Alibaba Yazindua Qwen3.8-Flash-Next: Enzi Mpya ya AI Yenye Ufanisi

Timu ya Qwen ya Alibaba imetoa rasmi Qwen3.8-Flash-Next, modeli ya kisasa ya multimodal Mixture-of-Experts (MoE) iliyoundwa kutoa utendaji wa hali ya juu kwa gharama ndogo sana ikilinganishwa na za kawaida. Ikiwa ni kama onyesho la usanifu wa Qwen4 inayokuja, modeli hii inapinga utawala wa LLM kubwa zaidi kwa kuboresha jinsi vigezo (parameters) vinavyowashwa na kuhifadhiwa.

Usanifu wa Mapinduzi: Ubunifu wa N-gram Embedding

Mafanikio makubwa ya kiufundi katika Qwen3.8-Flash-Next ni uwezo wake wa kipekee wa kusawazisha ukubwa na ufanisi. Ingawa modeli hii ina jumla ya vigezo (parameters) bilioni 125, inatumia mbinu ya sparse MoE inayowasha vigezo bilioni 6 pekee kwa kila token. Hii inaruhusu utambuzi (inference) wa kasi ya juu bila kupoteza upana wa maarifa unaopatikana katika modeli zenye msongamano mkubwa.

Ubunifu muhimu uliopangwa kwa ajili ya toleo kamili la Qwen4 ni kujumuisha tabaka la N-gram embedding lenye vigezo bilioni 51. Tabaka hili hufanya kazi kama "kamusi ya misemo," likihifadhi makundi ya maneno ya kawaida kama vitambulisho huru. Muhimu zaidi, tabaka hili limeundwa kukaa kwenye RAM ya kawaida ya mfumo badala ya kumbukumbu ghali ya GPU, jambo linalopunguza kwa kiasi kikubwa mahitaji ya vifaa vinavyohitajika kuendesha modeli hiyo. Aidha, modeli hii inasupport asili ya dirisha la muktadha (context window) kubwa la tokeni 262,144, ikiwa na uwezo wa kufikia tokeni milioni moja kupitia YaRN.

Kuwashinda Majitu katika Coding na Uzalishaji

Licha ya kuwa na idadi ndogo ya vigezo hai, Qwen3.8-Flash-Next inatoa matokeo ya vigezo (benchmarks) ambayo mara nyingi yanazidi washindani wakubwa zaidi kama DeepSeek-V4-Flash (vigezo 284B) na Claude Opus 4.6 (Max) ya Anthropic. Modeli hii inaonyesha nguvu ya kipekee katika kazi za "agentic"—mazingira ambapo AI lazima iendeshe mazingira tata ya programu kwa kujitegemea ili kutatua matatizo.

Katika vigezo maalum (specialized benchmarks), Flash-Next ilipata alama ya 62.5 kwenye SWE-bench Pro na 58.7 kwenye DeepSWE, ikizidi utendaji wa DeepSeek na Claude. Pengo la utendaji ni kubwa zaidi katika mifumo ya kazi ya kitaalamu; kwenye CoWorkBench, Flash-Next ilipata alama ya 73.9, karibu mara mbili ya alama 45.1 ya DeepSeek-V4-Flash. Kwenye JobBench, ilipata alama ya 55.7, hatua kubwa kutoka alama 27.6 iliyorekodiwa na modeli ya awali ya Qwen3.7-Plus.

Bei Inayovuruga Soko na Mazingira ya Ushindani

Alibaba haishindani tu katika akili, bali pia katika ufanisi mkubwa wa gharama. Toleo la uzalishaji, linalotolewa kama Qwen3.8-Flash kupitia QwenCloud, limepangiwa bei ya kushtua ya $0.16 kwa kila milioni ya tokeni za kuingiza (input tokens) na $0.47 kwa kila milioni ya tokeni za kutolea (output tokens). Ili kuweka jambo hili katika mtazamo, modeli hii inafanya kazi vizuri karibu sawa na modeli kuu ya Qwen3.8-Max lakini kwa takriban sehemu moja ya kumi na mbili ya gharama hiyo.

Mkakati huu wa bei mkali unaleta shinikizo kubwa kwa viongozi wa AI wa Magharibi kama OpenAI na Anthropic. Kwa kuthibitisha kuwa modeli iliyofundishwa kwa gharama ya moja ya tisa ya modeli yake ya awali inaweza kutoa matokeo bora katika coding na kazi za ofisi, Alibaba inatoa ishara ya mabadiliko katika tasnia: mustakabali wa AI unaweza usiwe wa modeli kubwa zaidi, bali wa zile zenye usanifu wenye ufanisi zaidi.

Mambo Muhimu ya Kuzingatia

  • Onyesho la Usanifu: Qwen3.8-Flash-Next inatambulisha tabaka la 51B N-gram embedding linalotumia RAM ya mfumo ili kupunguza utegemezi wa GPU, ikiwa ni kielelezo cha usanifu wa Qwen4.
  • Utawala wa Vigezo (Benchmark): Modeli hii inazidi washindani wakubwa kama Claude Opus 4.6 na DeepSeek-V4-Flash katika coding ya agentic (SWE-bench Pro) na uzalishaji wa kitaalamu (CoWorkBench).
  • Ufanisi Mkubwa wa Gharama: Ikiwa na idadi ya vigezo hai ya bilioni 6 pekee kwa kila token, modeli hii inatoa akili ya daraja la juu kwa sehemu ndogo ya gharama ya modeli kuu, ikivuruga mazingira ya sasa ya bei za AI.