Qwen3.8 Max-ը գլխավորում է Artificial Analysis-ի ագենտային ինդեքսը

Artificial Analysis-ի ագենտային ինդեքսն ունի նոր առաջատար՝ Qwen3.8 Max-ը, Alibaba-ի առաջատար reasoning մոդելը, որը թողարկվել է 2026 թվականի օգոստոսի 3-ին։ Անկախ գնահատման հարթակում հրապարակված վարկանիշը մոդելին դնում է ինդեքսի գագաթին, իսկ ինդեքսը կառուցված է հատուկ ագենտային աշխատանքի շուրջ՝ առաջադրանքների, որտեղ համակարգը պետք է պլանավորի, օգտագործի գործիքներ և ներկայացնի պատրաստի արդյունք, այլ ոչ թե պարզապես պատասխանի հարցին։

Ինչ է չափում ինդեքսը

Ագենտային ինդեքսը հիմնված է Artificial Analysis-ի սեփական գնահատումների վրա։ Դրանց թվում են AA-Briefcase v1.1-ը, որը ստուգում է երկարաժամկետ իմացական աշխատանքը աղյուսակների, շնորհանդեսների և հուշագրերի նման արդյունքներով. GDPval-AA v2.1-ը՝ կառուցված իրական աշխատանքային առաջադրանքների վրա. AutomationBench-AA-ն՝ SaaS աշխատահոսքերի համար. և Terminal-Bench 4.0-ը՝ կոդավորման ու տերմինալի օգտագործման համար։ Այս ագենտային թեստերը կանգնած են դասական իմացական բենչմարքների կողքին հարթակի ավելի լայն Intelligence Index-ում, որն այժմ միավորում է տասը գնահատում։

Վարկանիշի հետևում կանգնած մոդելը

Qwen3.8 Max-ը փակ reasoning մոդել է, և Alibaba-ն չի հրապարակում դրա պարամետրերի քանակը։ Այն ընդունում է տեքստ, պատկեր և վիդեո, վերադարձնում տեքստ և առաջարկում մեկ միլիոն թոքենանոց համատեքստային պատուհան։ Artificial Analysis-ի Intelligence Index-ում այն ստանում է 40 միավոր՝ զգալիորեն բարձր համադրելի մոդելների 24 միավոր միջինից։ Փոխզիջումը արագությունն ու բազմախոսությունն են. մոդելը վայրկյանում արտադրում է մոտ 41 թոքեն՝ իր դասում դանդաղ ցուցանիշ, և գնահատման ընթացքում ծախսել է շուրջ 180 միլիոն թոքեն՝ միջինից երկու անգամ ավելի։ API-ի գինը միլիոն մուտքային թոքենի համար 2 դոլար է, միլիոն ելքայինի համար՝ 6 դոլար, իսկ քեշավորված մուտքի վրա գործում է 88 տոկոս զեղչ։

Ինչու է սա կարևոր

Ագենտային բենչմարքները դարձել են ոլորտի գլխավոր փորձադաշտը, որովհետև դրանք նման են վճարովի աշխատանքի, այլ ոչ թե վիկտորինայի, և դրանք անգիր պատասխաններով «հանձնելը» շատ ավելի դժվար է։ Այն, որ այս վարկանիշը գլխավորում է հենց Alibaba-ի փակ մոդելը, ավելի շատ խոսում է գործնական AI-ի սահմանի տեղաշարժի, քան մեկ թողարկման մասին. մրցակցությունն այժմ ընթանում է այն հարցի շուրջ, թե որքանով հուսալիորեն են մոդելները կատարում բազմաքայլ առաջադրանքներ և ինչ արժե այդ հուսալիությունը։