Qwen3-Coder 30B-A3B Instruct vs Qwen 2.5 Coder 32B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Qwen3-Coder 30B-A3B Instruct de Alibaba et Qwen 2.5 Coder 32B de Alibaba sont deux modèles d’IA de premier plan. Qwen3-Coder 30B-A3B Instruct propose une fenêtre de contexte de 262.1K tokens au tarif de $0.00/$0.00 par million de tokens, tandis que Qwen 2.5 Coder 32B offre 128K tokens de contexte à $0.20/$0.60 par million de tokens. Découvrez ci-dessous le comparatif détaillé des performances et des coûts.
Changez et Comparez les Modèles
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Qwen3-Coder 30B-A3B Instruct
Modèle de Base à Poids OuvertsQwen3-Coder 30B-A3B Instruct de Alibaba est un modèle d’IA conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, offrant une fenêtre de contexte de 262K, une vitesse de 140 tokens/s, un indi
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Qwen 2.5 Coder 32B
Spécialiste Code à Poids OuvertsQwen 2.5 Coder 32B de Alibaba est un modèle d’IA conçu pour le développement logiciel et la génération de code avec poids ouverts auto-hébergeables, offrant une fenêtre de contexte de 128K, une vitesse de 78 tokens/s, un indice d’intelligen
$0.20 / 1M
$0.60 / 1M
128K tokens
48.6%
Différences Clés en un Coup d’Œil
- Qwen3-Coder 30B-A3B Instruct is 1.0x cheaper for API usage (input + output tokens combined).
- Qwen3-Coder 30B-A3B Instruct has a larger context window (262K vs 128K tokens).
- Qwen3-Coder 30B-A3B Instruct is faster at 140 tok/s vs 78 tok/s.
| Caractéristique | Qwen3-Coder 30B-A3B Instruct | Qwen 2.5 Coder 32B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 76 | 43 |
Provider | Alibaba | Alibaba |
Input Price Cost per million input tokens | $0.00 / 1M | $0.20 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.60 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.13 / 1M |
Context Window Maximum input + output tokens | 262.1K tokens~393 A4 pages of text | 128K tokens~192 A4 pages of text |
Max Output Tokens Per single request | 8K | 8K |
Throughput Speed Tokens generated per second | 140 tok/s | 78 tok/s |
SWE-bench Verified Real-world software engineering | N/A | 48.6% |
GPQA Diamond Graduate-level reasoning | N/A | 48.2% |
Cached Input Price Prompt caching discount per 1M tokens | $0.00 / 1M | $0.04 / 1M |
Qui gagne où ?
At-a-glance decision frameworkEvaluations ongoing
Scores de Benchmarks Vérifiés
Official evaluation metrics verified by independent third-party research labs.
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Extremely difficult, closed-ended questions spanning the frontier of human expert knowledge.
Autonomous multi-step tasks executed inside a real command-line terminal environment.
Research-grade coding problems drawn from real scientific and numerical workloads.
Contamination-free competitive programming problems collected continuously over time.
American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.
Accuracy when reasoning over very large inputs that fill the model context window.
Tokens emitted per second during active generation streaming.
Latence et Temps de Réponse
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulateur Interactif de Coût de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Qwen3-Coder 30B-A3B Instruct · Strengths & Key Advantages
- Fenêtre de contexte de 262K et capacité de sortie maximale de 8K tokens (MMLU-Pro 74% · Arena Elo 1285)
- Débit rapide de 140 tokens/seconde avec une latence au premier token (TTFT) de 280 ms
- Poids ouverts (30B total (3B MoE)) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Qwen 2.5 Coder 32B · Strengths & Key Advantages
- Fenêtre de contexte de 128K et capacité de sortie maximale de 8K tokens (SWE-bench Verified 48.6% · GPQA Diamond 48.2%)
- Débit rapide de 78 tokens/seconde avec une latence au premier token (TTFT) de 540 ms
- Poids ouverts (32B) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
- Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Qwen3-Coder 30B-A3B Instruct | Qwen 2.5 Coder 32B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.18 |
Output Tokens / Task Tokens generated per task | 15K | 35K |
Reasoning Tokens / Task Thinking tokens burned per task | 0K | 0K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | Qwen3-Coder 30B-A3B Instruct | Qwen 2.5 Coder 32B |
|---|---|---|
| Official API Model ID (SDK) | qwen3-coder-30b-a3b-instruct | qwen-2-5-coder-32b-instruct |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2025-04 | 2024-11 |
| Knowledge Cutoff | March 2025 | September 2024 |
| Architecture | Compact Sparse Mixture-of-Experts Transformer | Dense Code-Specialized Transformer |
| Parameters | 30B total (3B active MoE) | 32B |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud |
| Long-Context Tier (>128K/200K) | Free across full context window (only KV-cache VRAM scales) | Flat rate ($0.2/1M in) across full 128K window |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Cached input at $0.04/1M tokens |
| Computer Use / GUI Agent | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools |
| Official Fine-Tuning Support | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) |
| Multimodal Token Billing | Text BPE (~4 chars/token) | Text BPE (~4 chars/token) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 19 GB VRAM (4-bit Quantized) · 65 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 20 GB VRAM (4-bit Quantized) · 69 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text | text |
| Output Modalities | text | text |
Qwen3-Coder 30B-A3B Instruct vs Qwen 2.5 Coder 32B: Réponses Rapides (FAQ)
Which is more intelligent, Qwen3-Coder 30B-A3B Instruct or Qwen 2.5 Coder 32B?
Qwen3-Coder 30B-A3B Instruct is more intelligent. It scores 76 compared with 43 on the composite Intelligence Index.
Which model is faster?
Qwen3-Coder 30B-A3B Instruct is faster, generating 140 tokens per second compared with 78 tokens per second.
Which model is cheaper to run?
Qwen3-Coder 30B-A3B Instruct is cheaper at $0.00 per 1M tokens blended, compared with $0.13 (7:2:1 cache:input:output ratio).
Which model has lower latency?
Qwen3-Coder 30B-A3B Instruct has lower latency, with a time to first token of 0.28s compared with 0.54s.
Which model has a larger context window?
Qwen3-Coder 30B-A3B Instruct has a larger context window, supporting 262.1K tokens compared with 128K tokens.
Verdict
Qwen3-Coder 30B-A3B Instruct (Conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, l’intégration RAG et les pipelines de production évolutifs.) et Qwen 2.5 Coder 32B (Conçu pour le développement logiciel et la génération de code avec poids ouverts auto-hébergeables, l’intégration RAG et les pipelines de production évolutifs.) répondent à des besoins complémentaires : Qwen3-Coder 30B-A3B Instruct domine sur les benchmarks de raisonnement et de programmation, Qwen3-Coder 30B-A3B Instruct assure un débit supérieur et Qwen3-Coder 30B-A3B Instruct offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, Qwen3-Coder 30B-A3B Instruct ou Qwen 2.5 Coder 32B ?+
Sur l’indice d’intelligence composite et les tests de code, Qwen3-Coder 30B-A3B Instruct prend l’avantage. Consultez les scores SWE-bench et GPQA ci-dessus pour plus de détails.
Quelle est la différence de prix API entre Qwen3-Coder 30B-A3B Instruct et Qwen 2.5 Coder 32B ?+
Qwen3-Coder 30B-A3B Instruct est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.20 / $0.60 pour Qwen 2.5 Coder 32B. En coût pondéré, Qwen3-Coder 30B-A3B Instruct est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
Qwen3-Coder 30B-A3B Instruct prend en charge 262.1K tokens contre 128K tokens pour Qwen 2.5 Coder 32B. Côté vitesse de génération, Qwen3-Coder 30B-A3B Instruct est le plus rapide.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Qwen 2.5 Coder 32B vs DeepSeek-Coder-V2 236B : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Qwen3-Coder 30B-A3B Instruct vs Devstral Medium : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Aion-Mini : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Gemini 3.6 Flash : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-Mini vs Laguna XS 2.1 : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aya Expanse 32B vs Llama 3.2 90B Vision : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Documentation API officielle de Alibaba et Alibaba, fiches système et benchmarks indépendants (2026).