Alibaba Qwen3.8-Flash-Next-ஐ அறிமுகப்படுத்துகிறது: திறமையான AI-ன் புதிய யுகம்

Alibaba-வின் Qwen குழுவினர், பாரம்பரிய செலவின் ஒரு சிறு பகுதியில் சிறந்த செயல்திறனை வழங்கும் வகையில் வடிவமைக்கப்பட்ட, ஒரு புரட்சிகரமான மல்டிமோடல் Mixture-of-Experts (MoE) மாடலான Qwen3.8-Flash-Next-ஐ அதிகாரப்பூர்வமாக வெளியிட்டுள்ளனர். வரவிருக்கும் Qwen4-க்கான ஒரு கட்டமைப்பு முன்னோட்டமாகச் செயல்படும் இந்த மாடல், அளவுருக்கள் (parameters) எவ்வாறு செயல்படுத்தப்படுகின்றன மற்றும் சேமிக்கப்படுகின்றன என்பதை மேம்படுத்துவதன் மூலம், மிகப் பெரிய LLM-களின் ஆதிக்கத்திற்கு சவால் விடுக்கிறது.

புரட்சிகரமான கட்டமைப்பு: N-gram Embedding கண்டுபிடிப்பு

Qwen3.8-Flash-Next-ன் குறிப்பிடத்தக்க தொழில்நுட்ப சாதனை, அளவு மற்றும் செயல்திறனை (scale versus efficiency) கையாளும் அதன் தனித்துவமான முறையாகும். இந்த மாடல் மொத்தம் 125 பில்லியன் அளவுருக்களைக் கொண்டிருந்தாலும், ஒரு டோக்கனுக்கு (token) 6 பில்லியன் அளவுருக்களை மட்டுமே செயல்படுத்தும் ஒரு 'sparse MoE' அணுகுமுறையைப் பயன்படுத்துகிறது. இது அடர்த்தியான மாடல்களில் காணப்படும் அறிவின் பரப்பளவை இழக்காமல், அதிவேகமான inference-க்கு வழிவகுக்கிறது.

முழுமையான Qwen4 வெளியீட்டிற்காகத் திட்டமிடப்பட்டுள்ள ஒரு முக்கியமான கண்டுபிடிப்பு, 51 பில்லியன் அளவுருக்களைக் கொண்ட N-gram embedding அடுக்கு ஆகும். இந்த அடுக்கு ஒரு "சொற்றொடர் அகராதி" (phrase dictionary) போலச் செயல்பட்டு, பொதுவான சொற்களின் தொகுப்புகளைத் தனித்தனிப் பதிவுகளாகச் சேமிக்கிறது. மிக முக்கியமாக, இந்த அடுக்கு விலையுயர்ந்த GPU நினைவகத்திற்குப் பதிலாக சாதாரண சிஸ்டம் RAM-இல் இருக்குமாறு வடிவமைக்கப்பட்டுள்ளது, இது மாடலை இயக்குவதற்குத் தேவையான வன்பொருள்ச் செலவைக் கணிசமாகக் குறைக்கிறது. மேலும், இந்த மாடல் இயல்பாகவே 262,144-டோக்கன் கொண்ட ஒரு மிகப்பெரிய சூழல் சாளரத்தை (context window) ஆதரிக்கிறது, மேலும் YaRN மூலம் இதை ஒரு மில்லியன் டோக்கன்கள் வரை விரிவாக்கும் திறன் கொண்டது.

கோடிங் மற்றும் உற்பத்தித்திறனில் ஜாம்பவான்களை மிஞ்சுகிறது

குறைந்த அளவிலான செயல்பாட்டு அளவுருக்களைக் கொண்டிருந்தாலும், Qwen3.8-Flash-Next, DeepSeek-V4-Flash (284B அளவுருக்கள்) மற்றும் Anthropic-ன் Claude Opus 4.6 (Max) போன்ற மிகப் பெரிய போட்டியாளர்களை விட அடிக்கடி சிறந்த பெஞ்ச்மார்க் முடிவுகளை வழங்குகிறது. "Agentic" பணிகளில்—அதாவது, ஒரு AI சிக்கல்களைத் தீர்க்க சிக்கலான மென்பொருள் சூழல்களைத் தானாகவே கையாள வேண்டிய சூழல்களில்—இந்த மாடல் சிறப்பான வலிமையைக் காட்டுகிறது.

சிறப்பு பெஞ்ச்மார்க்குகளில், Flash-Next, SWE-bench Pro-வில் 62.5 மற்றும் DeepSWE-வில் 58.7 மதிப்பெண்களைப் பெற்று, DeepSeek மற்றும் Claude ஆகிய இரண்டையும் மிஞ்சியது. தொழில்முறை பணிப்பாய்வுகளில் (professional workflows) இந்த செயல்திறன் இடைவெளி இன்னும் அதிகமாக உள்ளது; CoWorkBench-இல், Flash-Next 73.9 மதிப்பெண்களைப் பெற்றது, இது DeepSeek-V4-Flash-ன் 45.1 மதிப்பெண்களை விட கிட்டத்தட்ட இரண்டு மடங்கு அதிகம். JobBench-இல், இது 55.7 மதிப்பெண்களைப் பெற்றது, இது முந்தைய Qwen3.7-Plus மாடல் பதிவு செய்த 27.6 மதிப்பெண்களிலிருந்து ஒரு மிகப்பெரிய முன்னேற்றமாகும்.

புரட்சிகரமான விலை மற்றும் போட்டிச் சூழல்

Alibaba வெறும் புத்திசாலித்தனத்தில் மட்டும் போட்டியிடவில்லை, மாறாக அதீத செலவுத் திறனிலும் (cost-efficiency) போட்டியிடுகிறது. QwenCloud மூலம் Qwen3.8-Flash ஆக வழங்கப்படும் இதன் உற்பத்திப் பதிப்பு, ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு (input tokens) வெறும் $0.16 மற்றும் ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு (output tokens) $0.47 என்ற வியக்கத்தக்க விலையில் உள்ளது. இதை ஒப்பிட்டுப் பார்த்தால், இந்த மாடல் அதன் முதன்மை மாடலான Qwen3.8-Max அளவுக்குச் சிறப்பாகச் செயல்படுகிறது, ஆனால் அதன் செலவு ஏறத்தாழ பன்னிரண்டில் ஒரு பங்கு மட்டுமே.

இந்தத் தீவிரமான விலை நிர்ணய உத்தி, OpenAI மற்றும் Anthropic போன்ற மேற்கத்திய AI தலைவர்கள் மீது பெரும் அழுத்தத்தை ஏற்படுத்துகிறது. தனது முன்னோடி மாடலை விட ஒன்பதிலில் ஒரு பங்கு செலவில் பயிற்சியளிக்கப்பட்ட ஒரு மாடல், கோடிங் மற்றும் அலுவலகப் பணிகளில் சிறந்த முடிவுகளை வழங்க முடியும் என்பதை நிரூபிப்பதன் மூலம், தொழில்துறையில் ஒரு மாற்றத்தை Alibaba உணர்த்துகிறது: AI-ன் எதிர்காலம் மிகப்பெரிய மாடல்களுக்குச் சொந்தமானதாக இருக்காது, மாறாக மிகவும் திறமையான கட்டமைப்பைக் கொண்ட மாடல்களுக்குச் சொந்தமானதாக இருக்கும்.

முக்கியக் குறிப்புகள்

• கட்டமைப்பு முன்னோட்டம்: Qwen3.8-Flash-Next, GPU சார்ந்திருப்பைக் குறைக்க சிஸ்டம் RAM-ஐப் பயன்படுத்தும் 51B N-gram embedding அடுக்கை அறிமுகப்படுத்துகிறது, இது Qwen4 கட்டமைப்பிற்கான ஒரு முன்னோடியாகும்.
• பெஞ்ச்மார்க் ஆதிக்கம்: இந்த மாடல், Agentic கோடிங் (SWE-bench Pro) மற்றும் தொழில்முறை உற்பத்தித்திறனில் (CoWorkBench), Claude Opus 4.6 மற்றும் DeepSeek-V4-Flash போன்ற பெரிய போட்டியாளர்களை விடச் சிறப்பாகச் செயல்படுகிறது.
• அதீத செலவுத் திறன்: ஒரு டோக்கனுக்கு வெறும் 6B செயல்பாட்டு அளவுருக்களுடன், இந்த மாடல் முதன்மை மாடல்களின் செலவில் ஒரு சிறு பகுதியில் உயர்நிலைத் திறனை வழங்குகிறது, இது தற்போதைய AI விலை நிர்ணயச் சூழலை மாற்றியமைக்கிறது.