Qwen 3.8 چیست؟ معرفی نسل جدید مدل هوش مصنوعی Alibaba

Qwen 3.8 چیست؟

Qwen 3.8 نسل جدید خانواده مدل‌های زبانی و چندوجهی Qwen است که توسط تیم Qwen در Alibaba Cloud توسعه داده شده است. طبق اطلاعات منتشرشده در Hugging Face، Qwen3.8 بر پایه معماری نسل Qwen3.5 ساخته شده و هدف آن ارائه پیشرفت‌های قابل توجه در برنامه‌نویسی، کارهای حرفه‌ای، تحقیق و وظایف Agentic طولانی و چندمرحله‌ای است.

نکته مهم این است که Qwen 3.8 را نباید صرفاً یک مدل چت در نظر گرفت. تمرکز این نسل تا حد زیادی روی توانایی مدل برای انجام یک کار پیچیده از ابتدا تا انتهاست؛ یعنی مدل بتواند مسئله را تحلیل کند، برنامه‌ریزی انجام دهد، با محیط تعامل داشته باشد، نتیجه اقدامات خود را بررسی کند و در صورت نیاز مسیر خود را اصلاح کند.

به همین دلیل، در معرفی Qwen3.8 موضوعاتی مانند Agent Execution، ابزارهای توسعه، وظایف طولانی‌مدت و کنترل میزان استدلال اهمیت زیادی دارند.

Qwen 3.8 متعلق به کدام شرکت است؟

Qwen توسط تیم Qwen در Alibaba Cloud توسعه داده می‌شود. صفحه رسمی Qwen در Hugging Face نیز این سازمان را به‌عنوان خانواده مدل‌های زبانی بزرگ و مدل‌های چندوجهی ساخته‌شده توسط Alibaba Cloud معرفی می‌کند.

خانواده Qwen پیش از Qwen3.8 نیز شامل نسل‌هایی مانند Qwen2، Qwen2.5، Qwen3، Qwen3.5 و Qwen3.6 بوده است. در کنار مدل‌های عمومی، این خانواده مدل‌های تخصصی برای برنامه‌نویسی، پردازش تصویر، گفتار، Embedding، Reranking و کاربردهای چندوجهی نیز دارد.

مدل‌های اصلی Qwen 3.8

Qwen3.8 یک مدل واحد نیست. در مجموعه رسمی Qwen3.8 در Hugging Face چهار مدل اصلی قرار گرفته‌اند:

  • Qwen3.8-2.4T-A95B
  • Qwen3.8-2.4T-A95B-FP8
  • Qwen3.8-27B
  • Qwen3.8-27B-FP8

بنابراین می‌توان Qwen3.8 را یک خانواده مدل در نظر گرفت که یک نسخه بسیار بزرگ برای بیشترین توان پردازشی و یک نسخه کوچک‌تر و مناسب‌تر برای استقرار ارائه می‌کند.

در کنار این مدل‌ها، Qwen3.8-Flash-Next نیز معرفی شده که مسیر متفاوتی را دنبال می‌کند و بیشتر به آینده معماری Qwen و نسل بعدی مدل‌ها مربوط می‌شود.

Qwen3.8-2.4T چیست؟

بزرگ‌ترین مدل اصلی این خانواده Qwen3.8-2.4T-A95B است. این مدل دارای حدود 2.4 تریلیون پارامتر است، اما تنها حدود 95 میلیارد پارامتر در هر پردازش فعال می‌شوند. این ساختار به مدل اجازه می‌دهد ظرفیت بسیار بزرگی داشته باشد، بدون اینکه در هر مرحله مجبور به پردازش تمام پارامترها باشد.

این مدل از معماری Mixture of Experts یا MoE استفاده می‌کند. در این روش، مدل از تعداد زیادی Expert تشکیل می‌شود و برای هر ورودی تنها بخش‌هایی از این شبکه فعال می‌شوند.

معماری Qwen3.8-2.4T-A95B شامل 92 لایه و ساختاری مبتنی بر ترکیب Gated DeltaNet، MoE و Gated Attention است.

یکی از نکات مهم درباره این مدل این است که نسخه موجود در Hugging Face به‌عنوان مدل بازوزن یا Open-Weight ارائه شده و با ابزارهایی مانند Transformers، vLLM، SGLang و TokenSpeed قابل استفاده است.

نسخه رسمی تجاری این مدل با نام Qwen3.8-Max معرفی شده که امکانات بیشتری مانند ورودی تصویری، حالت بدون Thinking، پنجره زمینه 1 میلیون توکنی به‌صورت پیش‌فرض و ابزارهای داخلی رسمی ارائه می‌کند.

Qwen3.8-27B چیست؟

Qwen3.8-27B نسخه‌ای بسیار کوچک‌تر و کاربردی‌تر از خانواده Qwen3.8 است که با 27 میلیارد پارامتر ساخته شده است.

تفاوت مهم آن با مدل 2.4T این است که Qwen3.8-27B یک مدل Dense است. در نتیجه، برخلاف معماری MoE مدل بزرگ، تمام پارامترهای مدل در پردازش فعال هستند.

این مدل همچنین چندوجهی است و از یک Vision Encoder استفاده می‌کند. بنابراین می‌تواند علاوه بر متن، تصاویر و ویدئو را نیز تحلیل کند. Hugging Face کاربردهای آن را از درک نمودارهای علمی و اسناد گرفته تا پردازش ویدئوهای طولانی عنوان کرده است.

Qwen3.8-27B دارای 64 لایه، ابعاد مخفی 5120 و پنجره زمینه بومی 262,144 توکن است. این ظرفیت را می‌توان برای برخی کاربردهای طولانی با روش‌هایی مانند YaRN تا حدود یک میلیون توکن گسترش داد.

Qwen3.8-27B-FP8 چیست؟

Qwen3.8-27B-FP8 نسخه‌ای از مدل 27B است که برای اجرای بهینه‌تر روی سخت‌افزارهای مناسب، به شکل FP8 ارائه شده است.

وجود نسخه FP8 اهمیت زیادی برای توسعه‌دهندگان دارد، زیرا مدل‌های بزرگ معمولاً به حافظه و توان پردازشی قابل توجهی نیاز دارند و کاهش دقت عددی می‌تواند به کاهش مصرف حافظه و افزایش بهره‌وری کمک کند.

در مجموعه رسمی Qwen3.8 در Hugging Face، نسخه FP8 این مدل نیز در کنار مدل اصلی قرار دارد.

Qwen3.8-Flash-Next چیست؟

یکی از جالب‌ترین بخش‌های نسل جدید Qwen، Qwen3.8-Flash-Next است.

این مدل صرفاً یک نسخه کوچک‌تر یا سریع‌تر از Qwen3.8 نیست. Qwen آن را یک پیش‌نمایش آزمایشی از معماری‌ای معرفی کرده که قرار است پایه‌ای برای Qwen4 باشد.

در این معماری، Qwen تلاش کرده نحوه پردازش اطلاعات در مدل‌های بزرگ را تغییر دهد تا مدل بتواند با هزینه محاسباتی کمتر، مخصوصاً در وظایف دارای Context طولانی و Agentic، عملکرد بهتری داشته باشد.

معماری Qwen3.8-Flash-Next

Qwen3.8-Flash-Next دارای 125 میلیارد پارامتر است، اما تنها حدود 6 میلیارد پارامتر در هر مرحله فعال می‌شوند.

علاوه بر این، مدل 51 میلیارد پارامتر مربوط به N-gram Embedding و 4 میلیارد پارامتر برای Multi-Token Prediction دارد. مدل دارای 48 لایه و 512 Expert است که در هر مرحله 10 Expert مسیریابی‌شده به همراه یک Expert مشترک فعال می‌شوند.

یکی از بخش‌های مهم معماری آن ترکیب Gated DeltaNet با Qwen Sparse Attention یا QSA است.

در روش QSA، به جای اینکه مدل تک‌تک توکن‌ها را برای پردازش انتخاب کند، از واحدهای کوچک‌تری در قالب Micro-block استفاده می‌شود. هدف این طراحی کاهش تأخیر هنگام پردازش Contextهای بسیار طولانی است، موضوعی که برای Agentها اهمیت زیادی دارد.

چرا Context Window در Qwen3.8 اهمیت دارد؟

یکی از نقاط قوت مهم Qwen3.8 پشتیبانی از Context بسیار طولانی است.

Qwen3.8-27B به‌صورت بومی از Context برابر با 262,144 توکن پشتیبانی می‌کند و امکان گسترش آن تا یک میلیون توکن نیز وجود دارد. Qwen3.8-Flash-Next نیز Context بومی 262,144 توکنی دارد و برای رسیدن به یک میلیون توکن قابل توسعه است.

این قابلیت برای کارهایی مانند:

  • تحلیل اسناد بسیار طولانی
  • بررسی کد یک پروژه بزرگ
  • تحلیل چندین فایل به‌صورت هم‌زمان
  • پژوهش و جمع‌آوری اطلاعات
  • کار با تاریخچه طولانی مکالمات
  • اجرای Agentهای چندمرحله‌ای

اهمیت زیادی دارد.

البته Context بزرگ به‌تنهایی به معنی درک کامل یک میلیون توکن نیست. ظرفیت بیشتر فقط فضای بیشتری برای قرار دادن اطلاعات در اختیار مدل قرار می‌دهد و کیفیت استفاده از این اطلاعات به معماری و توانایی مدل نیز بستگی دارد.

قابلیت Thinking در Qwen3.8

یکی از ویژگی‌های مهم Qwen3.8 کنترل میزان استدلال مدل است.

در Qwen3.8-27B، حالت Thinking به‌صورت پیش‌فرض فعال است و می‌توان میزان استدلال را با پارامتر reasoning_effort کنترل کرد. همچنین با preserve_thinking می‌توان اطلاعات مربوط به فرآیند استدلال قبلی را در ادامه تعامل حفظ کرد.

این قابلیت برای کارهایی که نیازمند تحلیل چندمرحله‌ای هستند اهمیت دارد. برای مثال، حل یک مسئله پیچیده برنامه‌نویسی یا تحلیل یک مسئله تحقیقاتی ممکن است به استدلال بیشتری نسبت به پاسخ به یک سؤال ساده نیاز داشته باشد.

به این ترتیب، کاربر می‌تواند میان سرعت پاسخ و عمق استدلال تعادل برقرار کند.

Qwen3.8 برای برنامه‌نویسی

برنامه‌نویسی یکی از مهم‌ترین حوزه‌هایی است که Qwen3.8 روی آن تمرکز کرده است.

مدل‌های این خانواده برای Software Engineering، تولید و اصلاح کد، کار با Repositoryها و وظایف Agentic Coding ارزیابی شده‌اند. در ارزیابی‌های منتشرشده برای Qwen3.8-27B، امتیاز Terminal-Bench 2.1 برابر 73 و GPQA Diamond برابر 89.2 گزارش شده است.

در Qwen3.8-Flash-Next نیز نتایج قابل توجهی برای وظایف برنامه‌نویسی و Agentic Coding گزارش شده است. برای نمونه، امتیاز SWE-bench Pro برابر 62.5، SWE-bench Multilingual برابر 81.0 و NL2Repo-Bench برابر 48.1 اعلام شده است.

این نتایج نشان می‌دهند که Qwen3.8 صرفاً برای تولید قطعه‌کدهای ساده طراحی نشده و هدف آن حل مسائل واقعی‌تر در محیط توسعه نرم‌افزار است.

Qwen3.8 و هوش مصنوعی Agentic

یکی از تفاوت‌های مهم نسل جدید مدل‌های Qwen با چت‌بات‌های سنتی، تمرکز بیشتر روی وظایف Agentic است.

در یک چت‌بات معمولی، مدل سؤال را دریافت و پاسخ تولید می‌کند. اما در یک سیستم Agentic، مدل می‌تواند یک هدف پیچیده را به چند مرحله تقسیم کند، برنامه‌ریزی انجام دهد، با ابزارها یا محیط تعامل داشته باشد و بر اساس نتیجه اقدامات خود تصمیم بعدی را بگیرد.

Qwen3.8 نیز با تمرکز روی Agent Execution توسعه داده شده است. در معرفی این خانواده، توانایی برنامه‌ریزی مستقل‌تر و استفاده بهتر از بازخورد محیط از جمله پیشرفت‌های اصلی عنوان شده است.

به همین دلیل Qwen3.8 می‌تواند برای ساخت Coding Agentها، سیستم‌های تحقیقاتی، دستیارهای کاری و نرم‌افزارهایی که نیاز به اجرای چند مرحله دارند مورد توجه قرار گیرد.

عملکرد Qwen3.8 در بنچمارک‌ها

اعداد بنچمارک همیشه باید با کمی احتیاط خوانده شوند، چون هر آزمایش شرایط و روش اجرای خودش را دارد و تبدیل یک عدد به «این مدل از همه بهتر است» همان میان‌بری است که اینترنت عاشق آن است.

با این حال، نتایج منتشرشده در Hugging Face تصویری از توانایی Qwen3.8 ارائه می‌کنند.

در Qwen3.8-27B، برخی نتایج گزارش‌شده شامل این موارد است:

Terminal-Bench 2.1: 73.0

GPQA Diamond: 89.2

در مدل Qwen3.8-Flash-Next نیز نتایج زیر گزارش شده‌اند:

DeepSWE 1.1: 58.7

SWE-bench Pro: 62.5

SWE-bench Multilingual: 81.0

NL2Repo-Bench: 48.1

CoWorkBench: 73.9

JobBench: 55.7

این نتایج نشان می‌دهند که تمرکز Qwen3.8 فقط روی آزمون‌های عمومی زبان نیست و وظایف نرم‌افزاری، کاری و Agentic نیز بخش مهمی از ارزیابی آن هستند.

Qwen3.8 در مقایسه با نسل‌های قبلی Qwen

Qwen3.8 را می‌توان ادامه مسیر تکاملی خانواده Qwen دانست، اما تمرکز این نسل نسبت به مدل‌های قدیمی‌تر بیشتر به سمت انجام وظایف پیچیده و چندمرحله‌ای رفته است.

در معرفی Qwen3.8، پیشرفت در چهار حوزه اصلی برجسته شده است:

برنامه‌نویسی

کارهای حرفه‌ای

تحقیق و پژوهش

وظایف Agentic طولانی

همچنین قابلیت کنترل میزان Thinking و سازگاری بیشتر با ابزارها و چارچوب‌های توسعه به‌عنوان بخش دیگری از این نسل معرفی شده است.

بنابراین تفاوت Qwen3.8 را نباید فقط با افزایش تعداد پارامترها سنجید. بخش مهم ماجرا در معماری، بهره‌وری محاسباتی، توانایی کار با Context طولانی و اجرای وظایف چندمرحله‌ای قرار دارد.

Qwen3.8 چه کاربردهایی دارد؟

با توجه به قابلیت‌های مدل‌های این خانواده، Qwen3.8 می‌تواند در حوزه‌های مختلف مورد استفاده قرار گیرد.

برنامه‌نویسی

تولید کد، اصلاح خطا، تحلیل Repository، انجام وظایف Software Engineering و ساخت Coding Agent از مهم‌ترین کاربردها هستند.

تحقیق و پژوهش

مدل‌های Qwen3.8 برای تحلیل اطلاعات، پردازش اسناد طولانی و انجام وظایف چندمرحله‌ای تحقیقاتی مناسب هستند.

کارهای حرفه‌ای

Qwen3.8 می‌تواند برای تولید محتوا، تحلیل اسناد، انجام وظایف اداری و سایر فعالیت‌های دانش‌محور مورد استفاده قرار گیرد.

تحلیل تصویر و ویدئو

Qwen3.8-27B یک مدل چندوجهی است و می‌تواند تصاویر و ویدئوها را در کنار متن تحلیل کند. این قابلیت برای بررسی اسناد، نمودارها، محتوای تصویری و ویدئوهای طولانی کاربرد دارد.

ساخت Agent

تمرکز روی برنامه‌ریزی، تعامل با محیط و انجام وظایف چندمرحله‌ای باعث می‌شود این خانواده برای ساخت سیستم‌های Agentic نیز مناسب باشد.

آیا Qwen3.8 متن‌باز است؟

اینجا بهتر است از عبارت دقیق‌تر «Open-Weight» استفاده کنیم.

مدل‌های Qwen3.8 در Hugging Face به‌صورت وزن‌های قابل دریافت منتشر شده‌اند و برای مدل‌هایی مانند Qwen3.8-27B امکان استفاده با ابزارهایی مثل Transformers، vLLM، SGLang و TokenSpeed وجود دارد.

در نتیجه توسعه‌دهندگان می‌توانند بسته به مدل و سخت‌افزار خود، آن را در زیرساخت شخصی یا سرویس‌های مبتنی بر این چارچوب‌ها اجرا کنند.

البته «Open-Weight» دقیقاً معادل «Open Source با تمام اجزای باز» نیست و برای استفاده تجاری یا بازتوزیع باید مجوز همان مدل را بررسی کرد.

اجرای Qwen3.8 چگونه است؟

برای مدل‌های منتشرشده در Hugging Face، چند مسیر برای اجرای Qwen3.8 وجود دارد.

یکی از ساده‌ترین مسیرها استفاده از Transformers است. همچنین vLLM، SGLang و TokenSpeed برای سرو مدل‌ها و اجرای inference پشتیبانی می‌شوند.

برای نمونه، Qwen3.8-27B نسبت به مدل 2.4T بسیار مناسب‌تر برای سناریوهایی است که توسعه‌دهنده قصد دارد مدل را روی زیرساخت محدودتری اجرا کند.

در مقابل، مدل 2.4T یک مدل بسیار بزرگ است و اجرای مستقیم آن به سخت‌افزار و زیرساخت جدی نیاز دارد.

Qwen3.8 برای چه کسانی مناسب است؟

Qwen3.8 می‌تواند برای گروه‌های مختلفی جذاب باشد:

  • برنامه‌نویسان و توسعه‌دهندگان نرم‌افزار
  • شرکت‌هایی که به Coding Agent نیاز دارند
  • تیم‌های تحقیق و توسعه
  • پژوهشگران
  • توسعه‌دهندگان سیستم‌های Agentic
  • شرکت‌هایی که به پردازش اسناد طولانی نیاز دارند
  • کاربران حرفه‌ای مدل‌های چندوجهی
  • توسعه‌دهندگانی که می‌خواهند مدل را روی زیرساخت خود اجرا کنند

برای کاربر عادی که فقط به دنبال یک چت‌بات برای پرسیدن سؤال‌های روزمره است، استفاده از مدل 2.4 تریلیون پارامتری احتمالاً شبیه استفاده از کامیون برای بردن یک کیسه خرید است. نسخه‌های مناسب‌تر و سرویس‌های آماده انتخاب منطقی‌تری هستند.

تفاوت Qwen3.8-27B و Qwen3.8-2.4T

اگر بخواهیم این دو مدل را ساده کنیم، تفاوت اصلی این است:

Qwen3.8-27B:

  • 27 میلیارد پارامتر
  • Dense
  • چندوجهی
  • دارای Vision Encoder
  • مناسب‌تر برای استقرار و توسعه
  • پشتیبانی از تصویر و ویدئو
  • Context بومی 262K
  • قابل توسعه تا حدود 1M توکن

Qwen3.8-2.4T-A95B:

  • 2.4 تریلیون پارامتر
  • 95 میلیارد پارامتر فعال
  • معماری MoE
  • مدل بسیار بزرگ‌تر
  • تمرکز بر بیشترین ظرفیت و توان مدل
  • نسخه پایه برای Qwen3.8-Max
  • پشتیبانی از ابزارهای مختلف اجرای مدل

این تفاوت نشان می‌دهد که Qwen3.8 یک محصول تک‌مدلی نیست، بلکه مجموعه‌ای از مدل‌ها برای سناریوهای مختلف است.

آینده Qwen با Qwen3.8-Flash-Next

شاید مهم‌ترین بخش Qwen3.8 برای آینده، Qwen3.8-Flash-Next باشد.

Qwen این مدل را پیش‌نمایش آزمایشی معماری‌ای معرفی کرده که قرار است پایه Qwen4 باشد. این معماری به‌جای تمرکز صرف بر افزایش تعداد پارامترها، تلاش می‌کند با طراحی جدید Attention، MoE، Gated Residual و N-gram Embedding بهره‌وری مدل را افزایش دهد.

Qwen3.8-Flash-Next همچنین از نسخه‌های قابل استفاده در Transformers، vLLM، SGLang و TokenSpeed برخوردار است و نسخه FP8 آن نیز در Hugging Face منتشر شده است.

این مسیر نشان می‌دهد که رقابت مدل‌های بزرگ دیگر فقط مسابقه «چه کسی پارامتر بیشتری دارد؟» نیست. مدل باید بتواند با منابع محدودتر، Context طولانی‌تر و وظایف پیچیده‌تر را با هزینه و تأخیر کمتر انجام دهد.

جمع‌بندی

Qwen3.8 یکی از مهم‌ترین نسل‌های جدید خانواده Qwen است که توسط Alibaba Cloud توسعه یافته و تمرکز آن تنها روی پاسخ‌گویی متنی نیست.

این خانواده مدل‌های مختلفی از Qwen3.8-27B تا Qwen3.8-2.4T-A95B را شامل می‌شود و در کنار آن، Qwen3.8-Flash-Next مسیر معماری جدیدی را برای نسل‌های آینده Qwen دنبال می‌کند.

در این نسل، چند موضوع اهمیت ویژه‌ای دارند: استدلال قابل کنترل، برنامه‌نویسی، پردازش چندوجهی، Context بسیار طولانی، اجرای وظایف Agentic و افزایش بهره‌وری معماری.

Qwen3.8-27B برای کسانی که به دنبال یک مدل نسبتاً جمع‌وجورتر و چندوجهی هستند جذاب است، در حالی که Qwen3.8-2.4T-A95B برای سناریوهایی طراحی شده که بیشترین ظرفیت مدل اهمیت دارد. از طرف دیگر، Qwen3.8-Flash-Next شاید از نظر معماری مهم‌ترین عضو این نسل باشد، زیرا Qwen آن را پیش‌نمایشی از فناوری‌ای معرفی کرده که قرار است در Qwen4 نقش داشته باشد.

در مجموع، Qwen3.8 نشان می‌دهد مسیر توسعه مدل‌های هوش مصنوعی به سمت مدل‌هایی حرکت می‌کند که فقط «جواب بدهند» نیستند، بلکه بتوانند مسئله را تحلیل کنند، برنامه‌ریزی کنند، با ابزارها کار کنند و وظایف پیچیده را تا رسیدن به نتیجه دنبال کنند.