updata

README.md

-11111
+# 模型简介
+
+**Qwen3-Coder-Next** 是 Qwen 团队最新发布的开源（Open-weight）语言模型，专为**代码智能体（Coding Agents）和本地开发**场景设计 。该模型采用了**稀疏混合专家（MoE）**架构，在保持极高推理效率的同时，展现出了强大的代码推理和软件工程能力。其核心设计理念是通过大规模的“智能体训练”（Agentic Training），在较小的激活参数下实现顶尖的性能 。核心技术特点:
+
+**训练理念与技术：** 其核心设计理念是通过大规模的“智能体训练”（Agentic Training），在较小的激活参数下实现顶尖的性能 。团队构建了名为 MegaFlow 的基础设施，通过挖掘 GitHub PR 并结合 Docker 容器，合成了数百万个可执行、可验证的真实软件工程任务 。同时，引入了基于执行反馈的强化学习（Reinforcement Learning），使模型不仅学习代码生成，还能通过环境反馈（如单元测试、运行时错误）来优化多步推理、工具使用和自我修正能力 。
+
+**核心能力与工具支持：** 不同于传统的代码补全模型，Qwen3-Coder-Next 专注于解决长周期的软件工程任务、复杂的指令跟随以及与执行环境的交互 。训练阶段支持 262,144 token 的上下文窗口，能够处理整个代码仓库（Repository-level）的信息，理解跨文件依赖，适合解决复杂的 Bug 修复和功能开发任务 。此外，模型在训练中接触了多种工具调用格式（JSON, XML, Pythonic 等），能够适应不同的 IDE 和 Agent 框架（如 OpenHands, SWE-Agent），具备极强的格式鲁棒性 。
+
+**基准测试表现：** 尽管激活参数仅为 3B，Qwen3-Coder-Next 在多个权威基准测试中表现出了越级挑战的能力。在 SWE-Bench Verified 中，于 SWE-Agent 框架下达到 70.6%，在 OpenHands 下达到 71.3%，性能与 32B-671B 参数级别的开源模型（如 DeepSeek-V3.2, GLM-4.7）相当，甚至在某些指标上超越了闭源模型 。在更具挑战性的长周期基准测试 SWE-Bench Pro 中，得分为 44.3%，优于 DeepSeek-V3.2 (40.9%) 和 GLM-4.7 (40.6%) 。此外，在 Python、Java、C++ 等多语言编程任务以及数学推理（如 AIME 2025）上均表现优异，证明了其广泛的泛化能力 。
+
+<div align=center>
+    <img src="./doc/1.png"/>
+</div>
+
+## 环境依赖
+
+|     软件     |                       版本                        |
+| :----------: | :-----------------------------------------------: |
+|     DTK      |                      25.04.2                      |
+|    python    |                      3.10.12                      |
+| transformers |                      4.57.1                       |
+|    torch     |              2.5.1+das.opt1.dtk25042              |
+|  accelerate  |                      1.11.0                       |
+| torchvision  |             0.20.1+das.opt1.dtk25042              |
+|  flash_attn  |              2.6.1+das.opt1.dtk2604.20260131.g4edd8bf9               |
+|     vllm     | 0.11.0+das.opt1.rc2.dtk2604.20260128.g0bf89b0c |
+
+推荐使用镜像:harbor.sourcefind.cn:5443/dcu/admin/base/vllm:0.11.0-ubuntu22.04-dtk26.04-0130-py3.10-20260202
+
+- 挂载地址`-v`根据实际模型情况修改
+
+```bash
+docker run -it \
+    --shm-size 60g \
+    --network=host \
+    --name qwen3 \
+    --privileged \
+    --device=/dev/kfd \
+    --device=/dev/dri \
+    --device=/dev/mkfd \
+    --group-add video \
+    --cap-add=SYS_PTRACE \
+    --security-opt seccomp=unconfined \
+    -u root \
+    -v /opt/hyhal/:/opt/hyhal/:ro \
+    -v /path/your_code_data/:/path/your_code_data/ \
+    harbor.sourcefind.cn:5443/dcu/admin/base/vllm:0.11.0-ubuntu22.04-dtk25.04.2-1226-das1.7-py3.10-20251226
+```
+
+更多镜像可前往[光源](https://sourcefind.cn/#/service-list)下载使用。
+
+## vllm
+
+#### 单机推理
+
+```bash
+## serve启动
+export HF_HUB_OFFLINE=1
+export TRANSFORMERS_OFFLINE=1
+vllm serve Qwen/Qwen3-Coder-Next \
+    --served-model-name Qwen3-Coder-Next \
+    --dtype bfloat16 \
+    --trust-remote-code \
+    --tensor-parallel-size 4 \
+    --gpu-memory-utilization 0.95 \
+    --max-model-len 8192 \
+    --port 8000
+
+## client访问
+curl http://localhost:8000/v1/chat/completions   \
+    -H "Content-Type: application/json"  \
+    -d '{
+        "model": "Qwen3-Coder-Next",
+        "messages": [
+            {
+                "role": "user",
+                "content": "Hello, how to user vllm?"
+            }
+        ]
+    }'
+```
+
+## 效果展示
+
+<div align=center>
+    <img src="./doc/2.png"/>
+</div>