مرداد
اخبار
کوئن ۳.۸-مکس؛ غول ۲.۴ تریلیونی علیبابا که کلود و جیپیتی را غافلگیر کرد
علیبابا با کوئن ۳.۸-مکس، مدلی ۲.۴ تریلیون پارامتری و با پنجره زمینه یکمیلیون توکنی، وارد میدان رقابت جهانی هوش مصنوعی شده و در برخی محکهای کدنویسی از کلود اوپوس ۵ نیز جلو زده است.
لیست مطالب
۱. کوئن ۳.۸-مکس دقیقاً چیست؟
کوئن ۳.۸-مکس تازهترین و بزرگترین عضو خانواده مدلهای زبانی کوئن است که توسط تیم هوش مصنوعی علیبابا توسعه یافته و در سوم اوت ۲۰۲۶ بهطور رسمی معرفی شد. برخلاف نسخههای قبلی، این مدل از همان روز اول از طریق رابطهای سازگار با استاندارد OpenAI و همچنین سرویس DashScope علیبابا در دسترس توسعهدهندگان قرار گرفت. این یعنی بسیاری از تیمهایی که پیشتر با اپلیکیشنهای مبتنی بر OpenAI کار میکردند، میتوانند با تغییرات محدودی سراغ کوئن ۳.۸-مکس هم بروند.
نکته مهم درباره این مدل، ورودی و خروجی چندرسانهای آن است؛ کوئن ۳.۸-مکس میتواند متن، تصویر و ویدیو را بهعنوان ورودی بپذیرد و خروجی متنی تولید کند. این ترکیب آن را به گزینهای جدی برای پردازش اسناد بلند، تحلیل ویدیوهای آموزشی و خلاصهسازی محتوای چندرسانهای تبدیل میکند.
۲. مشخصات فنی: معماری آمیزهکارشناسان و ۲.۴ تریلیون پارامتر
کوئن ۳.۸-مکس از معماری Mixture-of-Experts یا آمیزهکارشناسان بهره میبرد. در این نوع معماری، مدل بهجای فعالکردن تمام پارامترهای خود در هر درخواست، تنها بخشی از «کارشناسان» داخلی را بر اساس نوع پرسش فعال میکند. در نتیجه، اگرچه شمار کل پارامترهای این مدل به ۲.۴ تریلیون میرسد، در عمل تنها حدود ۹۵ میلیارد پارامتر در هر اجرا فعال میشود. همین موضوع باعث میشود مدل از نظر هزینه محاسباتی، بهمراتب مقرونبهصرفهتر از مدلهای چگال همرده خود باشد.
این رویکرد شبیه به الگویی است که در تحلیلهای قبلی درباره توانمندیها و محدودیتهای واقعی هوش مصنوعی بررسی کردهایم: بزرگتر بودن مدل همیشه به معنای کاربردیتر بودن آن نیست، مگر آنکه معماری بهگونهای طراحی شده باشد که هزینه اجرا را کنترل کند.
۳. پنجره زمینه یکمیلیون توکنی؛ یعنی چه امکاناتی؟
یکی از جذابترین ویژگیهای کوئن ۳.۸-مکس، پنجره زمینه یکمیلیون توکنی آن است که تا ۹۹۱ هزار توکن ورودی و ۱۳۱ هزار توکن خروجی را پشتیبانی میکند. به بیان ساده، این مدل میتواند در یک درخواست واحد، بیش از دویست صفحه سند متنی یا محتوای متناظر با بیش از صد ساعت گفتار ویدیویی را تحلیل کند. این مدل همچنین از بودجه استدلال تا ۲۶۲ هزار توکن پشتیبانی میکند که به آن اجازه میدهد پیش از پاسخ نهایی، مراحل استدلال طولانیتری را طی کند.
چنین ظرفیتی برای کاربردهایی مثل تحلیل قراردادهای حقوقی طولانی، خلاصهسازی گزارشهای مالی چندصدصفحهای یا پردازش مجموعهای از مقالات علمی بسیار کاربردی است؛ حوزههایی که پیش از این نیازمند تقسیمکردن اسناد به بخشهای کوچکتر بودند.
۴. نتایج محکها: کوئن ۳.۸-مکس در برابر کلود اوپوس ۵ و جیپیتی-۵.۶ سول
در محک Terminal-Bench 2.1 که توانایی مدلها در انجام وظایف واقعی خطفرمان و مهندسی نرمافزار را میسنجد، کوئن ۳.۸-مکس امتیاز ۸۶.۶ کسب کرد؛ این رقم از کلود اوپوس ۴.۸ با امتیاز ۸۴.۶ بالاتر است، هرچند هنوز به جیپیتی-۵.۶ سول با امتیاز ۸۸.۸ نرسیده است. در محک PaperBench که توانایی خلاصهسازی و درک مقالات علمی را میسنجد، کوئن با امتیاز ۹۳ در صدر جدول قرار گرفت و در GPQA Diamond نیز امتیاز ۹۲.۶ را ثبت کرد.
با این حال، تصویر همیشه یکطرفه نیست؛ در محک SWE-bench Pro که وظایف واقعی توسعه نرمافزار را ارزیابی میکند، کلود فیبل ۵ با امتیاز ۸۰ همچنان از کوئن ۳.۸-مکس با امتیاز ۶۷.۷ جلوتر است. همچنین در آزمون Frontend Code Arena، کوئن تنها ۳۷ امتیاز از پیشرفتهترین پیکربندی کلود اوپوس ۵ عقب ماند، اما از بیش از ده مدل پیشرو دیگر از جمله میوز اسپارک متا پیشی گرفت. به گفته تیم علیبابا، بزرگترین جهش این نسل نسبت به نسل قبلی، در تواناییهای چندرسانهای و عاملمحور بوده است، نه صرفاً در استدلال خام.
برای کسانی که بهدنبال مقایسههای مشابه هستند، پیشتر در مقاله مقایسه ChatGPT و DeepSeek نشان دادیم که مدلهای چینی بهسرعت در حال کاهش فاصله فنی خود با پیشروهای غربی هستند؛ کوئن ۳.۸-مکس یک نمونه تازه از همین روند است.
۵. چرا قیمت کوئن ۳.۸-مکس اینقدر پایین است؟
علیبابا برای کوئن ۳.۸-مکس قیمتگذاری بسیار تهاجمی در نظر گرفته است: هر یک میلیون توکن ورودی تنها دو دلار و هر یک میلیون توکن خروجی شش دلار هزینه دارد. برای ورودیهای کششده، این هزینه حتی به ۰.۱۷ تا ۰.۲۵ دلار در هر میلیون توکن هم میرسد. این ارقام در مقایسه با بسیاری از مدلهای پرچمدار غربی، بهطور محسوسی پایینتر است و میتواند برای استارتاپها و تیمهای کوچک، هزینه توسعه محصولات مبتنی بر هوش مصنوعی را بهشکل قابلتوجهی کاهش دهد.
این استراتژی قیمتی، شبیه رویکردی است که پیشتر در تحلیل اهمیت هوش مصنوعی برای کسبوکارها در سال ۲۰۲۵ به آن اشاره کردیم: هزینه هر توکن، امروز به یکی از مهمترین معیارهای انتخاب مدل برای کسبوکارها تبدیل شده، حتی مهمتر از برند شناختهشده بودن آزمایشگاه سازنده.
۶. متنباز شدن مدل؛ چه تأثیری بر بازار توسعهدهندگان دارد؟
علیبابا اعلام کرده که هفته آینده وزنهای متنباز کوئن ۳.۸-مکس را همراه با یک نسخه سبکتر و ۲۷ میلیارد پارامتری منتشر خواهد کرد. نسخه اصلی همچنان به زیرساخت چند-گرهی مراکز داده نیاز دارد و اجرای آن روی سختافزار محلی عملی نیست، اما نسخه ۲۷ میلیاردی میتواند روی سختافزارهای سازمانی متوسط هم اجرا شود. این رویکرد دوگانه، یعنی عرضه همزمان یک مدل عظیم و یک نسخه سبکتر متنباز، به علیبابا اجازه میدهد هم در بازار مدلهای ابری رقابت کند و هم در جامعه توسعهدهندگان متنباز نفوذ کند.
برای توسعهدهندگانی که میخواهند از چنین مدلهایی بهدرستی استفاده کنند، آشنایی با اصول پرامپتنویسی درست اهمیت بیشتری پیدا میکند؛ چراکه کیفیت خروجی هر مدل، چه کوئن باشد چه رقبای آن، تا حد زیادی به کیفیت درخواست ورودی بستگی دارد.
۷. رقابت هوش مصنوعی چین و غرب؛ تصویر بزرگتر
رونمایی کوئن ۳.۸-مکس در بستری اتفاق میافتد که رقابت میان آزمایشگاههای هوش مصنوعی چین و غرب هر روز داغتر میشود. در هفتههای اخیر، مدلهایی مانند دیپسیک نیز با قیمتهای بسیار پایین وارد بازار شدهاند و اکنون کوئن ۳.۸-مکس نشان میدهد که علیبابا نیز قصد ندارد از این رقابت عقب بماند. تحلیلگران معتقدند این روند میتواند در میانمدت باعث کاهش هزینههای عمومی استفاده از هوش مصنوعی در سطح جهانی شود، چون آزمایشگاههای غربی نیز برای حفظ سهم بازار ناچار به بازنگری در قیمتگذاری خود خواهند شد.
البته باید توجه داشت که برتری در محکهای آزمایشگاهی همیشه به معنای برتری در کاربرد واقعی نیست. همانطور که در مقاله توهم هوش مصنوعی و تفاوت توسعهدهنده تنها با مهندس واقعی توضیح دادیم، بسیاری از ابزارهای هوش مصنوعی در آزمونهای کنترلشده عملکرد چشمگیری دارند اما در پروژههای واقعی و پیچیده، نیاز به نظارت انسانی همچنان پابرجاست.
۷.۱ تأثیر بر ابزارهای موجود در بازار
بسیاری از پلتفرمها و ابزارهایی که پیش از این تنها از مدلهای OpenAI یا Anthropic پشتیبانی میکردند، بهاحتمال زیاد در ماههای آینده گزینه کوئن ۳.۸-مکس را نیز به فهرست مدلهای خود اضافه خواهند کرد؛ بهخصوص با توجه به سازگاری این مدل با استاندارد API شبیه OpenAI.
۸. کاربردهای عملی برای توسعهدهندگان و کسبوکارهای فارسیزبان
برای تیمهای فنی که بهدنبال کاهش هزینه پردازش زبانی خود هستند، کوئن ۳.۸-مکس میتواند گزینهای جدی برای وظایفی مانند خلاصهسازی اسناد بلند، تحلیل دادههای متنی حجیم و توسعه دستیارهای کدنویسی داخلی باشد. با این حال، پیش از مهاجرت کامل، توصیه میشود تیمها عملکرد این مدل را در همان وظایف خاص خود بسنجند، نه صرفاً بر اساس امتیازهای محکهای عمومی. برای آشنایی بیشتر با نحوه شروع کار با ابزارهای هوش مصنوعی، میتوانید به بخش آموزشهای ChatGPT در سایت ما مراجعه کنید.
همچنین پیشنهاد میکنیم برای دنبالکردن آخرین رویدادهای این حوزه، سری به بخش اخبار هوش مصنوعی سایت مستر چت جیپیتی بزنید؛ جایی که بهمحض انتشار مقایسههای عملی میان کوئن ۳.۸-مکس، کلود و جیپیتی، آنها را منتشر خواهیم کرد.
۹. پرسشهای پرتکرار درباره کوئن ۳.۸-مکس
آیا کوئن ۳.۸-مکس از کلود و جیپیتی بهتر است؟
در برخی محکهای مشخص مانند Terminal-Bench 2.1 و PaperBench، کوئن ۳.۸-مکس عملکرد بهتری نسبت به کلود اوپوس ۴.۸ نشان داده، اما در محکهایی مانند SWE-bench Pro همچنان از کلود فیبل ۵ عقبتر است و به جیپیتی-۵.۶ سول هم نرسیده. بهطور کلی نمیتوان گفت این مدل بهطور مطلق بهتر یا بدتر است؛ عملکرد بستگی به نوع وظیفه دارد.
چه زمانی میتوان از نسخه متنباز کوئن ۳.۸-مکس استفاده کرد؟
بر اساس اعلام علیبابا، وزنهای متنباز این مدل و نسخه ۲۷ میلیارد پارامتری آن قرار است هفته آینده منتشر شوند.
آیا اجرای کوئن ۳.۸-مکس روی سختافزار شخصی ممکن است؟
نسخه اصلی و کامل مدل به زیرساخت چند-گرهی مراکز داده نیاز دارد، اما نسخه سبکتر ۲۷ میلیارد پارامتری برای اجرا روی سختافزارهای سازمانی متوسط طراحی شده است.
هزینه استفاده از کوئن ۳.۸-مکس چقدر است؟
هر یک میلیون توکن ورودی حدود دو دلار و هر یک میلیون توکن خروجی حدود شش دلار هزینه دارد که در مقایسه با بسیاری از مدلهای پرچمدار غربی رقمی پایینتر محسوب میشود.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
