Qwen3.8-Max علی‌بابا با ۲.۴ تریلیون پارامتر، رقبای غربی را در قیمت‌گذاری پشت سر می‌گذارد

علی‌بابا مدل Qwen3.8-Max را با ۲.۴ تریلیون پارامتر و معماری mixture-of-experts منتشر کرد؛ مدلی که این شرکت آن را توانمندترین محصول خانواده‌ی Qwen تا به امروز معرفی می‌کند. با انتشار این مدل، سهام علی‌بابا در بورس هنگ‌کنگ تا ۷ درصد و در بازار آمریکا حدود ۴.۵ درصد رشد کرد؛ سرمایه‌گذاران به مدلی واکنش نشان دادند که با قیمتی بسیار پایین‌تر از آزمایشگاه‌های پیشرو غربی، نتایج بنچمارک رقابتی قابل توجهی ارائه می‌دهد.

اعداد و ارقام واقعی

Qwen3.8-Max از معماری mixture-of-experts بهره می‌برد؛ یعنی تنها بخشی از ۲.۴ تریلیون پارامتر کلی آن در پاسخ به هر درخواست فعال می‌شود — علی‌بابا تعداد دقیق پارامترهای فعال را اعلام نکرده و این روند در میان آزمایشگاه‌های چینی رایج است. این مدل ورودی متن، تصویر و ویدیو را می‌پذیرد و خروجی متنی تولید می‌کند؛ پنجره‌ی کانتکست آن نیز حدود ۹۹۱٬۰۰۰ توکن ورودی و ۱۳۱٬۰۰۰ توکن خروجی را پشتیبانی می‌کند — به اندازه کافی برای پردازش یک کدبیس کامل یا یک سند حقوقی طولانی در یک درخواست.

در بنچمارک Terminal-Bench 2.1 که عملکرد واقعی برنامه‌نویسی و وظایف عاملی را می‌سنجد، Qwen3.8-Max امتیاز ۸۶.۶ را کسب کرد و از Claude Opus 4.8 آنتروپیک با امتیاز ۸۴.۶ پیشی گرفت؛ هرچند از GPT-5.6 Sol اوپن‌ای‌آی با امتیاز ۸۸.۸ عقب است. در DeepSWE 1.1، بنچمارک مهندسی نرم‌افزار عاملی، پیشرفت چشمگیرتر است: امتیاز مدل نسبت به نسل قبلی از ۲۱.۶ به ۵۶.۶ رسید — بیش از دو برابر. عملکرد چندوجهی نیز قوی است: ۸۶.۱ در OSWorld-Verified و ۹۲.۱ در OmniDocBench 1.5، یک بنچمارک درک اسناد.

زاویه‌ی قیمت‌گذاری

علی‌بابا قیمت دسترسی از طریق API مدیریت‌شده‌ی DashScope را به ازای هر میلیون توکن ورودی ۲ دلار و هر میلیون توکن خروجی ۶ دلار تعیین کرده؛ توکن‌های ورودی کَش‌شده نیز تنها ۰.۲۵ دلار به ازای هر میلیون — تقریباً هشت برابر ارزان‌تر از ورودی تازه — در دسترس هستند. این قیمت‌گذاری به مراتب پایین‌تر از آن چیزی است که آزمایشگاه‌های پیشرو آمریکایی برای مدل‌های با توان مشابه دریافت می‌کنند و الگوی آشنایی است که در آن آزمایشگاه‌های هوش مصنوعی چینی حتی با اندکی عقب‌ماندن در بنچمارک‌های خام، از طریق قیمت رقابت می‌کنند.

واقعیت استقرار

اجرای چک‌پوینت کامل ۲.۴ تریلیون پارامتری نیازمند زیرساخت چند-نود دیتاسنتری است و استقرار واقعی روی سرورهای شخصی را برای همه به جز بزرگ‌ترین اپراتورهای زیرساخت هوش مصنوعی غیرممکن می‌کند. برای تیم‌هایی که می‌خواهند مدل را روی سخت‌افزار معمول GPU اجرا کنند، علی‌بابا مدل Qwen3.8-27B را نیز ارائه می‌دهد؛ مدلی dense و کوچک‌تر از همین خانواده که گزینه‌ی واقع‌بینانه برای استقرار on-premise است. وزن‌های باز هر دو مدل — هم مدل اصلی ۲.۴ تریلیون پارامتری و هم نسخه‌ی ۲۷ میلیارد پارامتری — برای انتشار در هفته پس از این اعلامیه وعده داده شده است.

جایگاه این مدل در رقابت گسترده‌تر

در لیدربورد Arena.AI که بر اساس رأی جمعی کاربران تهیه می‌شود، Qwen3.8-Max بلافاصله به عنوان برترین مدل چینی برای وظایف متنی شناخته شد؛ هرچند هنوز از چندین مدل آنتروپیک از جمله Claude Fable 5 عقب است. در وظایف بینایی، این مدل رتبه‌ی دوم جهانی را به دست آورد و تنها پشت سر یک نسخه از Fable 5 قرار گرفت — نتیجه‌ای قابل توجه برای مدلی که گزارش می‌شود هزینه‌ی آموزش و استنتاجش کسری از مدل‌های غربی مشابه است.

به گزارش MarkTechPost، این انتشار تنها چند هفته پس از عرضه‌ی مدل open-weight Kimi K3 توسط آزمایشگاه چینی رقیب، Moonshot AI، صورت گرفته و نشان می‌دهد چرخه‌ی رقابت میان آزمایشگاه‌های هوش مصنوعی چینی در سال ۲۰۲۶ تا چه حد فشرده‌تر شده است.