Alibaba ಸಂಸ್ಥೆಯು Qwen3.8-Max ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ, ಇದು 2.4 ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ಗಳನ್ನು ಹೊಂದಿರುವ Mixture-of-Experts (MoE) ಮಾಡೆಲ್ ಆಗಿದ್ದು, OSWorld-Verified ಬೆಂಚ್ಮಾರ್ಕ್ನಲ್ಲಿ 86.1% ಯಶಸ್ಸಿನ ದರವನ್ನು ದಾಖಲಿಸಿದೆ—ಈ ಸ್ಕೋರ್ GPT-5.6, Sol Max ಮತ್ತು Fable 5 ಅನ್ನು ಮೀರಿಸುತ್ತದೆ ಎಂದು Alibaba ಹೇಳಿದೆ. ಈ ಬೆಂಚ್ಮಾರ್ಕ್ ಎಐ (AI) ಒಂದು ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ನೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುವ, ಸಾಫ್ಟ್ವೇರ್ ಇನ್ಸ್ಟಾಲ್ ಮಾಡುವ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಡಿಬಗ್ ಮಾಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಳೆಯುತ್ತದೆ; ಈ ಕೌಶಲಗಳು ಸ್ವಾಯತ್ತ ಸಾಫ್ಟ್ವೇರ್-ಎಂಜಿನಿಯರಿಂಗ್ ಏಜೆಂಟ್ಗಳಿಗೆ (autonomous software-engineering agents) ಅಡಿಪಾಯವಾಗಿವೆ.
ಸ್ವಾಯತ್ತ ಏಜೆಂಟ್ಗಳತ್ತ ಸ್ಪರ್ಧೆ
ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ಗಳು ಚಾಟ್-ಶೈಲಿಯ ಸಹಾಯಕರಾಗಿರದೆ, ಕೋಡ್ ಬರೆಯುವ, ಪರೀಕ್ಷಿಸುವ ಮತ್ತು ಅಪ್ಲೈ ಮಾಡುವ (deploy) ಸಾಮರ್ಥ್ಯವಿರುವ ಪರಿಕರಗಳಾಗಿ ಬದಲಾಗಿವೆ