qwen3-coder-next-2025-02-03
qwen3-coder-next-2025-02-03 est un LLM de Qwen, sorti le 4 février 2026 et associé à la famille Coder de l’éditeur chinois. Son positionnement se distingue surtout par un coût très bas, avec une tarification annoncée très en dessous de la moyenne des LLM similaires.
qwen3-coder-next-2025-02-03 est un LLM de Qwen, sorti le 4 février 2026 et associé à la famille Coder de l’éditeur chinois. Son positionnement se distingue surtout par un coût très bas, avec une tarification annoncée très en dessous de la moyenne des LLM similaires.
Le modèle combine des résultats solides sur plusieurs tâches de référence et un prix d’accès très agressif, nettement inférieur à celui des modèles frontière. La fiche repose sur quatre sources de données concordantes, ce qui donne un socle de comparaison relativement stable pour situer ses performances et son intérêt économique.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Qwen |
| Date de sortie | 4 février 2026 |
Indices de synthèse
| Indice | Valeur | Rang (LLM) |
|---|---|---|
| Intelligence Index | 21.2 | 96ᵉ / 136 |
Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Ethics (Baseline) | 100,0 % | 1ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 99,0 % | 113ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Email Classification (Baseline) | 97,0 % | 163ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 94,0 % | 126ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 90,7 % | 111ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Coding (Baseline) | 89,5 % | 117ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 79,6 % | 121ᵉ / 239 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 59,6 % | 147ᵉ / 252 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Intelligence Index
Benchable : Ethics (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Ionstream | 0,11 $ | 0,8 $ | 0,07 $ |
| artificialanalysis | 0,35 $ | 1,2 $ | 0,35 $ |
Prix en dollars US par million de tokens.
Sa tarification se situe 94 % en dessous de la moyenne des LLM similaires, et 43,9 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0,03 $ |
| Latence moyenne par benchmark — Benchable | 53 min 42 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Entraînement & empreinte
| Indicateur | Valeur |
|---|---|
| Pays | China |
Notre analyse
Forces. qwen3-coder-next-2025-02-03 se démarque d’abord sur Ethics (Baseline), où il atteint le tout premier rang du benchmark et se place dans le top 10 global. Ses résultats restent élevés en General Knowledge (Baseline), Email Classification (Baseline) et Hallucinations (Baseline), ce qui indique un profil assez homogène sur des tâches de compréhension, de tri et de fiabilité factuelle. Le modèle conserve aussi des performances solides en Mathematics (Baseline) et Coding (Baseline), même si ces domaines ne constituent pas ses meilleurs classements relatifs. Son autre atout majeur est économique : le tarif d’entrée à 0,11 $ par million de tokens et le tarif de sortie à 0,8 $ par million de tokens le placent dans une catégorie très économique, 94% sous la moyenne des LLM similaires et environ 43,9 fois moins cher que les modèles frontière.
Limites et points d'attention. L’Intelligence Index place qwen3-coder-next-2025-02-03 dans la seconde moitié du classement disponible, ce qui limite son statut de modèle généraliste haut de gamme malgré de bons scores bruts sur plusieurs benchmarks. En Coding (Baseline), le résultat est bon mais le rang reste médian, un point important pour un modèle portant explicitement le nom Coder. Les classements en General Knowledge, Email Classification, Hallucinations et Mathematics montrent aussi que des scores élevés ne se traduisent pas toujours par une position dominante face à l’ensemble des modèles testés. Le modèle convient surtout aux usages où le coût par token compte fortement, avec des besoins de classification, de connaissances générales, de contrôle éthique et de génération de code standard plutôt qu’une recherche de performance de pointe.
Sources des données : OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Epoch AI (epoch.ai), CC-BY-4.0 · Benchable.ai (benchable.ai).