شرکت علی‌بابای چین از نسخه جدید مدل متن‌باز Qwen3 رونمایی کرد

به گزارش پیوست به نقل از ونچربیت، مجوز استفاده تجاری به شرکت‌ها و توسعه‌دهندگان اجازه می‌دهد از این مدل در محصولات خود استفاده کنند. نسخه جدید Qwen3 از ۲۳۵ میلیارد پارامتر برخوردار است که البته با معماری و ساختار‌بندی بهینه با انرژی و توان رایانشی حداقلی می‌توان از آن استفاده کرد.

طبق اعلام شرکت، نسخه FP8 که به طور ویژه برای موارد استفاده با رایانش محدود طراحی شده را می‌توان تنها با ۴ پردازنده A100 استفاده کرد.

بهبود چشمگیر در استدلال، قابلیت‌های چند‌زبانی و برنامه‌نویسی

با وجود اینکه توان رایانشی کمتری برای استفاده از این مدل نیاز است، نسخه جدید Qwen3 عملکرد خود را نیز در حوزه‌های کلیدی تقویت کرده است:

• استدلال (Reasoning): مدل جدید علی‌بابا توانسته عملکرد خود در آزمون‌های AIME25 و ARC-AGI را بیش از دو برابر بهبود بخشد، که نشان‌دهنده پیشرفت واقعی در «تفکر زنجیره‌ای» و استنتاج گام‌به‌گام است.
• دانش عمومی: در آزمون MMLU-Pro که دانش عمومی مدل‌های هوش مصنوعی را مورد سنجش قرار می‌دهد، امتیاز نسخه جدید از ۷۵.۲ به ۸۳.۰ افزایش یافته است.
• دقت در ارائه واقعیت‌ها: در بنچمارک‌های GPQA و SuperGPQA که دقت مدل‌ها در ارائه حقایق و واقعیت‌ها را مورد سنجش قرار می‌دهند، نسخه جدلد Qwen3 توانست از ۱۵ تا ۲۰ درصد عملکرد خود را بهبود بخشد؛ اگرچه چنین امتیازی همچنان نشانگر لزوم تقویت بیشتر است اما نشان دهنده بهبود عملکرد مدل در ارائه اطلاعات دقیق نسبت به گذشته است.
• کدنویسی: در آزمون LiveCodeBench، امتیاز مدل از ۳۲.۹ به ۵۱.۸ رسیده است که یک جهش بیش از پنجاه درصدی در عملکرد کدنویسی را روایت می‌کند.

این مدل همچنین از معماری MoE یا Mixture of Experts برای کاهش منابع رایانشی مورد نیاز کمک می‌گیرد و براساس این معماری تنها ۸ مسیر از ۱۲۸ مسیر تخصصی برای پاسخ به درخواست کاربر فعال می‌شوند.گرچه تعداد کل پارامترها ۲۳۵ میلیارد است، تنها ۲۲ میلیارد در هر لحظه فعال هستند که باعث بهینه‌سازی منابع مصرفی می‌شود.

نسخه FP8: دگرگونی در سرعت و بهره‌وری

یکی از مهم‌ترین ویژگی‌های نسخه جدید، عرضه نسخه‌ای فشرده‌شده بر پایه فرمت FP8  یا floating point 8-bit است. این نسخه در کنار حفظ عملکرد، مصرف حافظه، برق و منابع پردازشی را به طرز چشمگیری کاهش می‌دهد.

این ویژگی نسخه FP8 را به گزینه‌ای ایده‌آل برای شرکت‌ها و تیم‌هایی تبدیل می‌کند که در محیط‌هایی با محدودیت منابع یا هزینه فعالیت دارند و برای مثال از ابر یا دیتاسنترهای داخلی برای اجرای مدل‌های خود کمک می‌گیرند.

مدل استدلال‌گر به صورت جداگانه عرضه می‌شود

گفتنی است با وجود اینکه علی‌بابا در نسخه Qwen3.0 برای نخستین بار امکان استفاده از مدل‌های هیبریدی را فراهم کرد که در آن‌ها کاربر می‌توانست با وارد کردن دستور /think یا فعال کردن «حالت تفکر» از مدل بخواهد ابتدا به طور زنجیره‌ای استدلال کند و سپس پاسخ دهد اما اکنون تیم Qwen این قابلیت را حذف کرده و طبق اعلام این تیم، مدل‌های «Instruct» و «Reasoning» به‌صورت جداگانه توسعه داده می‌شوند.

از نقطه نظر طراحی چنین تصمیمی می‌تواند به افزایش ثبات در رفتار مدل و ارتقای دقت در پیروی از دستور کاربر منجر شود. نسخه ۲۵۰۷ فعلا تنها مدل Instruct (غیر استدلالی) است، اما مدل reasoning نیز در راه است.

رویکرد متن‌باز همراه با مجوزی که مناسب استفاده سازمانی است

مدل Qwen3 برخلاف بسیاری از مدل‌های دیگر با مجوز Apache 2.0 عرضه شده است. این بدان معناست که سازمان‌ها می‌توانند آن را آزادانه برای اهداف تجاری استفاده کنند، آن را نسبت به نیاز‌های خود بومی‌سازی کرده و روی سرورهای خصوصی اجرا کنند. برای این کار حتی نیازی به اتصال به اینترنت یا تنظیم و بهینه‌سازی API آن نیست.

علی‌بابا با عرضه این مدل با ویژگی‌هایی زیر سازمان‌ها را هدف قرار داده است:

• اجرای محلی با vLLM یا SGLang
• تنظیم دقیق  براساس نیاز با LoRA یا QLoRA بدون ارسال داده‌های محرمانه به بیرون
• امکان نظارت داخلی برای تطابق با قوانین و ممیزی
• مقیاس‌پذیری بالا
• سازگاری با INT4، MLX و سایر زیرساخت‌های سخت‌افزاری

عرضه نسخه ۲۵۰۷ از همان ابتدای عرضه خود با واکنش‌های بسیار مثبتی از سوی متخصصان مواجه شده است. پل کووره، بنیان‌گذار Blue Shell AI، عملکرد مدل را بهتر از Claude Opus 4 و Kimi K2 توصیف کرده است. جف بادیه از هاگینگ فیس نیز به مزایای FP8 از جمله امکان قابلیت اجرای سریع در Azure ML و مک‌بوک اشاره کرده است.

حتی برخی کاربران توییتر می‌گویند مدل Qwen توانسته مدل پرادعای Kimi K2 را تنها طی یک هفته به حاشیه براند و این در حالی است که حجم آن تنها یک‌چهارم حجم کیمی است.

افق آینده: عامل‌محوری و رویکرد چندوجهی

تیم توسعه دهنده Qwen وعده داده که نسخه‌های آینده بر توانایی‌های عامل‌محور یا ایجنتیک تمرکز می‌کنند. شرکت‌های هوش مصنوعی در حال حاضر حرکت به سمت عامل‌های هوش مصنوعی را در اولویت قرار داده‌اند و شرکت اوپن‌ای‌آی نیز به تازگی از ChatGPT Agent برای اهداف مشابه رونمایی کرد.

توسعه دهندگان شرکت علی‌بابا می‌گویند رویکرد عامل‌محور این مدل بر توانایی برنامه‌ریزی بلندمدت، تعامل چندمرحله‌ای با ابزارها و استدلال پیچیده تمرکز می‌کند.

همچنین با توجه به عرضه مدل‌های چندوجهی Qwen-VL و Qwen-Omni در گذشته، انتظار می‌رود نسخه‌های چندوجهی (متنی-تصویری-شنیداری) نیز براساس نسخه جدید توسعه یابند.

شایعاتی نیز درباره عرضه یک نسخه بسیار قدرتمندتر با نام Qwen3-Coder-480B-A35B-Instruct وجود دارد که احتمالا از معماری MoE با ۴۸۰ میلیارد پارامتر و کانتکست یک‌میلیون توکنی بهره می‌گیرد. این مدل در صورت عرضه می‌تواند آغازگر فصل تازه‌ای در رقابت LLMهای متن‌باز با توانمندی بالا باشد.

در مجموع، عرضه Qwen3-235B-A22B-Instruct-2507 علاوه بر یک ارتقای فنی، نشانه‌ای از بلوغ مدل‌های متن‌باز چینی و توان رقابت آن‌ها با غول‌های انحصاری غربی است. با ترکیبی از عملکرد عالی، بهره‌وری، مجوز تجاری باز و قابلیت اجرا در محیط‌های سازمانی، این مدل می‌تواند به گزینه‌ای پیشرو در پیاده‌سازی‌های مقیاس‌پذیر هوش مصنوعی بدل شود.