Qwen 3.8-Max: تكاليف التشغيل تتجاوز أداء المعايير المعلنة

مقدمة تحليلية

أطلقت Alibaba نموذجها Qwen 3.8-Max هذا الأسبوع، مسوقة إصداره التجريبي كنموذج لا يسبقه سوى Claude Fable 5. وقد أشارت جداول الإطلاق الأولية للشركة إلى قيادة النموذج في صف واحد من أصل 12 صفاً خاصاً بوكلاء البرمجة. إلا أن تقييماً مستقلاً، عبر منصة اختبار (harness) مستقلة، كشف عن نتائج متباينة تماماً. وضع اختبار معياري (benchmark run)، أُجري على ما يبدو باستخدام النسخة التجريبية، أداء Qwen 3.8-Max في إعداد أفضل جهد له في منتصف الترتيب، بينما جاء إعداده الافتراضي في ذيله.

تكمن الفجوة بين هذه النتائج الحقيقية والمبررة في ميزانيات التوكنات والوقت، وهي أرقام لا تُذكر عادة ضمن العناوين الرئيسية. توضح حواشي Alibaba أن أرقامها الخاصة بالبرمجة تتضمن مهلة تصل إلى خمس ساعات، وما يصل إلى 12 ساعة لكل عملية تشغيل على PaperBench. في المقابل، سمح اختبار VulcanBench المستقل بما يتراوح بين 45 و 60 دقيقة من وقت التشغيل الفعلي. هذه الميزانية الزمنية الأكبر بما يتراوح بين خمسة و16 ضعفاً من جانب Alibaba تفسر الفرق الهائل في النتائج المبلغ عنها.

التحليل التقني

أظهرت مقارنات الأسعار التي نُشرت في الأسبوع الأول لإطلاق Qwen 3.8-Max أن النموذج ليس رخيصاً. فبينما يُدرج DeepSeek-V4-Flash-0731، الذي دخل مرحلة البيتا العامة لواجهة برمجة التطبيقات (API) في 31 يوليو، بسعر 14 سنتاً لكل مليون توكن إدخال و28 سنتاً للإخراج، فإن Qwen 3.8-Max يُدرج بسعر 2 دولار للإدخال و6 دولارات للإخراج. نموذج Kimi K3 يسجل 3 دولارات للإدخال و15 دولاراً للإخراج. هذه الأسعار لم تعد مؤشراً كافياً للتكلفة الإجمالية، خاصة مع نماذج الاستنتاج (reasoning models) مثل Qwen.

فالوصول إلى نتيجة يتطلب توكنات تفكير، وقد يصل النموذج إلى سقف التوكنات قبل أن يكتب الإجابة، مما ينتج عنه نتيجة فارغة تُعتبر فشلاً مكلفاً.

تكلفة التوكنات ومعدلات الفشل

أظهرت Artificial Analysis في قياسها لـ Intelligence Index أن تشغيل DeepSeek-V4-Flash بأقصى جهد استهلك 210 مليون توكن إخراج، مقابل متوسط فئة يبلغ 100 مليون. ورغم بقاء التكلفة المطلقة منخفضة بسبب رخص التوكنات، إلا أن الإسهاب يكلف وقتاً وليس مالاً فقط، وهذا يمكن أن يعيق حالات الاستخدام الحساسة للوقت. ما يلزم هو مقياس يحصي كل ما أُنفِق، بما في ذلك المحاولات التي عادت فارغة، مقابل المهام التي أُنجزت بالفعل ضمن ميزانية الوقت والتوكنات المحددة. هذا هو ما يكشف عنه مقياس التكلفة لكل مهمة ناجحة.

إن معدل الفشل يتأثر بإعدادات النموذج. عملية التشغيل التي تنتج إجابة خاطئة تختلف عن تلك التي تستنفد الميزانية، ولكن نادراً ما يتم التمييز بينهما في منصات الاختبار أو لوحات المتصدرين. أظهر تقرير Long-Horizon-Terminal-Bench، الذي نُشر في يوليو، والذي اختبر 17 نموذجاً رائداً عبر 46 مهمة بمحاولة واحدة مدتها 90 دقيقة لكل منها، أن المهلات (timeouts) شكلت 79% من العمليات غير المحلولة، مقابل 19% للوكلاء الذين توقفوا بمفردهم، و3% لأخطاء المنصة. لم تكن العمليات التي انتهت بالمهلة قريبة من الانتهاء، حيث تراوح متوسط المكافأة بين 0.10 و 0.35. وهذا يشير إلى أن المعايير تقيس كفاءة الوقت ضمنياً. المثال الأوضح يأتي من VulcanBench بتقريره المؤرخ في 26 يوليو، حيث كان إعداد الجهد الأقل لـ Claude Opus 5 هو الأفضل، إذ حل 20 من أصل 23 مهمة، مقابل 18 مهمة في إعداد الجهد العالي. لم يكن التفكير الإضافي عديم الفائدة: فالجهد العالي أعاد أقل عدد من الإجابات الخاطئة (واحدة مقابل ثلاث)، لكنه استنفد الوقت بدلاً من ذلك، وتسجل المهلة صفراً. اثنان من تراجعاته الثلاثة كانت بسبب انقطاعات في مهام يحلها الجهد المنخفض، وحتى مع وقت غير محدود في كليهما، لم يتجاوز إعداد Opus 5 الأكثر تكلفة إعداد الجهد الأقل، ولكن بتكلفة أعلى بـ 3.1 أضعاف.

السياق وتأثير السوق

لقد أصبحت مقارنة الأسعار لكل توكن أقل أهمية مما كانت عليه، في حين يتجه السوق نحو معايير أكثر واقعية. لقد توصلت عدة مجموعات بشكل مستقل إلى مفهوم