علی‌بابا این هفته Qwen 3.8 را عرضه کرد؛ یک مدل چندوجهی با ۲.۴ تریلیون پارامتر که وزن‌های آن به‌صورت عمومی منتشر خواهد شد. این اقدام، غول فناوری چینی را مستقیماً در رقابت هوش مصنوعی پیشرو (frontier-AI) قرار می‌دهد و جایگزینی کمیاب با وزن‌های باز (open-weight) برای توسعه‌دهندگان در برابر غول‌های متن‌بسته که بازار را در اختیار دارند، فراهم می‌کند.

چرا اندازه اهمیت دارد

تعداد پارامترها تقریباً نشان‌دهنده میزان دانشی است که یک مدل می‌تواند ذخیره کند؛ هر جهش در مقیاس تریلیون، معمولاً بهبودهای قابل‌توجهی در وظایف استدلال، کدنویسی و تحلیل داده‌ها به همراه دارد. تیم علی‌بابا می‌گوید مدل جدید «با بنچمارک‌های پیشرو فعلی برابری می‌کند» و از نظر عملکرد، تنها کمی از مدل نام‌برده نشده‌ی «Fable 5» عقب‌تر است. اعداد دقیق هنوز مخفی مانده‌اند، اما این ادعا نشان‌دهنده جاه‌طلبی برای رقابت با بالاترین سطح مدل‌های زبانی بزرگ است.

از متن تا بینایی و فراتر از آن

Qwen 3.8 اولین مدل چندوجهی علی‌بابا است که از مرز ۱ تریلیون پارامتر عبور کرده است. در عمل، این مدل می‌تواند علاوه بر متن ساده، تصاویر، ویدئوهای کوتاه و اسناد پیچیده را دریافت کرده و درباره آن‌ها استدلال کند. Shuai Bai، توسعه‌دهنده، این قابلیت را به گونه‌ای توصیف می‌کند که مدل را از یک چت‌بات به یک «عامل جامع» (comprehensive agent) تبدیل می‌کند که می‌تواند یک نمودار طراحی را بخواند، یک ویدئوی آموزشی کوتاه را تماشا کند و سپس کد مربوطه را تولید کند. هدف علی‌بابا سناریوهای بهره‌وری با کاربرد بالا است: توسعه نرم‌افزار فول‌استک، تحلیل پیشرفته داده‌ها و خودکارسازی جریان‌های کاری اداری.

جنبه‌ی وزن‌های باز (open-weight)

علی‌بابا فقط از یک مدل بزرگ‌تر رونمایی نمی‌کند؛ بلکه وعده داده است که وزن‌ها را «به‌زودی» منتشر کند. این ویژگی، Qwen 3.8 را از اکثر مدل‌های پیشرو که پشت APIهای اختصاصی یا سرویس‌های ابری قرار دارند، متمایز می‌کند. با انتشار وزن‌ها، علی‌بابا به هر کسی اجازه می‌دهد مدل را بازتنظیم (fine-tune) کند، آن را در زیرساخت‌های خصوصی خود جای دهد یا بدون ارسال داده‌ها به سرورهای شخص ثالث، اپلیکیشن‌های سفارشی بسازد. برای شرکت‌هایی که نگران نشت داده‌ها هستند، این مزیتِ حریم خصوصی می‌تواند تعیین‌کننده باشد.

این شرکت پیش از این، پیش‌نمایشی را از طریق پلتفرم‌های Token Plan، Qoder و QoderWork ارائه کرده و هزینه دسترسی به آن را تنها ۱۰ درصد نرخ استاندارد تعیین کرده است. این نقطه ورود کم‌هزینه با هدف جذب پذیرندگان اولیه (early adopters) طراحی شده است تا بتوانند توانایی‌های کدنویسی و تحلیلی مدل را پیش از انتشار کامل وزن‌ها آزمایش کنند.

یک پاسخ استراتژیک به Moonshot AI

به نظر می‌رسد زمان عرضه Qwen 3.8 در تقابل با Moonshot AI باشد؛ شرکتی که مدل Kimi K3 آن به دلیل رشد سریع درآمد (۳۰۰ میلیون دلار درآمد سالانه تکرار شونده تا ماه ژوئن) و اکوسیستم تحت کنترل شدیدش، سرخط خبرها را به خود اختصاص داده است. Moonshot توسعه‌دهندگان را به یک اپلیکیشن چت و یک API پولی محدود می‌کند و مدل زیربنایی را پنهان نگه می‌دارد. وعده وزن‌های باز علی‌بابا مستقیماً این مدلِ کنترل را به چالش می‌کشد و انعطاف‌پذیری و مالکیت بیشتری را به توسعه‌دهندگان ارائه می‌دهد.

جمع‌بندی

Qwen 3.8 علی‌بابا ضمن تصاحب جایگاهی در رأس سلسله‌مراتب هوش مصنوعی، درهای مدل عظیم خود را نیز به‌طور کامل به روی همگان می‌گشاید.