Qwen3-Next 80B-A3B レビュー：推論なしで速い、日本語の敬語にも強いMoE
結論から言うと、Qwen3-Next 80B-A3B（qwen3-next-80b-a3b-instruct）は、推論（thinking）なしで速く返り、それでいて日本語の質が高いモデルです。敬語の修正では理由まで正確に説明し、要約も詳しく書けました。弱点は、答えが出ない問題で「考えながら書く」ために出力が長くなることです。
概要：80B でアクティブ 3B
Qwen3-Next 80B-A3B Instruct は Qwen が2025年9月に公開したオープンモデルです。
- 総パラメータ 80B、アクティブ約3B の MoE
- 文脈長：約26万トークン
- 入力・出力：テキスト
- 推論の過程を出力しない Instruct 版。ツール呼び出し・構造化出力に対応
日本語で試した結果
同じ5つの日本語タスクを複数のモデルに投げて比べました。
| タスク | 結果 | 応答時間 |
|---|---|---|
| 納期遅延のお詫びメール | 丁寧で自然。「拝啓」なしで「敬具」で結んでいる点は惜しい | 約3秒 |
| 文章の3点要約 | 見出し付きで詳しい。為替の影響まで拾えている | 約3秒 |
| 敬語の誤り2か所を修正 | 正解。「申す」は謙譲語、「お〜になる」は尊敬語という理由も正確 | 約4秒 |
| 算数の文章題 | 最終的に「解なし」と判断したが、試行錯誤を書き連ねて約2,650トークン | 約12秒 |
| 季語入りの俳句 | 季語に「月見草」を使ったが、秋の季語と説明（月見草は夏の季語） | 約1秒 |
推論を行うモデルと比べて、ほとんどのタスクが数秒で返るのが大きな長所です。今回、推論型のモデルは同じタスクに20秒〜1分以上かかることもありました。
算数の題は、わざと整数解が出ない数字にしてあります。Qwen3-Next は途中で「計算ミス？」「問題の数字に誤り？」と迷いながらも、最終的に解がないと結論づけました。誤答をでっち上げなかった点は評価できますが、迷う過程をそのまま出力するため長くなります。推論の過程を分けて出力しない Instruct 版ならではの特徴です。
日本語のトークン効率
同じ約320字の日本語の指示文を送ったとき、入力は 218 トークンでした。同じ文章で GPT-4o mini は 261 トークン、Llama 3.1 8B は 250 トークンです。日本語を多く扱うほど、この差がコストに効いてきます（日本語とトークン数の関係は日本語はトークンを食うで解説しています）。
円建ての単価は料金ページでご確認ください。
向いている用途／向かない用途
向いている：
- 応答の速さが求められる日本語チャット
- 敬語を含むビジネス文書の作成・添削
- 長い日本語文書の要約（最大約26万トークン）
- ツール呼び出しを使うエージェント
向かない：
- 難しい推論を短い出力で答えさせたい処理（推論型モデルのほうが整理された答えを返す）
- 俳句や季語など、日本文化の細かな知識が要る生成
よくある質問
Q. Qwen3-Next 80B-A3B Instruct は推論（thinking）モデルですか？ いいえ。この Instruct 版は推論の過程を出力せず、すぐに回答します。その分、応答が速いのが特長です。
Q. Qwen3-Next 80B-A3B に画像は入力できますか？ できません。テキスト専用のモデルです。
Q. Qwen3-Next 80B-A3B で構造化出力は使えますか？
はい。response_format に JSON Schema を指定すると、指定どおりの JSON が返りました。
FastMetal で試す
curl https://api.fastmetal.ai/v1/chat/completions \
-H "Authorization: Bearer $FASTMETAL_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "qwen3-next-80b-a3b-instruct",
"messages": [{"role": "user", "content": "次の文の敬語の誤りを直してください：「部長が申された件について、担当者がお伺いになります。」"}]
}'
同じ API キー・同じ円建て残高のまま、他のモデルと model を差し替えて比べられます。対応モデルはモデルカタログでご確認ください。