Qwen3.8-Max: 2.4 ტრილიონი პარამეტრი, ღია წონები და ახალი ნიშნული კოდირებაში

Qwen-ის გუნდმა 2026 წლის 3 აგვისტოს წარადგინა Qwen3.8-Max — ოჯახის ისტორიაში ყველაზე შესაძლებლობების მქონე მოდელი და პირველი Max-კლასის მოდელი, რომლის ღია წონებიც გამოქვეყნდება. ის Qwen 3.5-ის არქიტექტურას ეფუძნება, 2.4 ტრილიონ პარამეტრს (აქედან 95 მილიარდი აქტიურია) მოიცავს და QwenCloud-ის API-ით უკვე ხელმისაწვდომია; ღია წონების გამოქვეყნება მომავალ კვირას იგეგმება.

კოდირება: დღეების განმავლობაში ავტონომიური მუშაობა

გუნდმა მოდელი სამ გამოწვევაზე გამოსცადა, სადაც შედეგი ადამიანის დახმარების გარეშე, კოდის წერითა და გაშვებით უნდა მიღწეულიყო. პირველ შემთხვევაში მას დაავალეს, ნულიდან შეექმნა პროექტი oh-my-cli და 10 დღეზე მეტ ხანს ავტონომიურად აეშენებინა თვითგანვითარებადი სისტემა, რომელიც მომხმარებლის უკუკავშირს, საზოგადოების პრაქტიკებსა და საკუთარ თვითტესტებს ერთ საინჟინრო ციკლში აერთიანებს. 2026 წლის 30 ივლისისთვის, დაახლოებით 16 დღის სრულად ავტონომიური მუშაობის შემდეგ, რეპოზიტორს 265 commit, 127 pull request და 151 issue დაუგროვდა.

მეორე დავალება კვლევითი ნაშრომის რეპროდუქცია იყო: მოდელს გადასცეს ნაშრომი „Unified Data Selection for LLM Reasoning“ და სთხოვეს, კოდში აღედგინა ექსპერიმენტი, შემდეგ კი გაეუმჯობესებინა. დაახლოებით ხუთ დღეში (125 საათში) მან დაწერა დაახლოებით 7,600 ხაზი კოდი, შეასრულა 1,100-ზე მეტი მოქმედება და 33 რაუნდი GPU-ზე წვრთნა ჩაატარა; მან აღადგინა ნაშრომის ექვსი მთავარი დასკვნა, მისი მონაცემთა შერჩევის მეთოდი კი AIME24-ზე შემთხვევით შერჩევას 7.7%-ით აღემატება. ამის შემდეგ მოდელმა საკუთარი გაუმჯობესების ციკლი წამოიწყო, ოთხ რაუნდში 18 იდეა შეამოწმა და შეიმუშავა მეთოდი, რომელიც ნაშრომის მიდგომას AIME24-ზე 2.7 პუნქტით უსწრებს (52.29%).

მესამე ტესტზე მოდელი Alibaba Cloud-ის Tianchi-ს პლატფორმაზე ჩატარებულ ცოცხალ კონკურსში ჩაერთო, სადაც 526 ადამიანური გუნდი მონაწილეობდა. 24-საათიანი ვადის განმავლობაში, 45 გაგზავნილის შედეგად, მისი სიზუსტე 0.60-დან 0.853-მდე გაიზარდა — მან 526 გუნდიდან 458 (87%) დაამარცხა.

სამუშაო ამოცანები და გრძელი ჰორიზონტი

გუნდი ხაზს უსვამს, რომ მოდელი სხვადასხვა აგენტურ გარემოში (QwenWork, Claude Code, Codex, OpenClaw, Hermes) თანაბრად მუშაობს. ტესტებზე Qwen3.8-Max Terminal Bench 2.1-ზე 86.6 ქულას, SWE-bench Pro-ზე 67.7-ს, PaperBench-ზე კი 93.0-ს აღწევს — ეს უკანასკნელი Opus 4.8-ის (80.3), Fable5-ის (88.8) და GPT-5.6 Sol-ის (90.5) შედეგებზე მაღალია. გრძელვადიან ამოცანებში მოდელმა დამოუკიდებლად შეასრულა ჩიპის დიზაინის სრული ციკლი: GCD/RSA აპარატურული აჩქარების ბლოკის პროექტი 8,298 ლოგიკური ელემენტიდან 678-მდე შეამცირა, ფიზიკური კრისტალის ფართობი კი 106×106 მკმ²-დან 46×46 მკმ²-მდე — 81%-იანი შემცირება. 365-დღიან ელექტრონული კომერციის სიმულაციაში, სადაც სტარტზე 100,000 იუანი ეძლევა, მოდელმა წლის ბოლოს 416,252 იუანი დააგროვა (4.16x უკუგება) და მეორე ადგილზე გასულ GLM 5.2-ს 38%-ით გაუსწრო.

რა არის ხელმისაწვდომი

მოდელი უკვე გამოძახებადია QwenCloud-ის API-ით — 1 მილიონი token-ის კონტექსტითა და 65,536 token-მდე გამოსავლით. ღია წონები, გუნდის განცხადებით, მომავალ კვირას გამოქვეყნდება, რაც Qwen-Max-კლასის მოდელისთვის პირველი შემთხვევაა. მულტიმოდალური აგენტებისთვის გუნდმა წარადგინა Qwen-MM-Plugins — გაფართოებების ბიბლიოთეკა სურათებისა და ვიდეოს დამუშავებისთვის.