به گزارش آماج، شرکت علیبابا از مدل هوش مصنوعی جدید خود با نام Qwen4-Max رونمایی کرد؛ مدلی پرچمدار با ۲٫۴ تریلیون پارامتر، قابلیت پردازش متن، تصویر و ویدیو و پنجره متنی یک میلیون توکنی که برای اجرای پروژههای پیچیده و چندمرحلهای طراحی شده است. این مدل قرار است هوش مصنوعی را از یک ابزار پاسخگو به دستیار دیجیتالی توانمندی تبدیل کند که میتواند با استفاده از نرمافزارها و ابزارهای تخصصی، بخشی از فرایندهای حرفهای را بهصورت مستقل پیش ببرد.
علیبابا کاربردهای Qwen4-Max را به حوزههایی مانند توسعه نرمافزار، طراحی سهبعدی، بازیسازی، مهندسی صنعتی، امور مالی، حقوق، پزشکی و پژوهشهای علمی گسترش داده است. بااینحال، بخش مهمی از نمونهها و اعداد عملکردی منتشرشده، حاصل آزمایشها و ارزیابیهای خود این شرکت هستند.
معماری Qwen4-Max؛ ۲٫۴ تریلیون پارامتر و پنجره متنی یک میلیون توکنی
Qwen4-Max از معماری ترکیبی متخصصها یا MoE استفاده میکند و در مجموع ۲٫۴ تریلیون پارامتر دارد. از این تعداد، هنگام پردازش هر توکن حدود ۷۱ میلیارد پارامتر فعال میشوند. همچنین ۳۲۸ میلیارد پارامتر اضافی برای سامانه تعبیه N-gram در معماری مدل در نظر گرفته شده است.
علیبابا سه تغییر مهم را در ساختار فنی این مدل معرفی کرده است:
- ترکیب Gated DeltaNet و Qwen Sparse Attention: سه لایه Gated DeltaNet اطلاعات قبلی را در وضعیتهایی با اندازه ثابت فشرده میکنند و لایه QSA بخشهای مرتبط متن را در مقیاسهای کوچکتر انتخاب میکند. این روش با هدف کاهش هزینه پردازش ورودیهای طولانی طراحی شده است.
- اتصال باقیمانده دروازهدار: چهار مسیر موازی با کنترل جریان اطلاعات، ارتباط میان لایهها و پایداری فرایند آموزش را بهبود میدهند.
- تعبیه N-gram: این بخش با شناسایی الگوهای محلی توکنها، ظرفیت مدل را بدون افزایش متناسب هزینه محاسباتی بالا میبرد.
این مدل از قابلیت بینایی بومی نیز پشتیبانی میکند و میتواند ورودیهای متنی، تصویری و ویدیویی را پردازش کند. پنجره متنی یک میلیون توکنی آن نیز امکان بررسی حجم زیادی از اسناد و اطلاعات را در جریان یک مکالمه فراهم میکند.
ساخت مدل سهبعدی و توسعه بازی با Qwen4-Max
یکی از مهمترین قابلیتهای معرفیشده برای Qwen4-Max، اجرای پروژههای چندمرحلهای با استفاده از نرمافزارهای تخصصی است. این مدل میتواند با نرمافزار بلندر مدلهای سهبعدی بسازد، اجسام و محیطها را طراحی کند، متریال و نورپردازی را تنظیم کند و خروجی نهایی بگیرد.
در حوزه بازیسازی نیز از موتورهای Unity، Unreal Engine و Godot پشتیبانی میکند. طبق نمونههای منتشرشده از سوی علیبابا، کاربر میتواند با ارائه توضیح متنی، از مدل بخواهد محیط بازی، منطق گیمپلی، رابط کاربری، جلوههای بصری و صدا را آماده کند. Qwen4-Max سپس میتواند بازی را اجرا کند، نتیجه را بررسی کند و بخشهایی را که نیاز به اصلاح دارند تغییر دهد.
این قابلیت به معنای خودکار شدن کامل فرایند بازیسازی نیست، اما میتواند بخشی از کارهای تکراری و زمانبر توسعه را به مدل واگذار کند و سرعت ساخت نمونههای اولیه را افزایش دهد.
کاهش زمان برنامهنویسی ماشینکاری در مهندسی خودرو
علیبابا تواناییهای Qwen4-Max را در مهندسی صنعتی و خودروسازی نیز به نمایش گذاشته است. این مدل میتواند در طراحی خطوط تولید، ساخت مدل سهبعدی تجهیزات، طراحی قطعات و شبیهسازی فرایندهای ماشینکاری مشارکت کند.
در یکی از نمونههای ارائهشده، زمان برنامهنویسی دستی ماشینکاری یک قطعه از حدود ۴۷۵ دقیقه به ۲۴ دقیقه کاهش یافته است. این نتیجه در صورت تأیید در محیطهای صنعتی واقعی میتواند نشاندهنده ظرفیت هوش مصنوعی برای کاهش زمان آمادهسازی فرایندهای تولید باشد.
تولید ویدیو نیز یکی دیگر از کاربردهای معرفیشده است. Qwen4-Max با همکاری ابزار WonderClip میتواند مراحل مختلف تولید محتوای ویدیویی را پیش ببرد؛ از اصلاح فیلمنامه و طراحی استوریبورد گرفته تا ساخت صحنهها، کنترل حرکت دوربین، تولید نماها و تدوین ویدیوی چندصحنهای.
کاربرد Qwen4-Max در امور مالی و حقوقی
مدل جدید علیبابا برای انجام وظایف تخصصی به ابزارهای خارجی متصل میشود. در یک نمونه مالی، Qwen4-Max با استفاده از ۹۰ ابزار مبتنی بر پروتکل MCP، اطلاعات مربوط به بازارهای سهام، اوراق قرضه، صندوقها و مشتقات مالی را جمعآوری و تحلیل کرده است.
خروجی این فرایند میتواند در قالب فایل اکسل و ارائه پاورپوینت قابلویرایش تهیه شود و همراه با ارجاع به منابع اصلی در اختیار کاربر قرار گیرد. چنین قابلیتی میتواند در گردآوری اطلاعات و آمادهسازی گزارشهای مالی کاربرد داشته باشد، هرچند صحت تحلیلها همچنان به بررسی و تأیید متخصصان نیاز دارد.
در یک سناریوی حقوقی نیز مدل ۱۹۸ سند با قالبها و نامگذاریهای نامنظم را بررسی کرده، آنها را در ۱۴ پوشه دستهبندی کرده و گزارشی ۸۶ صفحهای تهیه کرده است. این گزارش شامل ۱۴ مسئله حقوقی بوده و نتیجهگیریهای آن به اسناد مرتبط ارجاع داده شدهاند.
تحلیل پروندههای پزشکی؛ پشتیبانی از تصمیمگیری پزشکان
Qwen4-Max در حوزه پزشکی نیز برای بررسی پروندههای حجیم شامل نتایج آزمایشها، گزارش پزشکان، دستورات درمانی و تصاویر پزشکی طراحی شده است. علیبابا نمونهای از تحلیل پرونده یک بیمار بستری در بخش مراقبتهای ویژه را نمایش داده که در آن مدل اطلاعات چند روز درمان را در قالب یک جدول زمانی سازماندهی کرده و تصاویر پزشکی را مورد بررسی قرار داده است.
هدف از این قابلیت، کمک به پزشکان برای دسترسی بهتر به اطلاعات و پشتیبانی از فرایند تصمیمگیری بالینی است؛ نه جایگزینی تشخیص و قضاوت متخصصان. نتایج تحلیلهای هوش مصنوعی در محیط درمانی باید با دانش و ارزیابی پزشک بررسی شوند.
عاملهای هوش مصنوعی با قابلیت فعالیت طولانیمدت
یکی از ویژگیهای مهم Qwen4-Max امکان اجرای عاملهای هوش مصنوعی برای انجام وظایف طولانیمدت است. این عاملها میتوانند برای رسیدن به یک هدف برنامهریزی کنند، از ابزارهای مختلف کمک بگیرند و مجموعهای از مراحل مرتبط را بدون نیاز به دریافت دستور جداگانه برای هر مرحله اجرا کنند.
قابلیت Live Delivery نیز به کاربران اجازه میدهد بهجای انتظار تا پایان پروژه، نسخههای اولیه خروجی را در طول اجرای کار دریافت کنند. به این ترتیب، کاربر میتواند در مراحل مختلف اشتباهها را اصلاح کند یا مسیر پروژه را تغییر دهد. افزونه Qwen-Live-Delivery-Plugin نیز برای استفاده از این قابلیت بهصورت متنباز منتشر شده است.
علیبابا از این مدل برای بهینهسازی منابع پردازشی ابری خود نیز استفاده کرده است. Qwen4-Max میتواند زمانبندی اجرای مدلها و تخصیص منابع پردازنده و پردازنده گرافیکی را بررسی کند و براساس بازخورد، پیشنهادهای خود را اصلاح کند. طبق نتایج اعلامشده، هزینه زمانبندی فراخوانی مدلها در یکی از سناریوها بهطور متوسط ۱۰٫۴۲ درصد کاهش یافته و سرعت حل مسئله در سناریوی زمانبندی آفلاین CPU بیش از ۱۴٫۶۱ برابر شده است.
تلاش برای کشف مواد جدید و طراحی مولکولهای دارویی
از جذابترین نمونههای معرفیشده، استفاده از Qwen4 در یک آزمایش علمی ۴۸ ساعته با همکاری محیط آزمایشگاهی Mira است. در این آزمایش، مدل بهصورت مستقل فرایند طراحی و ساخت مادهای خنککننده برای دیتاسنترها را دنبال کرده است.
این فرایند با بررسی فضایی شامل ۲٫۷ میلیون مولکول احتمالی آغاز شد و پس از چهار دور طراحی، سنتز و آزمایش، به تولید نمونهای فیزیکی و اعتبارسنجیشده رسید. چنین آزمایشی نشان میدهد عاملهای هوش مصنوعی میتوانند در برخی مراحل پژوهشهای آزمایشگاهی، از طراحی اولیه تا بررسی نتایج، مشارکت داشته باشند.
در نمونهای دیگر با هدف پژوهش دارویی، مدل با بررسی مقالات علمی و اسناد ثبت اختراع، ۲۴ مولکول را طراحی و بهینهسازی کرده و ۴۵۴ بار از ابزارهای تخصصی استفاده کرده است. یکی از مولکولهای منتخب براساس محاسبات انرژی اتصال، حدود ۳٫۶ برابر قدرت اتصال تخمینی بیشتری نسبت به مولکول مرجع داشته است. البته این نتیجه محاسباتی است و برای تأیید اثرگذاری و ایمنی مولکول، انجام آزمایشهای بیشتر ضروری خواهد بود.
عملکرد Qwen4-Max در آزمونها و کاهش هزینه پردازش
علیبابا اعلام کرده است که Qwen4-Max در مقایسه با نسل قبلی خود، Qwen3.8-Max، در تقریباً تمام حوزههای ارزیابیشده عملکرد بهتری دارد. در آزمون داخلی Work360، امتیاز مدل از ۴۷٫۷۴ به ۵۲٫۶۹ افزایش یافته است.
همچنین میزان مصرف توکن در این آزمون، بسته به سطح تلاش استدلالی، حدود ۲۴ تا ۳۵ درصد کاهش پیدا کرده است. در آزمون Terminal-Bench 4.0 نیز مصرف توکن حدود ۴۸ تا ۴۹ درصد کمتر گزارش شده است.
براساس ارزیابی Work360 شرکت، میانگین هزینه انجام هر وظیفه از ۴٫۴۳ دلار در نسل قبلی به ۱٫۶۷ دلار در Qwen4-Max رسیده است؛ یعنی کاهش حدود ۶۲ درصدی. این ارقام به آزمونها و روش ارزیابی اعلامشده از سوی علیبابا مربوط میشوند و بهتنهایی جایگزین بررسی مستقل عملکرد مدل در همه کاربردها نیستند.
تقویت امنیت کدنویسی و کنترل کاربردهای پرخطر
علیبابا میگوید قابلیت تولید کد امن در Qwen4-Max تقویت شده است. در آزمون Last Secure Code Bench، نرخ موفقیت همزمان در بررسی عملکرد و امنیت کد از ۲۲ درصد در نسل قبلی به ۳۱٫۸ درصد افزایش یافته است.
همچنین سهم کدهایی که بهطور همزمان در سطح تابع، فایل و مخزن معیارهای امنیتی را رعایت میکنند، از ۸ به ۱۴٫۷ درصد رسیده است. این شرکت اعلام کرده در فرایند آموزش مدل، بررسیهای امنیتی برای کاهش خطرهایی مانند تزریق کد، ضعف ایمنی حافظه و کنترل دسترسی ناقص انجام شده است.
علیبابا همچنین از طراحی دادهها و ارزیابیهای ایمنی اختصاصی برای جلوگیری از سوءاستفادههای سایبری و کاربردهای مرتبط با تسلیحات شیمیایی، زیستی، رادیولوژیک و هستهای خبر داده است.
نحوه دسترسی به Qwen4-Max
مدل Qwen4-Max در حال حاضر از طریق QwenCloud و رابط برنامهنویسی کاربردی یا API در دسترس توسعهدهندگان قرار گرفته است. کاربران همچنین میتوانند از آن در سرویسهای QwenWork، Qoder و Qwen Studio استفاده کنند.
علیبابا اعلام کرده است که مدلهای کوچکتر خانواده Qwen4 نیز در آینده بهصورت متنباز منتشر خواهند شد. این موضوع میتواند دسترسی توسعهدهندگان و پژوهشگران به نسل جدید مدلهای این خانواده را گسترش دهد.
در مجموع، Qwen4-Max نشاندهنده تلاش علیبابا برای گسترش نقش هوش مصنوعی از تولید پاسخهای متنی به اجرای پروژههای واقعی و چندمرحلهای است. توانایی استفاده از ابزارهای تخصصی، تحویل تدریجی نتایج و ادامه مستقل کار از مهمترین ویژگیهای این مدل محسوب میشوند؛ بااینحال، ارزیابی مستقل قابلیتها و بررسی عملکرد آن در محیطهای واقعی برای سنجش میزان موفقیت این ادعاها اهمیت زیادی دارد. برای دنبال کردن تازهترین اخبار هوش مصنوعی و فناوری، با آماج همراه باشید.




