのような、複数ステップの長い連鎖的な相互作用を必要とする現実世界のソフトウェアエンジニアリングタスクを解決するためです。

ここでの最大の課題は「環境のスケーリング」です。モデルが大規模に学習できるようにするために、チームはアリババクラウドのインフラストラクチャを活用して、同時に20,000の独立した環境を実行できる強力なシステムを構築しました。このシステムは、モデルに大量のリアルタイムフィードバックを提供し、継続的な試行錯誤を通じて複雑な問題を計画し、解決する方法を学習させます。

この費用を惜しまない投資こそが、Qwen3-Coderがテスト時のスケーリングなしでも、SWE-Benchのような権威あるベンチマークでオープンソースモデルとして最高の結果を達成できる理由です。

すぐに始めるには？Qwen3-Coderでコーディング

これだけ話を聞いて、実際に体験するにはどうすればよいでしょうか？チームは、すぐに始められるようにいくつかのシームレスな方法を提供しています。

まず、Node.js（バージョン20以降）がインストールされていることを確認してください。

1. 公式Qwen Code CLIツールを使用する

これはQwen-Coderモデル専用に設計されたコマンドラインツールで、npm経由で迅速にインストールできます：

npm i -g @qwen-code/qwen-code

または、ソースコードからインストールすることもできます：

git clone https://github.com/QwenLM/qwen-code.git
cd qwen-code && npm install && npm install -g

Qwen CodeはOpenAI SDKをサポートしています。環境変数を設定するだけで、モデルの呼び出しを開始できます。

2. Claude Codeとの統合

Claude Codeエコシステムに慣れている場合は、バックエンドモデルをQwen3-Coderに切り替えることができます。

npm install -g @anthropic-ai/claude-code

次に、統合するには2つの方法があります：

• オプション1：プロキシAPIを使用する 環境変数を設定するだけです。簡単です。

• オプション2：ルーティングカスタマイズパッケージを使用する この方法はより柔軟で、claude-code-routerを介してさまざまなバックエンドモデルを管理できます。

3. Clineとの統合

ClineをQwen3-Coderを使用するように構成することもできます。設定で「OpenAI Compatible」を選択し、DashScopeから取得したAPIキーと対応するベースURLを入力するだけです。

今後の展望：自己進化するコードエージェントに向けて

Qwen3-Coderのリリースは明らかに終わりではありません。チームは、コーディングエージェントのパフォーマンスをまだ積極的に改善しており、より複雑で面倒なソフトウェアエンジニアリングタスクを処理できるようにし、それによって人間の開発者を反復的な労働から解放することを目標としています。

将来的には、次のことが期待できます：

• より多くのモデルサイズ： チームは、パフォーマンスと展開コストの間でより多くの選択肢を提供するために、さまざまなサイズのQwen3-Coderモデルをさらにリリースします。
• 自己進化の可能性： 最もエキサイティングなのは、チームがコーディングエージェントが「自己改善」を達成できるかどうかを積極的に探求していることです。これは非常に挑戦的ですが想像力に富んだ方向性であり、おそらく真に自律的なAI開発パートナーの到来を告げるものです。

結論として、Qwen3-Coderの誕生は、オープンソースコードモデルの分野における大きなブレークスルーであるだけでなく、AI支援ソフトウェア開発の次の章を明らかにします。よりインテリジェントで自律的なプログラミングの新しい時代が静かに到来しています。