از ساخت بازی تا تلاش برای کشف دارو؛ هوش مصنوعی قدرتمند Qwen4-Max معرفی شد
علیبابا با معرفی مدل ۲٫۴ تریلیون پارامتری Qwen4-Max، هوش مصنوعی را برای اجرای خودکار پروژههای بازیسازی، مهندسی و پزشکی ارتقا داد. شرکت علیبابا از هوش مصنوعی Qwen4-Max رونمایی کرد ؛ مدلی پرچمدار با معماری جدید، ۲٫۴ تریلیون پارامتر، قابلیت پردازش تصویر و پنج…
خلاصه تحلیلی خبر
علیبابا با معرفی مدل ۲٫۴ تریلیون پارامتری Qwen4-Max، هوش مصنوعی را برای اجرای خودکار پروژههای بازیسازی، مهندسی و پزشکی ارتقا داد. شرکت علیبابا از هوش مصنوعی Qwen4-Max رونمایی کرد ؛ مدلی پرچمدار با معماری جدید، ۲٫۴ تریلیون پارامتر، قابلیت پردازش تصویر و پنج…
موضوعات اصلی: پشتیبانی شبکه، هوش مصنوعی، مدل، کند، Qwen4-Max، میتواند
علیبابا با معرفی مدل ۲٫۴ تریلیون پارامتری Qwen4-Max، هوش مصنوعی را برای اجرای خودکار پروژههای بازیسازی، مهندسی و پزشکی ارتقا داد.
شرکت علیبابا از هوش مصنوعی Qwen4-Max رونمایی کرد؛ مدلی پرچمدار با معماری جدید، ۲٫۴ تریلیون پارامتر، قابلیت پردازش تصویر و پنجرهی متنی یکمیلیون توکنی که برای انجام کارهای حرفهای، توسعهی نرمافزار و اجرای وظایف طولانیمدت طراحی شده است.
نسل جدید خانوادهی Qwen با هدف تبدیل هوش مصنوعی از یک دستیار پاسخگو به همکار دیجیتالی توسعه پیدا کرده است. این مدل میتواند در پروژههای پیچیدهای مانند طراحی سهبعدی، توسعهی بازی، مهندسی صنعتی، امور مالی، حقوق، پزشکی و پژوهشهای علمی مشارکت کند و با استفاده از ابزارهای تخصصی، بخشی از مراحل اجرای پروژه را بهصورت مستقل پیش ببرد.
Qwen4-Max از معماری جدیدی مبتنی بر ترکیب متخصصها (MoE) استفاده میکند. این مدل در مجموع ۲٫۴ تریلیون پارامتر دارد که از این میان، ۷۱ میلیارد پارامتر هنگام پردازش هر توکن فعال میشوند. همچنین ۳۲۸ میلیارد پارامتر اضافی برای سیستم تعبیهی N-gram در معماری آن به کار رفته است.
علیبابا سه تغییر اصلی را در معماری این مدل معرفی میکند
- ترکیب Gated DeltaNet و Qwen Sparse Attentionسه لایهی Gated DeltaNet اطلاعات قبلی را در وضعیتهایی با اندازهی ثابت فشرده میکنند و لایهی QSA بخشهای مرتبط از متن را در مقیاسهای کوچکتر انتخاب میکند. این روش هزینهی پردازش ورودیهای طولانی را کاهش میدهد.
- اتصال باقیماندهی دروازهدار (Gated Residual)چهار مسیر موازی با سازوکار کنترل جریان اطلاعات، ارتباط میان لایهها و پایداری فرایند آموزش را بهبود میدهند.
- تعبیهی N-gramاین بخش با شناسایی الگوهای محلی توکنها، ظرفیت مدل را بدون افزایش متناسب هزینهی محاسباتی بالا میبرد.
Qwen4-Max از قابلیت بینایی بومی نیز پشتیبانی میکند و میتواند ورودیهای متنی، تصویری و ویدیویی را پردازش کند. پنجرهی متنی یک میلیون توکنی، امکان بررسی حجم زیادی از اسناد و اطلاعات را در یک مکالمه فراهم میکند.
یکی از محورهای اصلی معرفی Qwen4-Max، تواناییاش در انجام پروژههای چندمرحلهای 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 حوزهی بازیسازی نیز از موتورهای Unity و Unreal Engine و Godot پشتیبانی میکند. طبق نمونههای منتشرشده، مدل میتواند با دریافت توضیح متنی، محیط بازی، منطق گیمپلی، رابط کاربری، جلوههای بصری و صدا را آماده کند. سپس با اجرای بازی و بررسی نتیجه، بخشهای مختلف را اصلاح کند.
علیبابا همچنین توانایی مدل در مهندسی خودرو را نمایش داده است. Qwen4-Max میتواند در طراحی خطوط تولید، ساخت مدل سهبعدی تجهیزات، طراحی قطعات و شبیهسازی فرایند ماشینکاری مشارکت کند. در یکی از نمونههای شرکت، زمان برنامهنویسی دستی ماشینکاری یک قطعه از حدود ۴۷۵ دقیقه به ۲۴ دقیقه کاهش یافته است.
تولید ویدیو نیز از دیگر کاربردهای معرفیشده است. این مدل با همکاری ابزار WonderClip میتواند از اصلاح فیلمنامه و طراحی استوریبورد تا ساخت صحنهها، کنترل حرکت دوربین، تولید نماها و تدوین ویدیوی چندصحنهای را پیش ببرد.
Qwen4-Max برای انجام وظایف تخصصی نیز به ابزارهای خارجی متصل میشود. در نمونهی مالی علیبابا، مدل با استفاده از ۹۰ ابزار مبتنی بر پروتکل MCP اطلاعات بازارهای سهام، اوراق قرضه، صندوقها و مشتقات مالی را جمعآوری و تحلیل میکند. خروجی این فرایند میتواند بهشکل فایل اکسل و ارائهی پاورپوینت قابلویرایش همراه با ارجاع به منابع اصلی تهیه شود.
در یک سناریوی حقوقی، مدل ۱۹۸ سند با قالبها و نامگذاریهای نامنظم را بررسی کرده، آنها را در ۱۴ پوشه دستهبندی و گزارش بررسی حقوقی ۸۶ صفحهای تهیه کرده است. این گزارش شامل ۱۴ مسئلهی حقوقی بوده و نتیجهگیریهای آن به اسناد مربوط ارجاع داده شدهاند.
در حوزهی پزشکی نیز Qwen4-Max میتواند پروندههای حجیم شامل آزمایشها، گزارشهای پزشکان، دستورات درمانی و تصاویر پزشکی را بررسی کند. علیبابا نمونهای از تحلیل پروندهی یک بیمار بستری در بخش مراقبتهای ویژه را نمایش داده است که در آن مدل اطلاعات چند روز درمان را به شکل یک جدول زمانی سازماندهی و تصاویر پزشکی را تحلیل کرده است. این قابلیت برای پشتیبانی از تصمیمگیری پزشکان طراحی شده و جایگزین قضاوت متخصصان نیست.
یکی از ویژگیهای مهم Qwen4-Max امکان اجرای عاملهای هوش مصنوعی برای انجام وظایف طولانیمدت است. این عاملها میتوانند برنامهریزی کنند، از ابزارهای مختلف کمک بگیرند و در چند مرحله به هدف برسند.
قابلیت Live Delivery به کاربر اجازه میدهد بهجای انتظار تا پایان پروژه، نسخههای اولیهی خروجی را در طول اجرا دریافت کند. کاربر میتواند هر زمان که لازم بود، اشتباهها را اصلاح کند یا مسیر انجام کار را تغییر دهد. افزونهی Qwen-Live-Delivery-Plugin نیز برای استفاده از این قابلیت متنباز شده است.
علیبابا از Qwen4-Max برای بهینهسازی منابع پردازشی ابری خود نیز استفاده کرده است. این مدل میتواند زمانبندی اجرای مدلها و تخصیص منابع پردازنده و پردازندهی گرافیکی را بررسی کند و با دریافت بازخورد، راهکارهایش را اصلاح کند. طبق نتایج اعلامشده، هزینهی 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.
در یک آزمایش علمی نیز Qwen4 طی اجرای مستقل ۴۸ ساعته، با همکاری محیط آزمایشگاهی Mira، فرایند طراحی و ساخت یک مادهی خنککنندهی جدید برای دیتاسنترها را پیش برد. مدل ابتدا فضای ۲٫۷ میلیون مولکول احتمالی را بررسی کرد و پس از چهار دور طراحی، سنتز و آزمایش، به نمونهای فیزیکی و اعتبارسنجیشده رسید.
در نمونهای دیگر برای پژوهش دارویی، مدل با بررسی مقالات و پتنتها، ۲۴ مولکول را طراحی و بهینهسازی کرد و ۴۵۴ بار از ابزارهای تخصصی استفاده کرد. یکی از مولکولهای منتخب نیز براساس محاسبات انرژی اتصال، حدود ۳٫۶ برابر قدرت اتصال تخمینی نسبت به مولکول مرجع داشت؛ نتیجهای که همچنان به اعتبارسنجی آزمایشگاهی بیشتر نیاز دارد.
علیبابا میگوید Qwen4-Max در مقایسه با Qwen3.8-Max در تقریباً تمام حوزههای ارزیابیشده عملکرد بهتری دارد. در آزمون داخلی Work360، امتیاز مدل از ۴۷٫۷۴ به ۵۲٫۶۹ رسیده است. همچنین مصرف توکن در این آزمون، بسته به سطح تلاش استدلالی، حدود ۲۴ تا ۳۵ درصد کاهش یافته است. در Terminal-Bench 4.0 نیز مصرف توکن حدود ۴۸ تا ۴۹ درصد کمتر شده است.
بر اساس ارزیابی Work360 شرکت، میانگین هزینهی انجام هر وظیفه از ۴٫۴۳ دلار در نسل قبلی به ۱٫۶۷ دلار در Qwen4-Max رسیده که کاهش ۶۲ درصدی را نشان میدهد. این اعداد نتایج اعلامشده از سوی علیبابا هستند و نباید آنها را معادل ارزیابی مستقل همهی قابلیتهای مدل دانست.
۶۲ درصد قیمت کمتر و عملکرد بسیار قدرتمندتر
در بخش امنیت، این شرکت از تقویت قابلیت تولید کد امن خبر داده است. نرخ موفقیت همزمان در بررسی عملکرد و امنیت کد در آزمون Last Secure Code Bench از ۲۲ درصد در نسل قبلی به ۳۱٫۸ درصد رسیده است. سهم کدهایی که در سطح تابع، فایل و مخزن بهطور همزمان معیارهای امنیتی را رعایت میکنند نیز از ۸ به ۱۴٫۷ درصد افزایش یافته است.
علیبابا میگوید در آموزش مدل، بررسیهای امنیتی برای کاهش خطراتی مانند تزریق کد، ضعف ایمنی حافظه و کنترل دسترسی ناقص انجام شده است. این شرکت برای جلوگیری از سوءاستفادههای سایبری و کاربردهای مرتبط با تسلیحات شیمیایی، زیستی، رادیولوژیک و هستهای، دادهها و ارزیابیهای ایمنی اختصاصی در نظر گرفته است.
Qwen4-Max اکنون از طریق QwenCloud و API در دسترس توسعهدهندگان قرار دارد و کاربران میتوانند از آن در QwenWork و Qoder و Qwen Studio نیز استفاده کنند. علیبابا اعلام کرده است مدلهای کوچکتر خانوادهی Qwen4 نیز در آینده بهصورت متنباز منتشر خواهند شد.
با Qwen4-Max، علیبابا تمرکز خود را از تولید پاسخهای متنی به اجرای پروژههای واقعی و چندمرحلهای گسترش داده است. توانایی استفاده از ابزارهای تخصصی، تحویل تدریجی نتایج و ادامهی مستقل کار، از مهمترین ویژگیهای این مدل هستند؛ هرچند نمونههای عملکردی و اعداد منتشرشده هنوز عمدتاً بر ارزیابیها و نمایشهای خود شرکت متکیاند.
برای ارزیابی پایداری، امنیت و نگهداری این زیرساخت، راهنمای پشتیبانی شبکه را نیز مطالعه کنید.