Alibaba Qwen3.8-Max ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ: AI ಏಜೆಂಟ್‌ಗಳಿಗಾಗಿ 2.4 ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ಹೊಂದಿರುವ ಬೃಹತ್ ಮಾದರಿ

Alibaba ನ Qwen ತಂಡವು Qwen3.8-Max ಅನ್ನು ಘೋಷಿಸಿದೆ. ಇದು ಕೇವಲ ಸರಳ ಚಾಟ್ ಪ್ರಾಂಪ್ಟ್‌ಗಳಿಗಿಂತ ಮೀರಿ, ದೀರ್ಘಾವಧಿಯ ಸ್ವಾಯತ್ತ ತರ್ಕದತ್ತ (long-horizon autonomous reasoning) ಸಾಗಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಬೃಹತ್ 2.4 ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್ ಹೊಂದಿರುವ ಪ್ರಮುಖ (flagship) ಮಾದರಿಯಾಗಿದೆ. ಬಹು-ದಿನಗಳ ಕೆಲಸದ ಹರಿವುಗಳು (workflows) ಮತ್ತು ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳ ನಿರ್ವಹಣೆಯ ಮೇಲೆ ಗಮನ ಹರಿಸುವ ಮೂಲಕ, ಈ ಮಾದರಿಯು ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ LLMಗಳಿಂದ ಸಕ್ರಿಯ AI ಏಜೆಂಟ್‌ಗಳತ್ತ ಒಂದು ಗಮನಾರ್ಹ ಬದಲಾವಣೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ಸ್ವಾಯತ್ತ ಬುದ್ಧಿವಂತಿಕೆಗಾಗಿ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳ ವಿಸ್ತರಣೆ

Qwen3.8-Max ಒಂದು ತಾಂತ್ರಿಕ ಶಕ್ತಿಶಾಲಿ ಮಾದರಿಯಾಗಿದ್ದು, ಒಟ್ಟು 2.4 ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು ಪ್ರತಿ ಕ್ವೆರಿಯೊಂದಕ್ಕೆ 95 ಬಿಲಿಯನ್ ಸಕ್ರಿಯ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಹೊಂದಿದೆ. Qwen3.5 ಆರ್ಕಿಟೆಕ್ಚರ್ ಮೇಲೆ ನಿರ್ಮಿಸಲಾದ ಈ ಮಾದರಿಯನ್ನು "long-horizon" ಕಾರ್ಯಗಳಿಗಾಗಿ ವಿಶೇಷವಾಗಿ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲಾಗಿದೆ—ಅಂದರೆ AI ದಿನಗಳು ಅಥವಾ ವಾರಗಳವರೆಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬೇಕಾಗುವ ಸಂಕೀರ್ಣ ಗುರಿಗಳನ್ನು ಇದು ನಿರ್ವಹಿಸುತ್ತದೆ.

ಓಪನ್-ಸೋರ್ಸ್ ಸಮುದಾಯಕ್ಕೆ ಒಂದು ಮಹತ್ವದ ಹೆಜ್ಜೆಯಾಗಿ, Alibaba ಸಂಸ್ಥೆಯು ಮುಂದಿನ ವಾರ Qwen-Max ವರ್ಗದ weights ಅನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಾಗುವಂತೆ ಮಾಡುವುದಾಗಿ ಖಚಿತಪಡಿಸಿದೆ. ಇದು GPT ಮತ್ತು Claude ನಂತಹ ಮುಂಚೂಣಿ (frontier) ಮಾದರಿಗಳ ಏಕಸ್ವಾಮ್ಯಕ್ಕೆ ಸವಾಲು ಹಾಕಲಿದೆ.

ಕೋಡಿಂಗ್ ಮತ್ತು ಸಂಶೋಧನೆಯ ಮೂಲಕ ಸ್ವಾಯತ್ತತೆಯನ್ನು ಸಾಬೀತುಪಡಿಸುವುದು

ತನ್ನ ಏಜೆಂಟಿಕ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು, Alibaba ಹಲವಾರು ಪ್ರಮುಖ ಕೇಸ್ ಸ್ಟಡಿಗಳನ್ನು ಮಂಡಿಸಿದೆ, ಅಲ್ಲಿ ಮಾದರಿಯು ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ಕಾರ್ಯನಿರ್ವಹಿಸಿದೆ:

• ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್: 16 ದಿನಗಳ ಅವಧಿಯಲ್ಲಿ, Qwen3.8-Max ಸ್ವತಂತ್ರವಾಗಿ oh-my-cli ಎಂಬ ಕಮಾಂಡ್-ಲೈನ್ ಟೂಲ್ ಅನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು. ಇದು ತನ್ನದೇ ಆದ GitHub ಇಶ್ಯೂಗಳನ್ನು ನಿರ್ವಹಿಸಿತು, ಕೋಡ್ ಬರೆಯಿತು, ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿತು ಮತ್ತು 265 ಕಮಿಟ್‌ಗಳು ಹಾಗೂ 127 ಪುಲ್ ರಿಕ್ವೆಸ್ಟ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಿತು.
• ವೈಜ್ಞಾನಿಕ ಪುನರಾವರ್ತನೆ: "Unified Data Selection for LLM Reasoning" ಎಂಬ ಸಂಶೋಧನಾ ಪ್ರಬಂಧದ ಫಲಿತಾಂಶಗಳನ್ನು ಪುನರಾವರ್ತಿಸುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊತ್ತ ಮಾದರಿಯು, 7,600 ಸಾಲುಗಳ ಕೋಡ್ ಬರೆಯಲು 125 ಗಂಟೆಗಳ ಕಂಪ್ಯೂಟ್ ಸಮಯವನ್ನು ವ್ಯಯಿಸಿತು. ಇದು ಮೂಲ ಸಂಶೋಧನೆಯನ್ನು ಕೇವಲ ಪುನರಾವರ್ತಿಸುವುದು ಮಾತ್ರವಲ್ಲದೆ, AIME24 ಗಣಿತ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಸ್ಕೋರ್ ಅನ್ನು 2.7 ಅಂಕಗಳಷ್ಟು ಸುಧಾರಿಸಿತು.
• ಸ್ಪರ್ಧಾತ್ಮಕ ಡೇಟಾ ಸೈನ್ಸ್: WWW2025 ಮಲ್ಟಿಮೋಡಲ್ ಡೈಲಾಗ್ ಇಂಟೆಂಟ್ ರೆಕಗ್ನಿಷನ್ ಚಾಲೆಂಜ್‌ನಲ್ಲಿ, ಈ ಮಾದರಿಯು 526 ಮಾನವ ತಂಡಗಳಲ್ಲಿ 458 ತಂಡಗಳಿಗಿಂತ ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡಿತು ಮತ್ತು 24 ಗಂಟೆಗಳ ಒಳಗೆ ತನ್ನ ನಿಖರತೆಯನ್ನು 0.60 ರಿಂದ 0.853 ಕ್ಕೆ ಏರಿಸಿತು.

ಸಾಫ್ಟ್‌ವೇರ್ ಮೀರಿ: ಚಿಪ್ ವಿನ್ಯಾಸ ಮತ್ತು ಹಣಕಾಸಿನ ಸಿಮ್ಯುಲೇಶನ್

Qwen3.8-Max ನ ತರ್ಕವು ಹಾರ್ಡ್‌ವೇರ್ ಮತ್ತು ಅರ್ಥಶಾಸ್ತ್ರದ ಕ್ಷೇತ್ರಗಳಿಗೂ ವಿಸ್ತರಿಸಿದೆ. ಕ್ರಿಪ್ಟೋಗ್ರಾಫಿಕ್ ಸರ್ಕ್ಯೂಟ್ ವಿನ್ಯಾಸದ ಕಾರ್ಯದಲ್ಲಿ, ಮಾದರಿಯು ಅತಿಯಾದ (bloated) ವಿನ್ಯಾಸವನ್ನು 8,298 ಲಾಜಿಕ್ ಗೇಟ್‌ಗಳಿಂದ ಕೇವಲ 678 ಗೇಟ್‌ಗಳಿಗೆ ಇಳಿಸುವ ಮೂಲಕ ಹಂತ ಹಂತವಾಗಿ ಸುಧಾರಿಸಿತು. OpenROAD ಪರಿಕರವನ್ನು ಬಳಸುವ ಮೂಲಕ, ಇದು ಭೌತಿಕ ಚಿಪ್ ವಿಸ್ತೀರ್ಣದಲ್ಲಿ 81% ಕಡಿತಕ್ಕೆ ಕಾರಣವಾಯಿತು.

E-Commerce-Bench ಎಂಬ ಸಂಕೀರ್ಣ ರಿಟೇಲ್ ಸಿಮ್ಯುಲೇಶನ್‌ನಲ್ಲಿ, ಮಾದರಿಯು ಒಂದು ಸಿಮ್ಯುಲೇಟೆಡ್ ಹಣಕಾಸು ವರ್ಷದ ಅವಧಿಯಲ್ಲಿ ಹಲವಾರು ಆನ್‌ಲೈನ್ ಸ್ಟೋರ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸಿತು. 100,000 ಯುವಾನ್‌ನಿಂದ ಪ್ರಾರಂಭಿಸಿ, ಇದು ಪೂರೈಕೆದಾರರ ಮಾತುಕತೆಗಳನ್ನು ನಡೆಸಿತು, 152 ವಂಚಕರನ್ನು ಪತ್ತೆಹಚ್ಚಿತು ಮತ್ತು ಪೂರೈಕೆ ಸರಪಳಿಯ ಅಡಚಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಿತು. ಅಂತಿಮವಾಗಿ 416,252 ಯುವಾನ್ ಗಳಿಸಿತು—ಇದು ತನ್ನ ಆರಂಭಿಕ ಬಂಡವಾಳವನ್ನು ನಾಲ್ guna ಹೆಚ್ಚಿಸಿದ್ದು ಮತ್ತು ಎರಡನೇ ಸ್ಥಾನದಲ್ಲಿದ್ದ GLM 5.2 ಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮ ಪ್ರದರ್ಶನ ನೀಡಿದೆ.

ಮಲ್ಟಿಮೋಡಲ್ ಗಡಿಗಳು ಮತ್ತು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಪ್ರಾಬಲ್ಯ

ಈ ಮಾದರಿಯು ಮಲ್ಟಿಮೋಡಲ್ ಪ್ರೊಸೆಸಿಂಗ್‌ನ ಗಡಿಗಳನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ, ಇದು 200 ಪುಟಗಳ ದಾಖಲೆಗಳು ಮತ್ತು 100 ಗಂಟೆಗಳಿಗೂ ಹೆಚ್ಚು ಅವಧಿಯ ವೀಡಿಯೊಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ. Alibaba ಸಂಸ್ಥೆಯು RecreationBench ಅನ್ನು ಸಹ ಪರಿಚಯಿಸುತ್ತಿದೆ. ಇದು ಸೋರ್ಸ್ ಕೋಡ್ ಇಲ್ಲದೆಯೇ ಕೇವಲ ದೃಶ್ಯ (visual) ಮತ್ತು ಕೀಬೋರ್ಡ್ ಸಂವಹನದ ಮೂಲಕ ಚಾಲನೆಯಲ್ಲಿರುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು (Windows, macOS, Android ಇತ್ಯಾದಿಗಳಲ್ಲಿ) ಮರುನಿರ್ಮಿಸುವ ಏಜೆಂಟ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರೀಕ್ಷಿಸುವ ಬೆಂಚ್‌ಮಾರ್ಕ್ ಆಗಿದೆ.

ಆಂತರಿಕ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳ ಪ್ರಕಾರ, Qwen3.8-Max ಉನ್ನತ ಮಟ್ಟದ ಮಾದರಿಗಳೊಂದಿಗೆ ನೇರವಾಗಿ ಸ್ಪರ್ಧಿಸುತ್ತದೆ. PaperBench ನಲ್ಲಿ 93 ರ ಮುಂಚೂಣಿ ಸ್ಕೋರ್ ಸೇರಿದಂತೆ ಹಲವಾರು ವಿಭಾಗಗಳಲ್ಲಿ ಇದು Claude Opus 4.8 ಮತ್ತು GPT-5.6 Sol ಮಾದರಿಗಳ ಸಮೀಪ ಅಥವಾ ಅವುಗಳಿಗಿಂತ ಹೆಚ್ಚಿನ ಸಾಧನೆ ಮಾಡಿದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ಬೃಹತ್ ಪ್ರಮಾಣ: Qwen3.8-Max ಒಟ್ಟು 2.4 ಟ್ರಿಲಿಯನ್ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳು ಮತ್ತು 95 ಬಿಲಿಯನ್ ಸಕ್ರಿಯ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಹೊಂದಿದೆ, ಇದನ್ನು ಬಹು-ದಿನಗಳ ಸ್ವಾಯತ್ತ ಕೆಲಸದ ಹರಿವುಗಳಿಗಾಗಿ ಆಪ್ಟಿಮೈಸ್ ಮಾಡಲಾಗಿದೆ.
• ಏಜೆಂಟಿಕ್ ಪ್ರಾವೀಣ್ಯತೆ: ಸಂಕೀರ್ಣ ಸಾಫ್ಟ್‌ವೇರ್ ಎಂಜಿನಿಯರಿಂಗ್, ಚಿಪ್ ವಿನ್ಯಾಸದ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ಪೂರ್ಣ ಪ್ರಮಾಣದ ಹಣಕಾಸು ನಿರ್ವಹಣೆಯನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಈ ಮಾದರಿಯು ಪ್ರದರ್ಶಿಸಿದೆ.
• ಓಪನ್-ವೇಟ್ ಪ್ರಭಾವ: ಅನೇಕ ಮುಂಚೂಣಿ ಮಾದರಿಗಳಿಗ Unlike, Alibaba ಸಂಸ್ಥೆಯು Qwen-Max ವರ್ಗದ weights ಅನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವ ಯೋಜನೆಯನ್ನು ಹೊಂದಿದೆ, ಇದು ಡೆವಲಪರ್‌ಗಳಿಗೆ ಉನ್ನತ ಮಟ್ಟದ ಏಜೆಂಟಿಕ್ ಬುದ್ಧಿವಂತಿಕೆಯನ್ನು ಅಪ್ರತಿಮವಾಗಿ ಬಳಸಿಕೊಳ್ಳಲು ಅವಕಾಶ ನೀಡುತ್ತದೆ.