В понедельник компания Alibaba представила Qwen3.8-Max, свой самый большой искусственный интеллект, на сегодняшний день. Это расширяет портфель корпоративных решений в области ИИ, предлагая модель с открытым весом, предназначенную для задач разработки программного обеспечения, мультимодального рассуждения и других бизнес-задач, требующих глубоких знаний.
В статье, посвященной запуску, компания Alibaba описала модель Qwen3.8-Max как смесь экспертов с 2,4 триллионами параметров, которая активирует лишь около 95 миллиардов параметров во время работы.
Компания заявила, что архитектура разработана для повышения эффективности вывода при одновременной поддержке кодирования, рассуждений и мультимодальных задач. Планируется, что открытые версии будут доступны уже на следующей неделе через платформу Model Studio от Alibaba Cloud.
Мы считаем, что это одна из самых мощных моделей, доступных сегодня, совместимая с передовыми моделями искусственного интеллекта, и уступает по производительности только модели Fable 5", – говорится в сообщении на платформе X от компании Alibaba.
Тесты оценивают возможности кодирования моделей от Anthropic и OpenAI
Компания Alibaba опубликовала результаты внутренних тестов, сравнивающих Qwen3.8-Max с моделями Claude Opus 4.8, Claude Fable 5 и GPT-5.6 от OpenAI, на задачах программирования, включая SWE-bench Pro и собственную систему оценки, которую компания называет NL2Repo-Bench.
Компания заявила, что провела оценку конкурирующих моделей, используя собственные инструменты кодирования каждого поставщика: Claude Code для моделей Anthropic и Codex для GPT-5.6 Sol, и сообщила о наивысшем опубликованном результате среди доступных конфигураций для каждой конкурентной модели.
Чарли Дай, вице-президент и ведущий аналитик компании Forrester, заявил, что запуск этого продукта сигнализирует о том, что Alibaba приближается к лидерству в этой области, хотя это не вся картина.
Alibaba сокращает отставание, но более важным является быстрое развитие моделей с открытым весом", - сказал Дай. "Предприятия все чаще имеют надежные альтернативы закрытым передовым моделям, особенно в области разработки программного обеспечения, адаптации к конкретным областям применения, соблюдения суверенитета и развертывания при ограниченном бюджете, где открытость часто так же важна, как и абсолютная производительность модели.
Компания хвалится результатом – 16 дней непрерывной работы над автономным кодом.
Компания Alibaba заявила, что протестировала модель на трех проектах кодирования без надзора, которые занимали несколько дней и требовали от модели выполнения задачи "с чистого листа", то есть от начального пустого проекта до завершения, без участия человека. В одном из проектов, по словам компании, модель смогла справиться самостоятельно за 16 дней.
Компания Alibaba также отметила возможности использования модели в различных сферах бизнеса, таких как соблюдение нормативных требований, финансовый анализ, проектирование, количественные исследования и создание мультимедийного контента. Компания заявила, что модель предназначена для выполнения целых бизнес-процессов, а не отдельных задач, выполняемых с помощью искусственного интеллекта.
Амит Джая, менеджер по разработке искусственного интеллекта в компании Kanerika, заявил, что это утверждение заслуживает более тщательного рассмотрения, чем это было сделано ранее.
Основной вопрос, который стоит изучить – это не количество параметров. Alibaba утверждает, что модель завершила проект по разработке программного обеспечения за 16 дней. Эта фраза была повторена повсюду и нигде не подвергалась критике," — сказал Джена. "16 дней чего? Сколько раз человек вмешивался? Прошел ли код через проверку?
Джена отметил, что сама концепция "открытого веса" также следует рассматривать внимательно. «Публикация весов – это отдельный шаг от открытия API-концевой точки», — сказал он. «Пока нет репозитория, лицензии и модели данных, «открытый вес» описывает намерение».
Аналитики утверждают, что неэффективность вывода — это не основная проблема.
Архитектура "смеси экспертов" от Alibaba активирует примерно 95 миллиардов из 2,4 триллиона параметров модели при каждом запросе, что, по словам компании, снижает затраты на вычисления.
Дай заявил, что для корпоративных покупателей сейчас важнее не размер самой модели, а эффективность ее работы. "Для большинства предприятий сейчас важнее эффективность работы модели, чем просто ее размер", - сказал он. "Активация лишь части от общего количества параметров может значительно снизить затраты на обслуживание и требования к инфраструктуре, делая производительность уровня передовых технологий более доступной для развертывания в производственной среде, где масштабируемость, задержка и экономичность часто являются более важными факторами, чем лидерство по результатам тестов".
Джена сказала, что увеличение эффективности имеет меньшее значение, чем способность организации фактически тестировать модель. "Эффективность перестала быть интересным вопросом. Ограничением, которое действительно определяет ситуацию, является скорость проведения оценки", - сказал он.
Нитиш Тьяги, старший аналитик в компании Gartner, заявил, что основное значение этого выпуска заключается не столько в количестве параметров, сколько в том сигнале, который он передает о конкурентном давлении на стоимость внедрения искусственного интеллекта.
Gartner ранее прогнозировал, что без более строгих мер контроля затрат, расходы на разработку с использованием искусственного интеллекта могут превысить среднюю зарплату разработчика", - сказал Тиаги. "Комбинация открытых весов, архитектуры "смесь экспертов" и контекстного окна в один миллион токенов представляет собой значительный шаг к тому, чтобы сделать разработку программного обеспечения с использованием искусственного интеллекта более экономически выгодной.
Тяги предупредил, что предприятия должны учитывать не только стоимость вывода модели, а также другие факторы при ее использовании в производственной среде.
Многие организации за пределами Китая могут быть неохотно использовать модели, размещенные в Китае, что приводит их к развертыванию через гигантские облачные провайдеры или собственную инфраструктуру, оба варианта сопряжены с дополнительными затратами", — сказал он.
Также модели с открытым исходным кодом обычно не имеют гарантий защиты от исков, которые предоставляют коммерческие поставщики ИИ, – отметил он. Это означает, что предприятиям необходимо самостоятельно обеспечивать безопасность, управление и сканирование кода для выявления рисков нарушения авторских прав и интеллектуальной собственности до развертывания в производственной среде.
Что должны учитывать руководители ИТ-отделов
Дженя заявила, что флагманская модель, объявленная в понедельник, может оказаться не той, которую в итоге будут использовать предприятия.
Qwen3.8-27B, который был представлен вместе с флагманской моделью и практически не получил освещения в СМИ», является более подходящим вариантом для большинства организаций, поскольку он может работать на инфраструктуре, принадлежащей им, и быть доработан с использованием их собственных данных.
Дай сказал, что руководители компаний, принимающие решение о внедрении, должны уделять приоритетное внимание прозрачности и общей стоимости владения, а не только первоначальным цифрам. "Главный вопрос заключается в том, обеспечивает ли Qwen3.8 измеримые бизнес-результаты, надежность на уровне предприятия, более низкую общую стоимость владения и возможности для цифровой независимости по сравнению с конкурирующими моделями", — сказал он.
Статья изначально была опубликована в журнале InfoWorld.
В последние годы наблюдается значительный рост популярности облачных решений для управления данными. Компании все чаще выбирают облачные платформы вместо традиционных локальных систем, чтобы снизить затраты, повысить гибкость и масштабируемость, а также улучшить сотрудничество между командами. Однако переход к облачным решениям не всегда прост и требует тщательного планирования и выбора подходящих инструментов.
Одним из ключевых аспектов успешного перехода к облаку является выбор правильной платформы. Существует множество различных облачных платформ, каждая из которых имеет свои сильные и слабые стороны. При выборе платформы необходимо учитывать такие факторы, как стоимость, масштабируемость, безопасность, соответствие нормативным требованиям и интеграция с существующими системами.
Еще одним важным аспектом является планирование миграции данных в облако. Миграция данных может быть сложным процессом, особенно для больших объемов данных. Необходимо тщательно спланировать процесс миграции, чтобы избежать проблем, таких как потеря данных, нарушение работы приложений и увеличение времени простоя.
Кроме того, необходимо обеспечить безопасность данных в облаке. Облачные платформы предлагают различные функции безопасности, но компании должны также принять дополнительные меры для защиты своих данных. Это может включать использование шифрования, многофакторной аутентификации и мониторинга активности пользователей.
Наконец, важно обучить сотрудников работе с облачными решениями. Сотрудники должны понимать, как использовать новые инструменты и процессы, чтобы эффективно работать в облачной среде.
В заключение, переход к облачным решениям для управления данными может быть выгодным решением для многих компаний. Однако необходимо тщательно спланировать этот переход и выбрать подходящие инструменты. Следуя этим рекомендациям, компании могут успешно перейти к облаку и получить все преимущества, которые оно предлагает.