അലിബാബ Qwen3.8-Max പുറത്തിറക്കി: AI ഏജന്റുകൾക്കായുള്ള 2.4 ട്രില്യൺ പാരാമീറ്ററുകളുള്ള ഒരു ഭീമൻ മോഡൽ

ലളിതമായ ചാറ്റ് പ്രോംപ്റ്റുകൾക്ക് അപ്പുറം ദീർഘകാല സ്വയംഭരണാധികാരമുള്ള യുക്തിചിന്തയിലേക്ക് (long-horizon autonomous reasoning) മാറുന്നതിനായി രൂപകൽപ്പന ചെയ്ത 2.4 ട്രില്യൺ പാരാമീറ്ററുകളുള്ള കൂറ്റൻ ഫ്ലാഗ്ഷിപ്പ് മോഡലായ Qwen3.8-Max അലിബാബയുടെ Qwen ടീം പ്രഖ്യാപിച്ചു. ഒന്നിലധികം ദിവസങ്ങളിലറിയുന്ന വർക്ക്ഫ്ലോകളിലും സങ്കീർണ്ണമായ ജോലികൾ നിർവഹിക്കുന്നതിലും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിലൂടെ, ഈ മോഡൽ പ്രതികരണാത്മകമായ (reactive) LLM-കളിൽ നിന്ന് സജീവമായ (proactive) AI ഏജന്റുകളിലേക്കുള്ള ഒരു സുപ്രധാന മാറ്റം അടയാളപ്പെടുത്തുന്നു.

സ്വയംഭരണാധികാര ബുദ്ധിക്ക് പാരാമീറ്ററുകൾ വർദ്ധിപ്പിക്കുന്നു

ഓരോ ക്വറിയിലും 95 ബില്യൺ ആക്റ്റീവ് പാരാമീറ്ററുകൾ ഉൾപ്പെടെ ആകെ 2.4 ട്രില്യൺ പാരാമീറ്ററുകൾ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതിക കരുത്താണ് Qwen3.8-Max. Qwen3.5 ആർക്കിടെക്ചറിനെ അടിസ്ഥാനമാക്കി നിർമ്മിച്ച ഈ മോഡൽ, "long-horizon" ടാസ്ക്കുകൾക്കായി പ്രത്യേകം ഒപ്റ്റിമൈസ് ചെയ്തിരിക്കുന്നു—അതായത് ദിവസങ്ങളോ ആഴ്ചകളോ AI സ്വതന്ത്രമായി പ്രവർത്തിക്കേണ്ടി വരുന്ന സങ്കീർണ്ണമായ ലക്ഷ്യങ്ങൾ.

ഓപ്പൺ സോഴ്സ് കമ്മ്യൂണിറ്റിക്കായുള്ള ഒരു സുപ്രധാന നീക്കമെന്ന നിലയിൽ, അടുത്ത ആഴ്ച Qwen-Max ക്ലാസ്സിന്റെ വെയ്റ്റുകൾ (weights) പരസ്യമായി ലഭ്യമാക്കുമെന്ന് അലിബാബ സ്ഥിരീകരിച്ചിട്ടുണ്ട്. ഇത് GPT, Claude തുടങ്ങിയ മുൻനിര മോഡലുകളുടെ കുത്തകാവകാശത്തെ വെല്ലുവിളിക്കുന്നു.

കോഡിംഗിലൂടെയും ഗവേഷണത്തിലൂടെയും സ്വയംഭരണാധികാരം തെളിയിക്കുന്നു

അതിന്റെ ഏജന്റിക് കഴിവുകൾ പ്രകടിപ്പിക്കുന്നതിനായി, മനുഷ്യ ഇടപെടലില്ലാതെ മോഡൽ പ്രവർത്തിച്ച നിരവധി സങ്കീർണ്ണമായ കേസുകൾ അലിബാബ അവതരിപ്പിച്ചു:

• സോഫ്റ്റ്‌വെയർ എഞ്ചിനീയറിംഗ്: 16 ദിവസത്തെ കാലയളവിൽ, Qwen3.8-Max സ്വയം oh-my-cli എന്ന കമാൻഡ്-ലൈൻ ടൂൾ വികസിപ്പിച്ചെടുത്തു. ഇത് സ്വന്തമായി GitHub ഇഷ്യൂകൾ കൈകാര്യം ചെയ്യുകയും, കോഡ് എഴുതുകയും, ടെസ്റ്റുകൾ നടത്തുകയും, 265 കമ്മറ്റുകളും (commits) 127 പുൾ റിക്വസ്റ്റുകളും (pull requests) നിർവഹിക്കുകയും ചെയ്തു.
• ശാസ്ത്രീയ പുനർനിർമ്മാണം: "Unified Data Selection for LLM Reasoning" എന്ന പേപ്പറിന്റെ ഫലങ്ങൾ പുനർനിർമ്മിക്കാൻ ചുമതലപ്പെടുത്തിയപ്പോൾ, മോഡൽ 7,600 വരി കോഡുകൾ എഴുതുന്നതിനായി 125 മണിക്കൂർ കമ്പ്യൂട്ട് സമയം ചെലവഴിച്ചു. ഇത് യഥാർത്ഥ ഗവേഷണത്തെ അനുകരിക്കുക മാത്രമല്ല, AIME24 മാത്ത് ബെഞ്ച്മാർക്ക് സ്കോർ 2.7 പോയിന്റ് വർദ്ധിപ്പിക്കുകയും ചെയ്തു.
• മത്സരപരമായ ഡാറ്റാ സയൻസ്: WWW2025 മൾട്ടിമോഡൽ ഡയലോഗ് ഇന്റന്റ് റെക്കഗ്നിഷൻ ചലഞ്ചിൽ, 526 മനുഷ്യ ടീമുകളിൽ 458 പേരേക്കാളും മികച്ച പ്രകടനം കാഴ്ചവെച്ച മോഡൽ, 24 മണിക്കൂറിനുള്ളിൽ അതിന്റെ കൃത്യത 0.60-ൽ നിന്ന് 0.853 ആയി ഉയർത്തി.

സോഫ്റ്റ്‌വെയറിന് അപ്പുറം: ചിപ്പ് ഡിസൈനും സാമ്പത്തിക സിമുലേഷനും

Qwen3.8-Max-ന്റെ യുക്തിചിന്ത ഹാർഡ്‌വെയറിലേക്കും സാമ്പത്തിക ശാസ്ത്രത്തിലേക്കും വ്യാപിക്കുന്നു. ഒരു ക്രിപ്റ്റോഗ്രാഫിക് സർക്യൂട്ട് ഡിസൈൻ ടാസ്ക്കിൽ, മോഡൽ 8,298 ലോജിക് ഗേറ്റുകളുള്ള ഒരു "അമിതഭാരമുള്ള" (bloated) ഡിസൈനെ ഘട്ടം ഘട്ടമായി വെറും 678 ഗേറ്റുകളായി കുറച്ചു. OpenROAD ടൂൾ ഉപയോഗിച്ചതിലൂടെ, ഫിസിക്കൽ ചിപ്പ് ഏരിയയിൽ 81% കുറവ് ഉണ്ടായി.

E-Commerce-Bench എന്ന് വിളിക്കപ്പെടുന്ന സങ്കീർണ്ണമായ ഒരു റീട്ടെയിൽ സിമുലേഷനിൽ, മോഡൽ ഒരു സാങ്കൽപ്പിക സാമ്പത്തിക വർഷത്തിലുടനീളം ഒന്നിലധികം ഓൺലൈൻ സ്റ്റോറുകൾ കൈകാര്യം ചെയ്തു. 100,000 യുവാൻ ഉപയോഗിച്ച് തുടങ്ങിയത്, സപ്ലയർ ചർച്ചകൾ നടത്തുകയും, 152 തട്ടിപ്പുകാരെ കണ്ടെത്തുകയും, സപ്ലൈ ചെയിൻ തടസ്സങ്ങൾ പരിഹരിക്കുകയും ചെയ്തതിലൂടെ 416,252 യുവാൻ ലാഭമുണ്ടാക്കി—ഇത് അതിന്റെ പ്രാരംഭ മൂലധനത്തിന്റെ നാല് മടങ്ങാണ്. ഇത് രണ്ടാമതെത്തിയ GLM 5.2-യേക്കാൾ വളരെ മികച്ച പ്രകടനമാണ്.

മൾട്ടിമോഡൽ അതിരുകളും ബെഞ്ച്മാർക്ക് ആധിപത്യവും

200 പേജുള്ള ഡോക്യുമെന്റുകളും 100 മണിക്കൂറിൽ കൂടുതൽ ദൈർഘ്യമുള്ള വീഡിയോകളും കൈകാര്യം ചെയ്യാൻ ശേഷിയുള്ളതിലൂടെ മോഡൽ മൾട്ടിമോഡൽ പ്രോസസ്സിംഗിന്റെ അതിരുകൾ വിപുലീകരിക്കുന്നു. കൂടാതെ, സോഴ്സ് കോഡിലേക്ക് പ്രവേശിക്കാതെ തന്നെ, വിഷ്വൽ, കീബോർഡ് ഇന്ററാക്ഷനിലൂടെ മാത്രം പ്രവർത്തിച്ചുകൊണ്ടിരിക്കുന്ന ആപ്ലിക്കേഷനുകൾ (Windows, macOS, Android മുതലായവയിൽ) പുനർനിർമ്മിക്കാനുള്ള ഒരു ഏജന്റിന്റെ കഴിവ് പരിശോധിക്കുന്ന RecreationBench എന്ന ബെഞ്ച്മാർക്കും അലിബാബ അവതരിപ്പിക്കുന്നു.

ആഭ്യന്തര ബെഞ്ച്മാർക്കുകൾ പ്രകാരം, Qwen3.8-Max മികച്ച മോഡലുകളുമായി നേരിട്ട് മത്സരിക്കുന്നു. PaperBench-ൽ 93 എന്ന മുൻനിര സ്കോർ ഉൾപ്പെടെ പല വിഭാഗങ്ങളിലും Claude Opus 4.8, GPT-5.6 Sol എന്നിവയ്‌ക്ക് അടുത്തോ അതിനു മുകളിലോ ആണ് ഈ മോഡൽ നിൽക്കുന്നത്.

പ്രധാന വിവരങ്ങൾ

• ഭീമമായ സ്കെയിൽ: Qwen3.8-Max-ൽ ആകെ 2.4 ട്രില്യൺ പാരാമീറ്ററുകളും 95 ബില്യൺ ആക്റ്റീവ് പാരാമീറ്ററുകളും ഉണ്ട്, ഇത് ഒന്നിലധികം ദിവസങ്ങളിലറിയുന്ന സ്വയംഭരണാധികാരമുള്ള വർക്ക്ഫ്ലോകൾക്കായി ഒപ്റ്റിമൈസ് ചെയ്തിരിക്കുന്നു.
• ഏജന്റിക് വൈദഗ്ധ്യം: സങ്കീർണ്ണമായ സോഫ്റ്റ്‌വെയർ എഞ്ചിനീയറിംഗ്, ചിപ്പ് ഡിസൈൻ ഒപ്റ്റിമൈസേഷൻ, പൂർണ്ണമായ സാമ്പത്തിക മാനേജ്‌മെന്റ് എന്നിവ സ്വയംഭരണാധികാരത്തോടെ കൈകാര്യം ചെയ്യാനുള്ള കഴിവ് ഈ മോഡൽ തെളിയിച്ചു കഴിഞ്ഞു.
• ഓപ്പൺ-വെയ്റ്റ് സ്വാധീനം: പല മുൻനിര മോഡലുകളിൽ നിന്നും വ്യത്യസ്തമായി, Qwen-Max ക്ലാസ്സിന്റെ വെയ്റ്റുകൾ പുറത്തിറക്കാൻ അലിബാബ പദ്ധതിയിടുന്നു, ഇത് ഡെവലപ്പർമാർക്ക് ഉയർന്ന നിലവാരമുള്ള ഏജന്റിക് ഇന്റലിജൻസിലേക്ക് അഭൂതപൂർവമായ പ്രവേശനം നൽകുന്നു.