جام جم آنلاین: علیبابا از مدل جدید هوش مصنوعی خود با نام «Qwen4-Max» رونمایی کرده است؛ مدلی با معماری ۲.۴ تریلیون پارامتری که به قابلیتهایی مانند پردازش چندوجهی، استدلال پیشرفته، برنامهنویسی و اجرای وظایف پیچیده و چندمرحلهای مجهز شده است.
Qwen4-Max چیست و چرا رونمایی علیبابا اهمیت دارد؟
این مدل با پنجره زمینه یک میلیون توکنی و تمرکز بر کاهش هزینه اجرای وظایف تخصصی، تازهترین تلاش شرکتهای چینی برای رقابت با بازیگران پیشرو آمریکایی در صنعت هوش مصنوعی به شمار میرود.
عرضه Qwen4-Max از سوی علیبابا را نمیتوان صرفاً یک بهروزرسانی معمولی دانست. این شرکت که یکی از بازیگران اصلی صنعت فناوری چین است، با معرفی قدرتمندترین مدل خانواده Qwen تا زمان انتشار این گزارش، نشان داده که قصد دارد سهم بیشتری از بازار مدلهای پیشرفته هوش مصنوعی را به دست آورد.
بر اساس گزارش فنی منتشرشده از سوی تیم Qwen، مدل جدید بر پایه معماری ۲.۴ تریلیون پارامتری توسعه یافته و در هر توکن حدود ۷۱ میلیارد پارامتر آن فعال میشود.
هوش مصنوعی علیبابا چگونه از پس پروژههای پیچیده علمی برمیآید؟
این ساختار از معماری ترکیب متخصصان (Mixture of Experts یا MoE) بهره میبرد؛ روشی که در آن برای پردازش هر درخواست، تنها بخشهای مورد نیاز شبکه فعال میشوند و به این ترتیب، امکان استفاده کارآمدتر از منابع محاسباتی فراهم میشود.
علیبابا همچنین از ۳۲۸ میلیارد پارامتر اضافی در بخش N-gram Embedding خبر داده است. این بخش با استفاده از الگوهای محلی توکنها، ظرفیت بازنمایی اطلاعات را افزایش میدهد. در معماری جدید، فناوریهایی مانند Gated DeltaNet و Qwen Sparse Attention نیز برای مدیریت بهتر اطلاعات و کاهش هزینه پردازش توالیهای طولانی به کار گرفته شدهاند.
یکی از قابلیتهای مهم Qwen4-Max، پشتیبانی از پنجره زمینه یک میلیون توکنی است. این ظرفیت به مدل اجازه میدهد حجم بسیار زیادی از متن، اسناد و اطلاعات را در یک درخواست پردازش کند. علاوه بر این، مدل از قابلیتهای بینایی بومی برخوردار است و میتواند ورودیهای تصویری و ویدئویی را نیز تحلیل کند.
بر اساس مستندات فنی علیبابا، برنامهنویسی، طراحی رابط کاربری، انجام وظایف اداری و حرفهای، جستوجوی وب و استفاده از ابزارهای خارجی از جمله کاربردهای هدف این مدل هستند. توانایی برنامهریزی و اجرای وظایف طولانیمدت و چندمرحلهای نیز از ویژگیهایی است که تیم توسعهدهنده بر آن تأکید کرده است.
از برنامهنویسی تا کشف علمی؛ آزمون تواناییهای عملی مدل
یکی از بخشهای قابل توجه معرفی Qwen4-Max، نمونههایی است که علیبابا برای نمایش توانایی مدل در انجام پروژههای تخصصی ارائه کرده است.
در یکی از این آزمایشها، مدل در یک فرایند پژوهشی مرتبط با خنکسازی تراشههای نسل جدید، یک فرایند پیوسته ۴۸ ساعته را طی کرده است. این فرایند شامل طراحی مولکولی، ساخت و آزمایش نمونهها و استفاده از نتایج بهدستآمده برای اصلاح مراحل بعدی بود. به گفته تیم Qwen، حاصل این فرایند دستیابی به یک مولکول خنککننده بود که اعتبار آن از طریق آزمایش تجربی بررسی شده است.
در نمونه دیگری، Qwen4-Max در یک پروژه پژوهشی مرتبط با بیماری آلزایمر و هدف مولکولی NLRP3 به کار گرفته شده است. مدل در این فرایند، جستوجوی منابع علمی و پتنتها، بررسی مولکولهای مرجع، طراحی ترکیبات پیشنهادی و ارزیابی محاسباتی آنها را انجام داده است. بر اساس گزارش شرکت، این فرایند شامل ۴۵۴ فراخوانی ابزار، ۳۲۳۹ ارزیابی محاسباتی و طراحی و بهینهسازی ۲۴ مولکول پیشنهادی بوده است.
البته این نتایج به معنای کشف داروی تأییدشده برای آلزایمر نیستند. خود تیم Qwen نیز بر ضرورت اعتبارسنجی آزمایشگاهی بیشتر تأکید کرده است. با این حال، چنین نمونههایی نشان میدهند که شرکت سازنده قصد دارد قابلیت مدل را فراتر از پاسخگویی متنی و در قالب مشارکت در فرایندهای پیچیده پژوهشی به نمایش بگذارد.
عملکرد Qwen4-Max در آزمونهای تخصصی؛ رقابت با مدلهای پیشرفته آمریکایی
علیبابا در گزارش معرفی Qwen4-Max، نتایج چندین آزمون تخصصی را منتشر کرده است. در ارزیابی Work360 که برای سنجش عملکرد مدلها در وظایف حرفهای و صنعتی طراحی شده و ۷۲۱ حوزه تخصصی را پوشش میدهد، مدل جدید امتیاز ۵۲.۶۹ را کسب کرده است؛ در حالی که امتیاز نسل قبلی، Qwen3.8-Max، برابر با ۴۷.۷۴ بوده است.
این شرکت همچنین اعلام کرده که Qwen4-Max در رتبهبندی Code Arena جایگاه ششم را به دست آورده است؛ رتبهای که نشاندهنده عملکرد رقابتی آن در ارزیابیهای مرتبط با برنامهنویسی است. با این حال، نتایج یک بنچمارک بهتنهایی نمیتواند برتری یک مدل را در تمام کاربردها اثبات کند.
کاهش ۶۰ درصدی هزینه هوش مصنوعی؛ برگ برنده تازه چین چیست؟
نکته مهم دیگر، کاهش هزینه استفاده از مدل است. بر اساس دادههای منتشرشده از سوی علیبابا، در آزمون Work360 میانگین هزینه انجام هر وظیفه از ۴.۴۳ دلار در نسل قبلی به ۱.۶۷ دلار در Qwen4-Max رسیده است؛ یعنی حدود ۶۲ درصد کاهش.
تیم Qwen همچنین از کاهش مصرف توکن در برخی آزمونها خبر داده است. برای مثال، در ارزیابی Work360 میزان مصرف توکن در دو سطح استدلال High و Xhigh به ترتیب حدود ۳۵ و ۲۴ درصد کاهش یافته است. این شرکت کاهش قابل توجه مصرف توکن را در آزمون Terminal-Bench 4.0 نیز گزارش کرده است.
البته باید توجه داشت که این ارقام بر اساس ارزیابیهای اعلامشده از سوی خود علیبابا به دست آمدهاند و نمیتوان آنها را مستقیماً به تمام کاربردهای واقعی تعمیم داد.
چرا علیبابا مدل پرچمدار Qwen4-Max را متنباز نکرد؟
یکی از نکات قابل توجه در معرفی Qwen4-Max، شیوه عرضه آن است. خانواده Qwen پیشتر به دلیل انتشار مدلهایی با وزنهای در دسترس (Open-Weight) و امکان استفاده و توسعه آنها از سوی جامعه برنامهنویسان شناخته میشد.
اما Qwen4-Max در زمان معرفی از طریق زیرساختهای ابری، سرویس QwenCloud و رابط برنامهنویسی کاربردی (API) در دسترس قرار گرفته و علیبابا وزنهای قابل دانلود این مدل را منتشر نکرده است. بنابراین توسعهدهندگان فعلاً امکان دریافت و اجرای مستقل وزنهای نسخه پرچمدار را ندارند.
در مقابل، تیم Qwen اعلام کرده است که مدلهای کوچکتر خانواده Qwen4 در آینده با وزنهای در دسترس برای توسعهدهندگان منتشر خواهند شد.
این رویکرد را میتوان نوعی استراتژی دوگانه دانست. عرضه مدلهای کوچکتر با وزنهای در دسترس، به گسترش جامعه توسعهدهندگان و تقویت اکوسیستم کمک میکند؛ در حالی که ارائه مدل پرچمدار از طریق سرویسهای اختصاصی، امکان کنترل بیشتر بر نحوه عرضه و کسب درآمد از خدمات ابری را فراهم میسازد.
البته علیبابا در اطلاعیه خود این تصمیم را صراحتاً بهعنوان تغییر استراتژی تجاری معرفی نکرده است؛ بنابراین نمیتوان انگیزههای اقتصادی و مدیریتی شرکت را قطعی دانست. با این حال، تفاوت در شیوه عرضه مدل پرچمدار و نسخههای کوچکتر، نشاندهنده انتخاب رویکردی متفاوت برای توسعه و تجاریسازی این خانواده است.
هوش مصنوعی چینی با چه قابلیتهایی وارد بازار جهانی میشود؟
توان فنی تنها عامل تعیینکننده در رقابت هوش مصنوعی نیست. هزینه آموزش و اجرای مدلها، دسترسی به زیرساخت محاسباتی و قیمت خدمات API نیز در انتخاب شرکتها و توسعهدهندگان نقش مهمی دارند.
علیبابا در معرفی Qwen4-Max بر کاهش هزینه پردازش و بهینهسازی مصرف منابع تأکید کرده است. کاهش ۶۲ درصدی هزینه متوسط هر وظیفه در آزمون Work360، در کنار کاهش مصرف توکن و قیمتگذاری پایینتر API نسبت به نسل قبلی، از جمله شواهدی هستند که این شرکت برای نمایش مزیت اقتصادی مدل جدید ارائه کرده است.
این موضوع برای شرکتهای چینی اهمیت ویژهای دارد. محدودیتهای صادراتی آمریکا و دشواری دسترسی به برخی تراشههای پیشرفته، توسعهدهندگان چینی را با چالشهایی در تأمین سختافزار مورد نیاز برای آموزش و اجرای مدلهای بزرگ روبهرو کرده است. در چنین شرایطی، بهینهسازی معماری و استفاده کارآمدتر از منابع محاسباتی موجود میتواند اهمیت راهبردی داشته باشد.
با این حال، قیمت پایینتر بهتنهایی برای جذب مشتری کافی نیست. پایداری سرویس، سرعت پاسخگویی، کیفیت خروجی، امنیت دادهها و امکان استفاده در مقیاس گسترده نیز در تصمیم شرکتها برای انتخاب یک زیرساخت هوش مصنوعی نقش تعیینکننده دارند.

امنیت Qwen4-Max چقدر قابل اعتماد است؟
علیبابا در گزارش فنی خود بخشی را نیز به سازوکارهای ایمنی و کنترل خطرهای احتمالی اختصاص داده است. این شرکت اعلام کرده که در فرایند آموزش Qwen4-Max، علاوه بر بررسی عملکرد کدهای تولیدشده، ارزیابیهای امنیتی نیز تقویت شدهاند.
بر اساس گزارش تیم Qwen، نرخ موفقیت مدل در آزمونی که عملکرد صحیح و امنیت کد را بهصورت همزمان بررسی میکند، از ۲۲ درصد در نسل قبلی به ۳۱.۸ درصد رسیده است. همچنین سهم کدهایی که در سه سطح تابع، فایل و مخزن کد بهطور همزمان الزامات امنیتی را رعایت کردهاند، از ۸ درصد به ۱۴.۷ درصد افزایش یافته است.
در حوزه امنیت سایبری، علیبابا اعلام کرده که در فرایند آموزش مدل، محتوای مرتبط با شناسایی و رفع آسیبپذیریها را حفظ کرده، اما دادههایی را که با هدف تقویت توانایی حملات سایبری طراحی شدهاند، کنار گذاشته است.
این شرکت همچنین از تقویت سازوکارهای ایمنی در حوزه خطرات شیمیایی، زیستی، پرتوی و هستهای (CBRN) خبر داده است. به گفته تیم توسعهدهنده، مجموعه دادههای اختصاصی و مراحل تکمیلی آموزش برای کاهش احتمال سوءاستفاده از مدل در این حوزهها به کار گرفته شدهاند.
البته این نتایج عمدتاً بر اساس ارزیابیهای داخلی علیبابا گزارش شدهاند و هنوز نمیتوان آنها را معادل تأیید مستقل ایمن
ی مدل دانست. برای شرکتهایی که قصد عرضه جهانی محصولات هوش مصنوعی را دارند، شفافیت درباره نحوه مدیریت خطرها، حفاظت از دادهها و رعایت الزامات قانونی بازارهای مختلف اهمیت زیادی دارد.
آیا Qwen4-Max میتواند فاصله چین و آمریکا را در هوش مصنوعی کم کند؟
عرضه مدلهایی مانند Qwen4-Max نشان میدهد شرکتهای چینی دیگر صرفاً در جایگاه دنبالکنندگان فناوری آمریکا قرار ندارند. آنها در حال توسعه مدلهایی هستند که در حوزههایی مانند برنامهنویسی، پردازش چندوجهی، انجام وظایف تخصصی و اجرای فرایندهای طولانیمدت، توانایی رقابت با محصولات پیشرفته بازار را دارند.
این پیشرفت در شرایطی رخ داده که محدودیتهای صادراتی آمریکا، دسترسی بخشی از شرکتهای چینی به تراشههای پیشرفته را دشوار کرده است. با وجود این موانع، سرمایهگذاری در زیرساختهای داخلی، توسعه معماریهای کارآمدتر و کاهش هزینه پردازش به شرکتهایی مانند علیبابا امکان داده است مسیر توسعه مدلهای پیشرفته خود را ادامه دهند.
با این حال، هنوز نمیتوان از برابری کامل دو طرف در تمام ابعاد سخن گفت. دسترسی به تراشههای نسل جدید، ظرفیت مراکز داده، توان پژوهشی، کیفیت پایدار مدلها، امنیت، گستردگی بازار جهانی و میزان پذیرش محصولات از سوی توسعهدهندگان، هرکدام معیار جداگانهای برای سنجش قدرت شرکتها هستند.
رقابت بر سر فناوری بین چین و آمریکا ادامه دارد
آنچه روشن به نظر میرسد این است که رقابت آینده فقط بر سر ساخت مدلهای بزرگتر و قدرتمندتر نخواهد بود. شرکتی موفقتر خواهد بود که بتواند فناوری قابل اتکا را با هزینه کمتر، دسترسی آسانتر و خدمات مناسبتر در اختیار کاربران و کسبوکارها قرار دهد.
Qwen4-Max بهتنهایی پایان برتری شرکتهای آمریکایی را رقم نمیزند و انتشار نتایج اولیه آن نیز برای اثبات چنین ادعایی کافی نیست. با این حال، معرفی این مدل نشان میدهد چین قصد دارد جایگاه خود را در رقابت جهانی هوش مصنوعی تقویت کند. از این پس، قیمت، دسترسی، کاربرد عملی و کیفیت پایدار مدلها به اندازه قدرت فنی آنها در تعیین برندگان این بازار اهمیت خواهند داشت.
اولین واکنشها به تازهترین انیمیشن دیزنی:
با تهیهکننده «سفینه نجات» به مناسبت روز جهانی کودک، از ضرورت سرمایهگذاری پایدار در انیمیشن ایران گفتیم
شاهین بیانی در گفتوگو با جام جم عنوان کرد: