Qwen يضع قدرات coding وagentic workflows محلياً في نموذج مفتوح بحجم 17GB تقريباً
طرحت Alibaba نموذج Qwen3.8-27B بترخيص Apache 2.0 وأوزان قابلة للتنزيل، جامعاً بين فهم الصور والفيديو، وسياق يصل إلى 262,144 token، وإعدادات reasoning قابلة للضبط. ويمكن تشغيل نسخة 4-bit quantized بحجم يقارب 17GB، لكن الأداء المحلي يرافقه ثمن واضح في السرعة واستهلاك tokens عند تفعيل reasoning المرتفع.
أبرز النقاط
- Qwen3.8-27B نموذج كثيف من Alibaba بحجم 27 مليار parameter، ومتاح بأوزان مفتوحة تحت ترخيص Apache 2.0.
- يدعم فهم الصور والفيديو، وسياقاً يصل إلى 262,144 token، وreasoning قابلاً للضبط، وcoding وagentic workflows.
- تحتاج نسخة 16-bit إلى نحو 56GB من ذاكرة GPU، بينما يمكن لنسخة 4-bit quantized أن تصل إلى حجم يقارب 17GB.
- سجل النموذج 52 في Intelligence Index و51 في Agentic Index لدى Artificial Analysis، وهي مؤشرات تستحق المتابعة لا حكماً نهائياً على التكافؤ بين النماذج.
- إعداد xhigh reasoning الافتراضي قد يرفع الاستهلاك والزمن بصورة كبيرة؛ الاستخدام اليومي قد يناسبه reasoning منخفض أو معطّل.
- يدعم النموذج Multi-Token Prediction، وأظهر اختبار على DGX Spark تحسناً بنحو 72% عند تفعيله عبر llama.cpp.
لفت Qwen3.8-27B الأنظار لأنه لا يقدم نفسه كنموذج محلي صغير بالمعنى المعتاد. النموذج الكثيف من Alibaba يضم 27 مليار parameter، ويدعم فهم الصور والفيديو، ونافذة سياق بطول 262,144 token، إلى جانب coding وagentic workflows وreasoning قابل للضبط.
الأهم للمطورين هو قابلية تشغيله محلياً. بحسب تفاصيل الإطلاق، يحتاج النموذج إلى نحو 56GB من ذاكرة GPU عند دقة 16-bit، أو قرابة 28GB بنسخة FP8. أما مع 4-bit quantization فينخفض حجم النموذج إلى نحو 17GB، ما يجعله قابلاً للتجربة على أجهزة استهلاكية قوية ومحطات عمل شخصية مجهزة جيداً.
نشرت Alibaba نتائجها الخاصة التي تتضمن 61.7 على SWE-bench Pro و90.3 على LiveCodeBench v6، لكن هذه المقارنات لا تكفي وحدها للحكم بأن النموذج يتفوق بصورة شاملة على النماذج المغلقة؛ فبعض التقييمات داخلية، كما أن بيئات الاختبار ليست موحدة دائماً.
الاختبارات الخارجية زادت الاهتمام بالنموذج. منحت Artificial Analysis نموذج Qwen3.8-27B درجة 52 في Intelligence Index، وهو مؤشر مركب يغطي مهام في البرمجة والاستدلال والعلوم والعمل المهني. كما سجل 51 في Agentic Index. هذه النتائج لا تعني تكافؤاً كاملاً مع كل النماذج التجارية، لكنها تشير إلى أن نموذجاً محلياً مفتوح الأوزان بات قادراً على الاقتراب من فئات أداء كانت مرتبطة غالباً بخدمات API السحابية.
وفي تجارب عملية، اختبر Simon Willison نسخة Q4_K_M بحجم يقارب 17GB على M5 Max MacBook Pro وNvidia DGX Spark. ووجد أنها تستطيع كتابة الكود، تفسير الصور، والعمل ضمن coding-agent loop عبر Pi agent framework، بما في ذلك استكشاف codebase وكتابة أداة Python واختبارها.
لكن التجربة ليست بلا تنازلات. يشير التقرير إلى أن النموذج قد يبالغ في التفكير، خصوصاً أن إعداد reasoning الافتراضي هو xhigh. في اختبارات Artificial Analysis، ولّد Qwen3.8-27B نحو 160 مليون output token عبر التقييمات، مقابل وسيط 43 مليوناً للنماذج المفتوحة القابلة للمقارنة. كما سجل Willison حالة استغرق فيها إنشاء SVG بسيط 21 دقيقة واستهلك أكثر من 22 ألف reasoning token، لذلك يوصي بالبدء بإعداد reasoning منخفض أو إيقافه في الاستخدامات اليومية.
قد تساعد أدوات inference في تخفيف هذا العبء. يدعم النموذج Multi-Token Prediction، وذكر Willison أن تفعيله عبر llama.cpp رفع الأداء بنحو 72% على DGX Spark مقارنة بإعداده الافتراضي في LM Studio. ومع ذلك، تراوح الأداء في تشغيلاته المعتادة على LM Studio بين 15 و30 token في الثانية، وهو أقل من الاستجابة التي توفرها كثير من الخدمات المستضافة.
بالنسبة للفرق والشركات، لا تتمحور القيمة فقط حول ترتيب جديد في leaderboard. الفكرة العملية هي إمكان استضافة نموذج مفتوح الأوزان داخل البنية التحتية الخاصة لتنفيذ جزء من مهام البرمجة، وتحليل الوثائق، والرؤية الحاسوبية، وagent workflows، مع تحكم أكبر في مكان تشغيل البيانات. وتوثق Alibaba توافق النموذج مع vLLM وSGLang وTokenSpeed، بينما تقول إن نسخة Qwen Cloud مُدارة بسياق افتراضي يبلغ مليون token وأدوات مدمجة ستتوفر لاحقاً.
Qwen3.8-27B لا يحسم سباق النماذج المحلية: نتائجه تحتاج إلى تحقق مستقل أوسع، وreasoning المرتفع قد يكون بطيئاً ومكلفاً حسابياً. لكنه يوضح اتجاهاً مهماً: قدرات متقدمة في coding والاستدلال أصبحت متاحة في ملف يمكن تنزيله وتشغيله على عتاد يملكه المطور أو المؤسسة. (venturebeat.com)
لماذا يهم؟
القصة ليست أن نموذجاً محلياً «فاز» على كل النماذج السحابية، بل أن فئة أوسع من مهام coding وanalysis وagent workflows قد تصبح قابلة للتنفيذ داخل أجهزة وبنى تحتية يسيطر عليها الفريق. هذا يفتح خيارات مختلفة للخصوصية والاستضافة، لكنه يتطلب موازنة دقيقة بين الجودة والسرعة واستهلاك العتاد عند اختيار مستوى reasoning.