Qwen 3.8-Flash-Next.. هل يحقق أداءً قريبًا من الصدارة بتكلفة أقل؟

ما هو Qwen 3.8-Flash-Next؟

يُقدَّم Qwen 3.8-Flash-Next بوصفه اختبارًا مبكرًا، مفتوح الأوزان، للبنية التي تريد ألبابا استخدامها في عائلة Qwen 4 المقبلة، وليس بوصفه النموذج الرائد النهائي للشركة. وتتمثل فكرته الأساسية في تحقيق قدرة عالية مقابل كل وحدة من تكلفة التدريب والاستدلال، لكن نتائج الأداء والتكلفة وتفاصيل الإطلاق ينبغي التعامل معها باعتبارها تقارير أولية من الشركة إلى أن تتوافر الأوزان والوثائق التقنية والتقييمات المستقلة. 9

كيف تعمل بنيته؟

يعتمد النموذج، بحسب المعلومات المتاحة، على بنية متعددة الوسائط من نوع خليط الخبراء (Mixture-of-Experts أو MoE)، بإجمالي معلن يبلغ 125 مليار معامل، من بينها 51 مليار معامل لتضمينات N-gram، مع تفعيل نحو 6 مليارات معامل فقط لكل رمز. 9

وبعبارة مبسطة، لا تستخدم بنية خليط الخبراء كل أجزاء النموذج لمعالجة كل كلمة أو رمز. فهي تحتفظ بمجموعة كبيرة من الخبراء المتخصصين، ثم توجّه كل جزء من المدخلات إلى عدد محدود منهم. ويمكن لهذا الأسلوب أن يخفض العمليات الحسابية المطلوبة، وحركة البيانات في الذاكرة، وتكلفة تشغيل النموذج مقارنةً بنموذج كثيف يمتلك العدد الإجمالي نفسه من المعاملات.

أما تضمينات N-gram، فتضيف جدولًا كبيرًا لالتقاط أنماط متجاورة من الرموز، ما قد يساعد في عمليات البحث المحلية السريعة داخل المدخلات. لكن وجود عدد ضخم من المعاملات لا يعني أن النموذج يستهلكها كلها في كل خطوة؛ الرقم الأهم لتكلفة الاستدلال هو عدد المعاملات المفعّلة مع كل رمز، إلى جانب متطلبات الذاكرة والبنية التحتية.

لماذا تحظى البرمجة بكل هذا التركيز؟

تستفيد مهام البرمجة عادةً من التخصص المتناثر؛ إذ يمكن لخبراء مختلفين تعلم أنماط لغات البرمجة، وبنية المستودعات، واستخدام الأدوات، وتصحيح الأخطاء، وفهم الشيفرات الطويلة. لذلك تبدو ادعاءات تحقيق أداء قريب من مستوى النماذج الرائدة، مع تكلفة تدريب تبلغ تقريبًا تُسع تكلفة تدريب Qwen 3.7-Plus، هدفًا للكفاءة تدعمه آلية التوجيه المتناثر والتغييرات المعمارية وتصميم التضمينات.

لكن ذلك لا يثبت أن النموذج سيضاهي النماذج المغلقة المتقدمة في كل اختبار أو في كل سير عمل برمجي واقعي. ولا تزال التقييمات المستقلة الخاصة بالبرمجة غير كافية للحسم في هذه المقارنة.

لماذا هو «معاينة» وليس نموذجًا رائدًا؟

وصف Flash-Next بأنه إصدار تجريبي يحمل دلالة عملية: تريد ألبابا منح المطورين فرصة لاختبار البنية الجديدة، وطرق الضبط الدقيق، وأدوات الاستدلال، وخطوط العمل متعددة الوسائط قبل وصول Qwen 4. 9

وهذا يترك مجالًا للنموذج الرائد النهائي كي يستفيد من تدريب أطول، وضبط لاحق أقوى، وعمل أوسع على السلامة، ونسخ أكبر، وتحقق نهائي من النتائج المعيارية. لذلك من المبكر اعتباره بديلًا مكتملًا عن نموذج Qwen الرئيسي.

أين يقع ضمن إصدارات Qwen 3.8؟

أطلقت ألبابا Qwen3.8-27B بترخيص Apache 2.0؛ وهو نموذج متعدد الوسائط أصلي من فئة 27 مليار معامل، مع نافذة سياق أصلية تبلغ 262 ألف رمز، ويمكن توسيعها إلى مليون رمز. 6

في المقابل، يمثل Qwen3.8-Max الفئة الأعلى أداءً، لكن التقارير تشير إلى أن أوزانه تخضع لترخيص منفصل وأكثر تقييدًا، بدلًا من شروط Apache 2.0 البسيطة المتاحة لنموذج 27B. 12 ويعني هذا الانقسام أن ألبابا تتيح انتشارًا أوسع في الفئة الأصغر، مع الاحتفاظ بقدر أكبر من التحكم في القدرات الأعلى تكلفة.

ماذا عن التراخيص التجارية؟

إذا تضمن ترخيص Max أو Flash-Next حدودًا معينة، أو شرطًا لإبرام اتفاق منفصل، أو التزامات بتقاسم الإيرادات عند النشر التجاري واسع النطاق، فسيكون ذلك قيدًا مهمًا على وصف النموذج بأنه «مفتوح الأوزان».

المعلومات المتاحة تدعم وجود قيود على ترخيص Max، لكن تفاصيل عتبة تقاسم الإيرادات وشروطها تحتاج إلى مراجعة نص الترخيص نفسه. لذلك لا ينبغي اعتبار ادعاء تقاسم الإيرادات حقيقة مثبتة بناءً على الأدلة المتوافرة حاليًا. 12

كيف يرتبط ذلك باستراتيجية ألبابا؟

لا تتعلق الخطة بنموذج واحد فقط. تريد ألبابا استخدام نماذج Qwen المفتوحة أو المتاحة بسهولة لجذب المطورين، وتشجيع عمليات الضبط الدقيق، وزيادة الطلب على خدمات Alibaba Cloud، بالتوازي مع الاستثمار في الحوسبة ومراكز البيانات والبنية التحتية اللازمة لتدريب النماذج المتقدمة وتشغيلها.

وقالت الشركة إن حصيلة طرحها في هونغ كونغ ستُستخدم لتمويل قدرات ذكاء اصطناعي «متكاملة من البداية إلى النهاية» (Full-stack)، أي عبر طبقات تشمل البنية التحتية والنماذج والخدمات. 2

تمويل ضخم ومخاوف من التخفيف

جمعت ألبابا 80 مليار دولار هونغ كونغي، أي نحو 10.2 مليارات دولار أميركي، من خلال بيع 710 ملايين سهم بسعر 112.70 دولار هونغ كونغي للسهم. 3 وبلغ الخصم عن سعر الإغلاق السابق 8.4%، بينما أفادت تقارير بأن دفتر الطلبات استقطب طلبات بقيمة تقارب 28 مليار دولار. 4

وتتمثل المفاضلة بالنسبة للمستثمرين في معادلة واضحة: فالتمويل يسرّع الإنفاق على الذكاء الاصطناعي، لكنه يؤدي في الوقت نفسه إلى تخفيف حصة المساهمين الحاليين، ويرفع مخاطر التنفيذ إذا لم يتحول الإنفاق على الذكاء الاصطناعي بالسرعة الكافية إلى إيرادات من السحابة وواجهات البرمجة والتطبيقات. 4

منافسة على المطورين لا على المؤشرات فقط

في سباق النماذج مفتوحة الأوزان في الصين، لا يكفي التفوق في معيار واحد. الرهان الحقيقي هو كسب المطورين، والنماذج المشتقة، وأحمال العمل السحابية، ودعم أدوات التطوير قبل المنافسين، ومن بينهم DeepSeek.

أما الإشارات إلى أنظمة محتملة مثل «Ox Alpha»، فتظل تكهنات ما لم تترافق مع إطلاق منسوب بوضوح، أو أوزان منشورة، أو تقرير تقني. وبالمثل، ينبغي فهم أرقام مثل منظومة تضم أكثر من 460 نموذجًا وتدعم 119 لغة بوصفها مؤشرات على منظومة Qwen، لا مقياسًا لقدرات نموذج Qwen واحد.

الخلاصة

تراهن ألبابا على أن النماذج متعددة الوسائط، قليلة التكلفة التدريبية، والمبنية على التوجيه المتناثر، يمكن أن تمنحها حضورًا قويًا على مستويين: انتشار واسع للنماذج المفتوحة، ونشر تجاري متميز على نطاق السحابة.

لكن السؤالين الحاسمين لم يُحسما بعد: هل ستؤكد الاختبارات المستقلة جودة النموذج في البرمجة وميزة تكلفته التدريبية؟ وهل ستسمح شروط الترخيص للشركات الكبرى باعتماده من دون إضعاف القيمة التي يمنحها وصف «مفتوح الأوزان»؟