ألي بابا تُلمّح إلى Qwen 3.8-Flash-Next بـ 125B معلمة مع 6B معلمة لكل رمز عبر MoE

العنوان: تلمح علي بابا إلى Qwen 3.8-Flash-Next — نسخة تجريبية بـ 125 مليار معلمة تُفعّل فقط 6 مليارات لكل رمز، مما يشير إلى Qwen 4 ستكشف علي بابا عن Qwen 3.8-Flash-Next هذا الأربعاء — وتُصنّفها الشركة كعرض تجريبي مبكر لهيكلية Qwen 4 من الجيل التالي، وليس كنموذج رئيسي مكتمل. وفقًا لفريق علي بابا وتغريدة متداولة، يحتوي النموذج على 125 مليار معلمة، لكنه يُزعم أنه يُفعّل فقط حوالي 6 مليارات معلمة لكل رمز (وأشارت التغريدة أيضًا إلى مكوّن "N-gram +51B"). لا تزال هذه الأرقام وأداء النموذج في العالم الحقيقي غير موثقة؛ فعلي بابا وهافينغ فيس تصفان الإصدار كعرض تجريبي للهيكلية ولم تنشرا أي نتائج مقارنة مباشرة. لماذا تهم هذه الأرقام: - المعلمات هي العوامل التي يستخدمها النموذج للتعلم والتكيف. عادةً ما يعني عدد أكبر من المعلمات قدرات أعلى، لكن أيضًا تكاليف حوسبة أعلى. - الخدعة هنا هي هندسة Mixture-of-Experts (MoE): بدلاً من تشغيل كل جزء من شبكة ضخمة على كل مدخل، يوجّه النموذج كل طلب إلى مجموعة صغيرة من "الخبراء" المتخصصين الفرعيين. يمكن أن يجعل هذا نموذجًا بـ 125 مليار معلمة يتصرف، من حيث تكلفة الحوسبة، كنموذج أصغر بكثير من خلال تفعيل الخبراء ذوي الصلة فقط لكل رمز. باختصار: قدرة شبه متقدمة بتكاليف حوسبة عادية — إذا ثبتت سلوكية MoE المزعومة. ما تقوله علي بابا وما لا يزال غير واضح: - تُقدّم علي بابا Qwen 3.8-Flash-Next كنموذج متعدد الوسائط ومبنٍ على تصميم Qwen 4 القادم، وتم إصداره مبكرًا حتى يتمكن المطورون من الاستعداد للمجموعة الكاملة. - هافينغ فيس، حيث من المتوقع ظهور الأوزان، تصفه أيضًا كعرض تجريبي لهيكلية Qwen 4. - لم تُنشر بعد أي معايير مستقلة أو مقارنات مباشرة مع سلسلة Qwen 3 أو المنافسين الغربيين، لذا فإن الأداء والتنازلات في الموارد لا تزال افتراضية. السياق: زخم الصين في النماذج المفتوحة الأوزان كان المشهد الصيني للنماذج المفتوحة الأوزان نشطًا جدًا. أدت الإصدارات الأخيرة السرية والمؤسسية (نموذج Ox Alpha الغامض الذي تفوق على Fable من Anthropic في بعض اختبارات البرمجة، والأوزان المفتوحة من علي بابا وDeepSeek وMoonshot) إلى جعل النماذج القوية قابلة للتنزيل والضبط المحلي والتشغيل محليًا. تقلل الأوزان المفتوحة الاعتماد على واجهات برمجة التطبيقات المغلقة، وتخفض تكاليف الاستضافة، وتمكّن المطورين من تجنب إرسال البيانات الحساسة إلى خدمات طرف ثالث — وهي عوامل مهمة لكل من الذكاء الاصطناعي العام ومشاريع التشفير. لماذا يجب على جمهور التشفير أن يهتم: - أدوات وبوتات على السلسلة: يمكن للنماذج الكبيرة الأرخص والأكثر قابلية للتشغيل محليًا تمكين وكلاء على السلسلة أكثر ذكاءً، وأدوات مراجعة، واستراتيجيات تداول وMEV دون رسوم واجهة برمجة التطبيقات المستمرة. - الخصوصية والاحتفاظ: استضافة النماذج محليًا تقلل من خطر تسرب البيانات المتعلقة بالمفاتيح الخاصة، أو رسوم المعاملات، أو إشارات التداول الحصرية. - بنية تحتية للذكاء الاصطناعي اللامركزية: يمكن للأوزان المفتوحة تسريع تطوير طبقات الاستنتاج اللامركزية ووكالات موثوقة قليلة الثقة تتجنب الاعتماد على مزود واحد. - تحذير: حتى ظهور مقاييس موثقة وأرقام تكلفة واقعية، من السابق لأوانه افتراض أن النموذج يقدم جودة متقدمة بتكلفة منخفضة. الخلاصة: يتم تقديم Qwen 3.8-Flash-Next كنظرة مبكرة على فلسفة تصميم Qwen 4 — وتعدها فعالية Mixture-of-Experts وقدرة متعددة الوسائط. يُعد الإصدار ملحوظًا لأنه إذا ثبتت الادعاءات، فقد تمكّن الأوزان المفتوحة من نموذج MoE بـ 125 مليار معلمة يُفعّل فقط حوالي 6 مليارات لكل رمز من تعميم الذكاء الاصطناعي القوي على المطورين ومشاريع التشفير. لكننا نحتاج إلى مقاييس موثقة واختبارات عملية للتحقق من الضجة. راقبوا الإصدار الرسمي، والأوزان على هافينغ فيس، والتقييمات المستقلة.