Qwen3.8-27B من علي بابا: قدرات رائدة للذكاء الاصطناعي محلياً

مقدمة تحليلية

يُحدث نموذج Qwen3.8-27B، بـ 27 مليار بارامتر من علي بابا، تحولاً في مشهد الذكاء الاصطناعي بتوفير قدرات تصنيفية متقدمة محلياً، دون الحاجة إلى واجهات برمجة تطبيقات سحابية. أُطلق النموذج على Hugging Face يوم الجمعة الموافق 16 أغسطس 2026، تحت ترخيص Apache 2.0 مفتوح المصدر الملائم للمؤسسات، مما أتاح للمطورين الأوزان القابلة للتنزيل لنموذج متعدد الوسائط كثيف. لا يمثل Qwen3.8-27B مجرد نموذج محلي صغير؛ بل يدمج فهماً أصيلاً للصور والفيديو، ونافذة سياق ضخمة تبلغ 262,144 رمزاً، وقدرة على التفكير القابلة للتكوين، ودعم مسارات عمل الوكلاء والبرمجة. تُعد هذه الإمكانيات، التي تُقدم كنسخة "مضغوطة وسهلة النشر" من جيل Qwen3.8، ضمن نطاق الأجهزة الاستهلاكية المتطورة.

يتطلب تشغيل النموذج بدقة 16-بت الكاملة حوالي 56 جيجابايت من ذاكرة GPU، بينما تحتاج نسخة FP8 إلى حوالي 28 جيجابايت. ومع ذلك، يُخفض التكميم بـ 4-بت حجم النموذج إلى حوالي 17 جيجابايت، مما يجعله في متناول أجهزة الكمبيوتر المكتبية المخصصة للألعاب أو أجهزة الكمبيوتر المحمولة المجهزة جيداً.

التحليل التقني

تجاوز نموذج Qwen3.8-27B التوقعات بتوليفة من الإمكانات وحجمه، مما أثار ردود فعل كبيرة بين المطورين. قدمت علي بابا مقاييس إطلاق أولية أظهرت تفوقاً، مسجلة 61.7 نقطة على SWE-bench Pro، و90.3 نقطة على LiveCodeBench v6، و70.7 نقطة على مقياس CoWorkBench لأعمال المكاتب، و84.3 نقطة على OSWorld-Verified. في جدول مقارنات علي بابا، تفوق نموذج 27B على نتيجة Claude Opus 4.6 Max المدرجة على SWE-bench Pro وLiveCodeBench، رغم بقاء Opus متفوقاً على Terminal-Bench وGPQA Diamond وHumanity’s Last Exam. بدأت نتائج الأطراف الثالثة في الظهور يوم الاثنين، مغيرة مسار النقاش.

منح مُنظِّم تقييم الذكاء الاصطناعي Artificial Analysis نموذج Qwen3.8-27B درجة 52 على مؤشر الذكاء الخاص به، وهو مؤشر مركب لتسع تقييمات تشمل الترميز والعلوم والتفكير والمهام المهنية. تُطابق هذه النتيجة بالضبط ما يُسجله نموذج OpenAI من الفئة الأدنى، GPT-5.6 Luna، عند إعداد التفكير الأقصى، وهو عرض مملوك لا يتوفر إلا عبر السحابة. على مؤشر الوكلاء التابع لـ Artificial Analysis، الذي يقيس أداء النموذج في مهام الوكلاء، سجل Qwen3.8-27B درجة 51، متجاوزاً Claude Opus 4.8 عند أقصى جهد تفكير، وهو نموذج رائد أطلقته Anthropic قبل أقل من ثلاثة أشهر.

تحديات الأداء: "الإفراط في التفكير"

تأتي هذه القدرات مع تحذير مهم: يبدو أن Qwen3.8-27B يحقق بعضاً من جودته من خلال "الإفراط في التفكير". ذكرت Artificial Analysis أن النموذج أنتج 160 مليون رمز إخراج خلال اختبار مؤشر الذكاء، مقابل متوسط 43 مليون رمز للنماذج المفتوحة الوزن المماثلة. واجه سيمون ويليسون، مطور وكاتب في مجال الذكاء الاصطناعي، سلوكاً مشابهاً بسبب الإعداد الافتراضي لـ Qwen `xhigh` للتفكير. استغرق طلب لإنشاء رسم SVG لبجعة تركب دراجة 21 دقيقة واستهلك أكثر من 22,000 رمز تفكير قبل إنتاج الإجابة.

يوصي ويليسون بالبدء بتفكير منخفض أو معدوم للاستخدام المحلي العادي. كما وجد المستثمر والمطور توماش تونجوز مقايضة مماثلة في اختبار صغير من تسع مهام مقابل DeepSeek V4 Flash؛ حيث تفوق Qwen في الجودة عندما كان التفكير مُمكّناً في مكدس الوكيل الخاص به، لكنه أبلغ عن كونه أبطأ بنحو 30 مرة وأغلى بـ 4.5 مرة. يتضمن Qwen3.8-27B ميزة التنبؤ متعدد الرموز (Multi-Token Prediction)، وأبلغ ويليسون عن تحسن في الأداء بنحو 72% على Nvidia DGX Spark بعد تمكين MTP عبر llama.cpp مقارنةً بتكوينه الافتراضي في LM Studio. ومع ذلك، كانت تشغيلاته العادية في LM Studio تنتج فقط حوالي 15 إلى 30 رمزاً في الثانية، وهو أقل بكثير من استجابة العديد من النماذج المستضافة.

السياق وتأثير السوق

تغير المعادلة التي يقدمها Qwen3.8-27B تتجاوز مجرد ترتيب على لوحة المتصدرين. المقارنة ذات الصلة للمؤسسات ليست ما إذا كان نموذج 27 مليار بارامتر "يتفوق" على Claude أو GPT في معيار ما، بل ما إذا كان نموذج صغير بما يكفي للعمل داخل البنية التحتية للمؤسسة يمكنه الآن أداء ما يكفي من الترميز وتحليل المستندات والرؤية وعمل الوكيل ليحل محل مكالمات API لفئات مهام ذات مغزى. هذا الاقتراح يغير حسابات الخصوصية والنشر والتكلفة. يمكن فحص أوزان Apache 2.0 وتعديلها واستضافتها خلف ضوابط الشركة الخاصة، بينما توثق علي بابا بالفعل التوافق مع أطر عمل الخدمة بما في ذلك vLLM وSGLang وTokenSpeed. تؤكد علي بابا أن إصدار Qwen Cloud المُدار، الذي يتميز بسياق افتراضي يبلغ مليون رمز وأدوات مدمجة، سيأتي لاحقاً. يسمح الحجم الصغير ومتطلبات الأجهزة المعقولة للمؤسسات والمطورين المستقلين وحتى المستهلكين بنشر النموذج محلياً بسهولة دون القلق بشأن مغادرة بياناتهم أجهزتهم، مما يضمن خصوصية أكبر وأمان معلومات أفضل وحوكمة وتحكماً كاملاً.

تُظهر بيانات Hugging Face التي أوردتها Business Insider هذا الأسبوع أن الاستخدام الفعلي للنماذج يميل بشكل كبير نحو النماذج الأصغر، حتى مع هيمنة إصدارات النماذج الكبيرة والرائدة على العناوين الرئيسية. بلغت حصة النماذج التي تتجاوز 70 مليار بارامتر جزءاً صغيراً فقط من تنزيلات عام 2026. ساعدت استراتيجية علي بابا المتمثلة في نشر نماذج Qwen عبر فئات أحجام عملية متعددة على جعل هذه العائلة جزءاً متكرراً من سير عمل النشر المحلي للمطورين. يدفع Qwen3.8-27B هذا المنطق إلى أبعد من ذلك. لم يعد المطورون يتفاعلون بشكل أساسي مع جدول مقاييس علي بابا بعد ثلاثة أيام من الإصدار. بل يتفاعلون مع تجربة وضع ملف صغير نسبياً على الأجهزة التي يتحكمون بها ومشاهدته يؤدي مهام بدت قبل فترة قصيرة حكراً على أكبر الأنظمة المملوكة.

رؤية Glitch4Techs

يمثل إطلاق Qwen3.8-27B إنجازاً تكنولوجياً بارزاً يعيد تعريف توقعات القدرات المحلية للذكاء الاصطناعي. إن تمكين نماذج وكلاء الترميز والتفكير "الحدودية" على أجهزة المستهلك، بترخيص Apache 2.0، يُعد تحولاً ملموساً في ديناميكيات الصناعة بعيداً عن الاعتماد الكامل على واجهات برمجة التطبيقات السحابية. ومع ذلك، فإن هذه الخطوة ليست خالية من العيوب الجوهرية. تُشكل مشكلة "الإفراط في التفكير" نقطة ضعف حقيقية، حيث أنتج النموذج 160 مليون رمز إخراج في اختبارات مؤشر الذكاء مقابل 43 مليون رمز متوسط للنماذج المماثلة، ووصلت عملية واحدة إلى 21 دقيقة لاستهلاك أكثر من 22,000 رمز تفكير.

هذه الكفاءة المنخفضة في حالات التفكير المعقدة، حتى مع تحسينات Multi-Token Prediction بنسبة 72%، تؤكد أن النموذج، رغم قدراته، لا يزال يتطلب إدارة دقيقة لإعدادات التفكير ويفتقر إلى الاستجابة الفورية للنماذج المستضافة. هذا القيد العملي يحول دون اعتباره بديلاً كاملاً للأنظمة السحابية في جميع السيناريوهات التفاعلية ذات الحساسية الزمنية.