Qwen2.5-Max: כך אליבאבא העלתה את הרף במרוץ מודלי ה-AI העולמי

ההשקה של Qwen2.5-Max הייתה משמעותית לא רק בגלל ציוני הבנצ'מרק שעליהם הכריזה אליבאבא, אלא משום שהיא ערערה על התפיסה שפיתוח מודלי AI ברמת החזית מרוכז בקבוצה קטנה של מעבדות אמריקאיות. המודל הוכרז ב-28–29 בינואר 2025, זמן קצר לאחר ש-DeepSeek-V3 משך תשומת לב עולמית, ושילב טענות ביצועים שאפתניות עם הפצה דרך Alibaba Cloud. 29

ההשקה לא הוכיחה ש-Qwen2.5-Max עוקף באופן גורף כל מודל מתחרה. המשמעות העמידה יותר שלה הייתה עסקית ואסטרטגית: ספקית ענן סינית גדולה הצליחה להציע מודל קרוב לחזית הטכנולוגית, ובמקביל להפעיל אקוסיסטם רחב של מודלים להורדה, כלי מפתחים וממשקי API מנוהלים.

מהו Qwen2.5-Max?

Qwen2.5-Max הוצג על ידי אליבאבא כמודל שפה גדול המבוסס על ארכיטקטורת Mixture of Experts — MoE, או בעברית: תערובת מומחים. במערכת כזו, רשתות מומחים שונות מטפלות בסוגים שונים של קלט. כך ניתן לשמור על קיבולת כוללת גדולה, בלי להפעיל את כל רכיבי המודל עבור כל טוקן. הגישה עשויה לשפר את האיזון בין קיבולת לבין יעילות חישובית, אך חומרי ההשקה הפומביים לא כללו די מידע כדי לקבוע במדויק את מספר הפרמטרים הכולל או את מספר הפרמטרים הפעילים. 9

אליבאבא מסרה שהמודל אומן מראש על יותר מ-20 טריליון טוקנים, ולאחר מכן עבר אימון-עילי שכלל Supervised Fine-Tuning (SFT) ו-Reinforcement Learning from Human Feedback (RLHF). שלבים אלה נועדו לשפר את היכולת לעקוב אחר הוראות, את איכות התשובות ואת ההתאמה להעדפות אנושיות לאחר אימון השפה הראשוני. 259

חשוב להבחין בין Qwen2.5-Max לבין מודלי Qwen2.5 שניתנו להורדה. משפחת Qwen2.5 הרחבה כללה מודלי בסיס ומודלים שעברו התאמה להוראות, בגדלים של 0.5 מיליארד עד 72 מיליארד פרמטרים, וכן גרסאות מכומתות שהופצו דרך Hugging Face, ModelScope ו-Kaggle. 132 לעומתם, Max הוצב כמודל דגל hosted, ולא כ-checkpoint פתוח להורדה; ניתוחים מאותה תקופה זיהו את Model Studio של Alibaba Cloud כמשטח השירות המרכזי שלו. 13

מודל דגל סגור לצד מודלים פתוחים

ההבדל הזה חשף אסטרטגיה דו-מסלולית של אליבאבא:

• מודלים מתקדמים hosted: החברה שומרת את המערכות החזקות ביותר שלה בשליטתה ומספקת גישה אליהן דרך Model Studio וממשקי Qwen.
• מודלים פתוחים במשקלים: מפתחים יכולים להוריד, להתאים, לכמת ולפרוס חברים אחרים במשפחת Qwen דרך מאגרים ציבוריים.

הדוח הטכני של Qwen2.5 תיאר יותר מ-100 מודלים וגרסאות שנגישים דרך מאגרים כגון Hugging Face, ModelScope ו-Kaggle, לצד גרסאות MoE hosted שהוצעו דרך Model Studio של Alibaba Cloud. 132

עבור מפתחים, המשמעות היא בחירה בין נוחות לבין שליטה. API מנוהל חוסך את הצורך להקים ולתחזק תשתית, בעוד שמשקלים פתוחים מאפשרים שליטה רבה יותר באופן הפריסה, בהתאמה, באחסון הנתונים ובמיקום שבו המודל פועל. כך יכלה אליבאבא להשתמש במהדורות פתוחות כדי לבנות קהילת מפתחים, וב-Model Studio כדי להפוך את השימוש במודלים לביקוש לשירותי ענן.

מה טענה אליבאבא לגבי הביצועים?

אליבאבא טענה ש-Qwen2.5-Max היה דומה בהיקף היכולות שלו ל-Claude 3.5 Sonnet, ושהוא עקף את GPT-4o, את DeepSeek-V3 ואת Llama 3.1 405B ברבים מהמבחנים שעליהם דיווחה. החברה הדגישה מבחנים כמו MMLU-Pro, GPQA-Diamond, LiveCodeBench, LiveBench ו-Arena-Hard — מבחנים שבוחנים ידע, reasoning מורכב, תכנות, יכולת כללית והעדפות משתמשים. 29

עם זאת, יש לקרוא את הטענות האלה בזהירות. תוצאות שמפרסם מפתח המודל הן עדות למה שהחברה מדדה בתנאים מסוימים — לא הוכחה לעליונות אוניברסלית בשימוש אמיתי. גרסת הבנצ'מרק, ניסוח הפרומפט, הגדרות ההרצה וזיהום אפשרי של נתוני האימון יכולים להשפיע על ההשוואה. גם דיווחים מאותה תקופה המליצו להתייחס לטענות בספקנות בריאה. 254

סימן בלתי תלוי יותר הגיע מ-Chatbot Arena, דירוג המבוסס על העדפות משתמשים והשוואות עיוורות, כפי שדווח בתחילת פברואר 2025. Qwen2.5-Max קיבל ציון של 1332 ודורג במקום השביעי הכללי; בדיווחים נמסר שהוא הגיע למקום הראשון בקטגוריות המתמטיקה והתכנות, ולמקום השני במשימות קשות. 1012

התוצאה תמכה בתפיסה שמדובר במודל רציני, קרוב לחזית הטכנולוגית. היא לא הוכיחה שהוא הטוב ביותר בכל משימה, וגם לא מדדה את כל השאלות החשובות בפריסה ארגונית — ובהן אמינות, בטיחות, שימוש בכלים, זמן תגובה, ממשל נתונים ותמיכה ארגונית.

איך להשוות אותו ל-GPT-4o, קלוד ו-DeepSeek?

המסקנה הזהירה והמבוססת ביותר צרה יותר מהכותרת של אליבאבא:

• מול GPT-4o, אליבאבא דיווחה על יתרונות רחבים בבנצ'מרקים מסוימים. לכן יש לייחס את הטענה לחברה ולקשור אותה למבחנים הספציפיים. 29
• מול Claude 3.5 Sonnet, אליבאבא הציגה את Qwen2.5-Max כמודל בעל ביצועים דומים באופן רחב, ולא הוכיחה יתרון גורף בכל תחום. 29
• מול DeepSeek-V3, ההשקה הייתה משמעותית במיוחד: היא הראתה שספקית ענן סינית גדולה מסוגלת להגיב במהירות למתחרה סיני שזכה לפתע לבולטות עולמית, עם מודל שלטענתה עדיף עליו בכמה הערכות. 25

במילים אחרות, הדיון עבר משאלה אחת — "האם מודל סיני יכול להתחרות?" — לשאלה מעשית יותר: "איזה מודל מתאים למשימה, לאופן הפריסה, לשפה ולתקציב של הארגון?"

הקשר למשפחת Qwen2.5

Qwen2.5-Max הרחיב את דור Qwen2.5, אך תפס מקום שונה בפורטפוליו. המשפחה המקורית הדגישה מגוון גדלים פתוחים, ממודלים קלים לניסויים ועד מודל דגל בעל 72 מיליארד פרמטרים. 132

Max הוסיף אפשרות hosted ברמה גבוהה. כך יכלה אליבאבא להציג שאיפות של מודל חזית, בלי לפרסם את כל מרכיבי המודל — המשקלים, הארכיטקטורה המדויקת ותוצרי האימון. לכן זו לא הייתה אסטרטגיה פשוטה של "קוד פתוח מול קוד סגור", אלא אסטרטגיית פורטפוליו: הפתיחות מושכת מפתחים, ואילו המודלים hosted מספקים הפצה ומונטיזציה מסחרית.

אקוסיסטם Qwen הרחב שם דגש גם על שימושים רב-לשוניים ועל תכנות, עם תשומת לב מיוחדת לסינית ולאנגלית ולשפות נוספות כגון ספרדית, צרפתית ויפנית. 40 עבור ארגונים שפועלים בכמה שווקים, התאמה לשפות ולצרכים מקומיים עשויה להיות חשובה לא פחות מהבדל קטן בציון של מבחן באנגלית.

Qwen3 הפך את האסטרטגיה לברורה יותר

הצעד הגדול הבא של אליבאבא היה Qwen3, שהושק באפריל 2025 כמשפחת מודלים פתוחה במשקלים. ההשקה הראשונית כללה שישה מודלים צפופים, מ-0.6 מיליארד עד 32 מיליארד פרמטרים, ושני מודלי MoE — ובהם מודל בעל 235 מיליארד פרמטרים בסך הכול ו-22 מיליארד פרמטרים פעילים. אליבאבא העמידה את המודלים לרשות מפתחים ברחבי העולם דרך Hugging Face, GitHub ו-ModelScope. 171831

Qwen3 המחיש את ההיגיון שמאחורי הפורטפוליו: יכולות פרימיום או יכולות ייעודיות יכולות להישאר זמינות דרך שירותים מנוהלים, בעוד שמגוון רחב של מודלים פתוחים מאפשר למפתחים להריץ ולהתאים אותם בעצמם. Model Studio הפך לצד הענני של האקוסיסטם הזה — מסלול שמאפשר לעבור מניסוי לפריסה מנוהלת. 1718

האקוסיסטם התרחב גם מעבר למשקלי המודלים. אליבאבא תיארה בהמשך גרסאות Qwen3 מכומתות למחשבי Apple, תמיכה במודלי Qwen3 גדולים על מאיצי AMD Instinct MI300X וגרסאות קלות שנועדו למכשירים ניידים המבוססים על Arm. 22 השילובים האלה חשובים משום שהתחרות בין מודלים אינה מוכרעת רק לפי היקף האימון. היא מוכרעת גם לפי הקלות שבה ניתן להריץ מודל בעננים שונים, על מאיצים שונים, במחשבים אישיים ובמכשירי קצה.

מדוע ההשקה החריפה את המרוץ?

Qwen2.5-Max הגביר את הלחץ התחרותי בשלושה אופנים מרכזיים.

1. הוא הציג תחרות סינית רחבה יותר

DeepSeek-V3 כבר ערער על ההנחות לגבי יכולתה של סין לייצר מודלים מתקדמים. תגובת אליבאבא הראתה ש-DeepSeek אינה החברה הסינית היחידה שמסוגלת לדחוף מודל אל קרבת החזית. ענקית ענן עם משפחת מודלים מבוססת יכלה לנוע במהירות, להציג תוצאות חזקות ולהפיץ את המוצר דרך פלטפורמה קיימת. 2

2. הוא הפך את ההפצה לחלק מהתחרות

הערך המסחרי של מודל אינו מסתכם בציון שלו בבנצ'מרק. מפתחים מתעניינים גם בגישה ל-API, באפשרויות פריסה, בביצועים רב-לשוניים, בתמיכה בחומרה, בכלי אינטגרציה וביכולת לבצע fine-tuning או להפעיל את המודל באופן עצמאי. משפחת Qwen ו-Model Studio שילבו כמה מהערוצים האלה. 11722

3. הוא חיזק את מעמדן של חלופות זולות וגמישות

אם מודל מספיק טוב עבור עוזרי תכנות, תרגום, חיפוש במידע, שירות לקוחות או עוזרים פנימיים, ייתכן שהלקוח אינו זקוק לציון הגבוה ביותר בכל מבחן חזית. משקלים פתוחים, ארכיטקטורות MoE יעילות וזמינות בענן יכולים להוריד את חסמי האימוץ גם כאשר המודל אינו מוביל את השוק באופן חד-משמעי.

הדבר מפעיל לחץ על ספקיות מערביות של מודלים סגורים ויקרים להצדיק את המחירים באמצעות יתרונות מדידים באמינות, בטיחות, שימוש בכלים, ניהול הקשר, בקרות ארגוניות ואיכות השירות — ולא רק בטענה שהן "בחזית". דיווחים עדכניים יותר תיארו מודלים סיניים כמי שסוגרים את פער היכולות ומתחרים באגרסיביות גם במחיר ובנגישות. 47

התוצאה הסבירה אינה החלפה מיידית של כל המודלים האמריקאיים, אלא התפצלות של השוק. ארגונים מסוימים ימשיכו לשלם עבור המודלים הסגורים החזקים ביותר, בעוד שאחרים יעדיפו מודלים סיניים hosted או חלופות פתוחות, בזכות שילוב טוב יותר של ביצועים, שליטה, התאמה לשפות וכלכלת תפעול.

ומה לגבי "Ox Alpha"?

המקורות שסופקו אינם מבססים את קיומו של מודל חזית סיני מתועד בשם Ox Alpha, שיצא לאור והשווה ל-DeepSeek-V3 או ל-Qwen2.5-Max. לכן יש להתייחס לשם הזה כאל תווית לא מאומתת או ספקולציה — לא כאל ראיה ליכולות ה-AI של סין.

אי-הוודאות הזו אינה משנה את המסקנה הרחבה יותר. Qwen2.5-Max היה חשוב משום שהצטרף ל-DeepSeek ולמפתחים סיניים נוספים והפך את חזית ה-AI לרב-קוטבית יותר. כלי התחרות כבר אינם רק מודלים גדולים יותר: הם כוללים יעילות של MoE, משקלים פתוחים, תמיכה בשפות רבות, ממשקי ענן, ניידות בין חומרות והיכולת להפוך משפחת מודלים לאקוסיסטם עולמי של מפתחים.