آزمایشگاه تحقیقاتی کوئن علی‌بابا، Qwen 3.8 27B را روز جمعه منتشر کرد، یک مدل زبان بزرگ با مجوز آپاچی 2.0 با قابلیت بینایی که بر روی یک لپ‌تاپ با مشخصات معقول اجرا می‌شود - و طبق معیارهای خود آزمایشگاه، نه تنها از سلف خود بلکه یک مدل با وزن بسته اخیر به عنوان قوی‌ترین مدل Q که اخیراً در میان قوی‌ترین مدل‌های Qwe وزن بود، بهتر عمل می‌کند.

این نسخه به یکی از پر بحث ترین عرضه های مدل ماه در محافل توسعه دهندگان تبدیل شده است. یک بررسی عملی که یکشنبه توسط سایمون ویلیسون، محقق و وبلاگ نویس برجسته هوش مصنوعی منتشر شد، با صدها رأی موافق به صفحه اول Hacker News رسید و خوانندگان در مورد قابلیت های مدل و پیکربندی پیش فرض غیرمعمول آن بحث کردند. For more context on this story, see our ongoing AI news.

چه جدید در Qwen 3.8 27B

این مدل جدیدترین در خط وزن‌های باز علی‌بابا است که چند هفته پس از عرضه بسیار بزرگتر Qwen 3.8 2.4T-A95B ترکیبی از متخصصان عرضه می‌شود. با توجه به معیارهای خود گزارش‌شده Qwen، مدل 27B نسبت به Qwen 3.6 27B و Qwen 3.7-Plus با وزن بسته برتری نشان می‌دهد - مدلی که علی‌رغم نامش، در اوایل سال جاری یکی از قوی‌ترین عملکردهای Qwen در هر اندازه بود.

این مدل حداکثر طول زمینه 262144 توکن را پشتیبانی می‌کند، ورودی‌های دید را کنترل می‌کند، و با پشتیبانی رسمی برای پارامتر «reasoning_fort» ارسال می‌کند که عمق استدلال را در سه سطح تنظیم می‌کند: «xhigh»، «متوسط» و «کم».

این اولین تنظیم است - «xhigh»، پیش‌فرض کارخانه - که به نقطه صحبت انتشار تبدیل شده است.

مشکل بیش از حد فکر کردن

ویلیسون که این مدل را روی یک مک بوک پرو 128 گیگابایتی و یک NVIDIA DGX Spark با استفاده از ساخت کوانتیزه 17 گیگابایتی Q4_K_M استودیو LM آزمایش کرد، پیش‌فرض را به‌عنوان «تفکر بیش از حد تماشایی» توصیف کرد.

در یک مثال چشمگیر، او از مدل خواست تا SVG یک پلیکان دوچرخه سوار را بکشد. با تلاش استدلال پیش‌فرض «xhigh»، مدل 22276 توکن استدلال را برای تولید 3223 توکن خروجی صرف کرد - فرآیندی که 21 دقیقه روی سخت‌افزار او طول کشید. او خاطرنشان کرد که نتیجه "تا حد زیادی بهترین SVG پلیکان" بود که او توانسته است با مدلی که به صورت محلی اجرا می شود، با هندسه دوچرخه درست، پاها در دو طرف قاب و پس زمینه تصویر شده با سلیقه تولید کند.

مبادله واضح است: 21 دقیقه انتظار غیرعملی برای اکثر وظایف است. اجرای مجدد همان اعلان با غیرفعال کردن استدلال، پاسخی را در 137 ثانیه - کمتر از یک دهم زمان - در طول خروجی مشابه ایجاد کرد.

حتی درخواست‌های ساده و بی‌اهمیت این رفتار را تحریک می‌کنند. رد استدلال مدل با سنجیدن گزینه‌های پالت، استایل باهاوس، حلقه‌های لایه‌ای و رویکردهای انیمیشن - چندین دقیقه بررسی برای شکلی که به یک تگ XML نیاز دارد، باز می‌شود.

حکم ویلیسون: مدل عالی است، اما پیکربندی پیش‌فرض «مطمئناً راه خوبی برای اجرای مدل، به‌ویژه در سخت‌افزار مصرف‌کننده نیست». کاربران می‌توانند به تلاش استدلالی «متوسط» یا «کم» روی آورند یا تفکر گسترده را به طور کامل غیرفعال کنند.

حرکت هوش مصنوعی محلی

این نسخه نشان می‌دهد که چقدر سریع شکاف قابلیت‌ها بین مدل‌های ابر مرزی و مدل‌های باز قابل اجرا محلی کاهش یافته است. یک فایل 17 گیگابایتی که روی یک لپ‌تاپ اجرا می‌شود، اکنون نتایجی را ایجاد می‌کند که در کارهای خلاقانه خاص، با مدل‌های در مقیاس مرکز داده در چندی قبل رقابت می‌کنند.

همچنین به شتاب وزن‌های باز آزمایشگاه‌های چینی که سال 2026 را تعریف کرده‌اند ادامه می‌دهد. خانواده Qwen علی‌بابا یکی از پربارترین مدل‌های دانلود شده در سراسر جهان امسال بوده است و با نسخه‌های Meta، DeepSeek و Moonshot AI برای به اشتراک گذاشتن ذهن توسعه‌دهندگان رقابت می‌کند. نتایج بنچمارک مستقل برای Qwen 3.8 27B هنوز در حال جمع‌آوری است و ویلیسون به صراحت هشدار داد که اعداد گزارش شده توسط آزمایشگاه در انتظار تأیید شخص ثالث هستند.

راهنمای عملی برای کاربران

برای توسعه‌دهندگان و علاقه‌مندانی که این مدل را در نظر می‌گیرند، اجماع در حال ظهور از آزمایش‌های اولیه ساده است: Qwen 3.8 27B یک انتخاب پیش‌فرض قوی برای بارهای کاری محلی هوش مصنوعی است که شامل دید یا اسناد طولانی می‌شود، اما تلاش استدلال باید بر اساس کار تنظیم شود. تحلیل پیچیده ممکن است "xhigh" را توجیه کند. سوالات روزمره و پیش‌نویس‌های سریع در «متوسط» یا پایین‌تر سریع‌تر و ارزان‌تر هستند.

کاربرانی که مدل را از طریق ابزارهایی مانند LM Studio اجرا می‌کنند، باید پنجره زمینه پیش‌فرض را از 8192 توکن بالا ببرند – ویلیسون متوجه شد که تفکر توسعه‌یافته مدل این بودجه را حتی برای مشکلات دنیوی قبل از بارگیری آن با متن کامل 262،144 توکن، تمام کرده است.

سوال بزرگ‌تر این است که انتشار در مورد فاز بعدی مسابقه مدل باز چه سیگنالی می‌دهد: با تبدیل شدن مدل‌های سبک استدلال به هنجار، پیش‌فرض‌های پیکربندی به تصمیم‌گیری‌های محصول با پیامدهای کاربردی واقعی تبدیل می‌شوند – و پیش‌فرض «xhigh» Qwen در حال حاضر مورد بحث‌ترین مثال است.

نقطه عطفی برای وزنه های باز

این نسخه همچنین نقطه عطفی را در آنچه آزمایشگاه‌های وزن باز می‌توانند در مقیاس کوچک ارائه دهند، نشان می‌دهد. قابلیت Vision، پنجره زمینه 262144 توکن و عملکرد استدلال رقابتی در بسته ای که بر روی یک لپ تاپ مصرفی قرار می گیرد در مدل دارای مجوز Apache-2.0 دو سال پیش غیرقابل تصور بود. برای توسعه‌دهندگانی که برنامه‌های محلی را برای اولین بار می‌سازند – که در آن حریم خصوصی داده، تأخیر یا عملیات آفلاین، APIهای ابری را رد می‌کند – گزینه‌های عملی با یک کلیپ سریع بهبود می‌یابند.

آزمایش ویلیسون همچنین یک نقطه بلوغ را برای اکوسیستم برجسته می‌کند: ابزارسازی پیرامون مدل‌های محلی، از دانلودهای GGUF با یک کلیک LM Studio تا پارامترهای استدلال قابل تنظیم، به اندازه‌ای پیشرفت کرده است که تنظیم عمق تفکر یک مدل اکنون به جای یک تمرین تحقیقاتی، یک تصمیم معمول کاربر است. با انباشته شدن معیارهای مستقل در روزهای آینده، تصویر دقیقاً جایی که Qwen 3.8 27B در برابر رقبای باز و بسته خود قرار می گیرد، واضح تر خواهد شد - اما استقبال اولیه نشان دهنده ورود قوی دیگری در خط است که علی بابا را به یکی از مهم ترین ناشران مدل باز در جهان تبدیل کرده است.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →