علیبابا مدل Qwen4-Max را با ۲٫۴ تریلیون پارامتر معرفی کرد؛ هوش مصنوعی قدرتمندی که توانایی ساخت بازی، طراحی صنعتی و کشف دارو دارد.
فهرست مطالب
شرکت علیبابا روز ۱۶ نوامبر ۲۰۲۶ از مدل هوش مصنوعی Qwen4-Max با ۲٫۴ تریلیون پارامتر، حافظه زمینه یک میلیون توکنی و قابلیت اجرای مستقل وظایف پیچیده رونمایی کرد.
به گزارش سرویس هوش مصنوعی تکناک، این مدل بر پایه معماری جدید Qwen4 توسعه یافته است و توانایی انجام فعالیتهای تخصصی در حوزههایی مانند برنامهنویسی، ساخت بازی، طراحی صنعتی، تولید ویدیو، امور مالی، حقوق، پزشکی و تحقیقات علمی را دارد.
علیبابا مدل جدید خود را یک همکار هوش مصنوعی شبانهروزی معرفی کرده است که میتواند پروژههای پیچیده را برای مدت طولانی مدیریت کند. این مدل علاوه بر پاسخگویی به پرسشها، از ابزارهای تخصصی استفاده میکند و خروجیهای قابل استفاده تولید میکند.
یکی از مهمترین ویژگیهای مدل Qwen4-Max، توانایی اجرای وظایف چندمرحلهای با حداقل دخالت کاربر است. این مدل میتواند برای انجام یک پروژه برنامهریزی کند، ابزارهای مورد نیاز را به کار بگیرد، نتایج را ارزیابی کند و براساس بازخوردهای دریافتی عملکرد خود را اصلاح نماید. همچنین علیبابا اعلام کرده است که Qwen4-Max در مقایسه با نسل قبلی، Qwen3.8-Max، عملکرد بهتر و هزینه پردازشی کمتری دارد.
کاهش ۶۲ درصدی هزینه پردازش با مدل Qwen4-Max
مدل Qwen4-Max از معماری ترکیبی متخصصان تنک یا Sparse MoE استفاده میکند. این معماری امکان بهرهگیری از ظرفیت یک مدل بسیار بزرگ را بدون فعالسازی تمام پارامترهای آن در هر مرحله پردازش فراهم میکند. ساختار پایه این مدل ۲٫۴ تریلیون پارامتر دارد، اما هنگام پردازش هر توکن تنها ۷۱ میلیارد پارامتر فعال میشوند. همچنین ۳۲۸ میلیارد پارامتر اضافی برای سازوکار N-gram Embedding در نظر گرفته شده است.
علیبابا برای بهبود عملکرد این معماری، چند فناوری جدید را به کار گرفته است. یکی از آنها Qwen Sparse Attention یا QSA است که بخشهای مرتبط اطلاعات را در متنهای طولانی شناسایی میکند. این فناوری همراه با لایههای Gated DeltaNet، هزینه پردازش و بازیابی اطلاعات را کاهش میدهد.
فناوری Gated Residual نیز با استفاده از چهار شاخه موازی، انتقال اطلاعات میان لایههای مدل را تقویت میکند. سازوکار N-gram Embedding هم ظرفیت پردازش الگوهای متنی را بدون افزایش چشمگیر محاسبات گسترش میدهد.
مدل جدید از یک پنجره زمینه یک میلیون توکنی پشتیبانی میکند. این ظرفیت به مدل اجازه میدهد حجم بسیار زیادی از اطلاعات، اسناد و سوابق گفتوگو را در یک فرایند پردازش کند. نتایج آزمایشهای داخلی علیبابا نشان میدهند که این تغییرات علاوه بر افزایش توانایی مدل، مصرف منابع پردازشی را نیز کاهش دادهاند. در بنچمارک Work360، مصرف توکن Qwen4-Max در سطوح پردازشی Xhigh و High بهترتیب حدود ۲۴ و ۳۵ درصد کمتر از Qwen3.8-Max بوده است. در آزمون Terminal-Bench 4.0 نیز کاهش مصرف توکن در همین سطوح به ۴۸ و ۴۹ درصد رسیده است.
علیبابا قیمت استفاده از API مدل جدید را نیز کاهش داده است. این کاهش بهویژه در هزینه پردازش ورودیهای ذخیرهشده در حافظه کش قابلتوجه است. در ارزیابی Work360، میانگین هزینه اجرای هر وظیفه از ۴٫۴۳ دلار در نسل قبلی به ۱٫۶۷ دلار در مدل جدید رسیده است. این تغییر کاهش ۶۲ درصدی هزینه را نشان میدهد.
امتیاز مدل Qwen4-Max در همین بنچمارک به ۵۲٫۶۹ رسیده است، درحالیکه نسل قبلی امتیاز ۴۷٫۷۴ را کسب کرده بود. چارچوب Work360 شامل ۲۶ حوزه اصلی، ۱۸۲ زیرحوزه و ۷۲۱ زمینه تخصصی است. نسخه پایه Qwen4-Max نیز در ارزیابیهای داخلی حوزههای دانش، برنامهنویسی، پرسش و پاسخ و علوم مهندسی، بهبود ۵ تا ۱۳ درصدی شاخص BPB را ثبت کرده است. این پیشرفت با فعالسازی ۲۵ درصد پارامتر کمتر به دست آمده است.
مرتبط: هوش مصنوعی در آستانه خودبهبودی مستقل قرار دارد! + تصویر
از ساخت بازی سهبعدی تا طراحی خطوط تولید خودرو
یکی از مهمترین قابلیتهای مدل Qwen4-Max، استفاده مستقیم از نرمافزارهای تخصصی برای تولید خروجیهای واقعی است. این مدل میتواند با نرمافزار Blender کار کند و مراحل مدلسازی هندسی، طراحی صحنه، تنظیم متریال، نورپردازی و رندرگیری را انجام دهد. علیبابا اعلام کرده است که مدل جدید در طراحی ساختمانها، فضاهای داخلی، مناظر طبیعی و محیطهای علمی-تخیلی عملکرد مناسبی دارد. مدلهای سهبعدی تولیدشده را میتوان در بازیهای ویدیویی استفاده کرد یا با چاپگرهای سهبعدی به نمونههای فیزیکی تبدیل کرد.
همچنین مدل Qwen4-Max از موتورهای بازیسازی Unity، Unreal Engine و Godot پشتیبانی میکند. این مدل میتواند با دریافت یک توضیح متنی، صحنه بازی را طراحی کند، منطق گیمپلی را بنویسد و جلوههای بصری و رابط کاربری را بسازد. مدل پس از تولید بازی، آن را اجرا میکند و مشکلات مربوط به حرکت دوربین، انیمیشن شخصیتها، نورپردازی و تعاملات بازی را شناسایی و اصلاح میکند.
مرتبط: عینک هوشمند اپل با تمرکز بر هوش مصنوعی سیری در راه است
علیبابا برای نمایش این قابلیت، بازی سهبعدی Meow of Magic را با استفاده از Unreal Engine ساخته است. این بازی درباره یک گربه جادوگر است که با دشمنان مبارزه میکند و قابلیتهای خود را ارتقا میدهد.
کاربرد صنعتی نیز از دیگر بخشهای مهم معرفی مدل Qwen4-Max محسوب میشود. این مدل در محیطهای تولید واقعی شرکتهای SANF و Pacific Union برای طراحی خطوط تولید خودرو، مدلسازی قطعات و برنامهریزی عملیات ماشینکاری استفاده شده است. مدل Qwen4-Max میتواند نقشههای دوبعدی کارخانه را به مدلهای سهبعدی تبدیل کند، زمان چرخه تولید را شبیهسازی کند و راهاندازی مجازی کنترلکنندههای صنعتی PLC را انجام دهد.
در طراحی قطعات نیز مدل میتواند مجموعه درهای خودرو و قطعات مکانیکی را طراحی کند. سپس مسیر حرکت ابزارهای ماشینکاری را تولید و نتیجه را پیش از آغاز ساخت بررسی میکند. این قابلیت امکان شناسایی مشکلاتی مانند برداشت بیشازحد یا ناکافی مواد را فراهم میکند. در یکی از نمونههای ارائهشده، زمان کار دستی لازم برای برنامهنویسی ماشینکاری یک قطعه از ۴۷۵ دقیقه به ۲۴ دقیقه کاهش یافته است. این نتیجه معادل کاهش حدود ۹۵ درصدی زمان کار دستی است.
همچنین علیبابا قابلیت تولید ویدیو را با ترکیب Qwen4 و WonderClip نمایش داده است. این سیستم میتواند مراحل آمادهسازی استوریبورد، ساخت داراییهای بصری، حرکت دوربین، رندرگیری و تدوین ویدیو را در یک فرایند یکپارچه انجام دهد.
ورود مدل Qwen4-Max به حوزههای مختلف
علیبابا بخش مهمی از تواناییهای مدل جدید را به انجام فعالیتهای تخصصی اختصاص داده است. در حوزه مالی، Qwen4-Max میتواند از ۹۰ ابزار مبتنی بر پروتکل MCP برای گردآوری دادههای بازار استفاده کند. این اطلاعات شامل قیمت سهام، گزارشهای مالی، نرخ بهره، سود تقسیمی، اوراق قرضه و ابزارهای مشتقه هستند. مدل میتواند دادههای بازارهای چین، هنگکنگ و آمریکا را تحلیل کند و اطلاعات بهدستآمده را با اسناد عمومی تطبیق دهد. در یکی از نمونهها، مدل Qwen4-Max ابزارهای مشتقه شاخص CSI 300 را بررسی کرده و هزینه تأمین مالی، سود تقسیمی و سررسید قراردادها را در محاسبات خود در نظر گرفته است. خروجی این فرایند در قالب فایلهای Excel و ارائههای قابل ویرایش PowerPoint تولید شده است. کاربران میتوانند منابع اصلی دادهها و فرمولهای استفادهشده را از طریق پیوندهای موجود در فایلها بررسی کنند.
در حوزه حقوقی نیز مدل توانسته است ۱۹۸ سند با قالبها و نامهای نامنظم را پردازش کند. مدل Qwen4-Max این اسناد را براساس محتوا در ۱۴ پوشه دستهبندی کرده و سپس سوابق ثبت شرکتها، مالکیت فکری، پروندههای قضایی و اطلاعات اعتباری را بررسی کرده است. مدل در نهایت یک گزارش حقوقی ۸۶ صفحهای شامل بیش از ۶۰ هزار نویسه چینی تهیه کرده است. این گزارش ۱۲ حوزه بررسی و ۱۴ مسئله حقوقی مشخص را پوشش میدهد.
یکی دیگر از کاربردهای معرفیشده، کمک به تحلیل اطلاعات بیماران بخش مراقبتهای ویژه است. در نمونه پزشکی علیبابا، مدل پرونده بیماری را بررسی کرده است که پس از استنتگذاری شریان کاروتید دچار فیبریلاسیون بطنی شده بود. اطلاعات این بیمار شامل دهها گزارش آزمایشگاهی، یادداشتهای درمانی و ۱۴۳۳ تصویر پزشکی بود. مدل Qwen4 اطلاعات شش روز درمان را سازماندهی کرده و با استفاده از عاملهای هوش مصنوعی فرعی، صدها تصویر سیتیاسکن را بررسی کرده است. مدل در نهایت چهار پیشنهاد درمانی ارائه داده است که با دستورهای واقعی پزشک معالج در همان روز مطابقت داشتهاند. البته علیبابا تاکید کرده است که این فناوری برای کمک به متخصصان طراحی شده است و نباید جایگزین قضاوت حرفهای پزشکان یا دیگر کارشناسان در تصمیمهای حساس شود.
مرتبط: هشدار FBI درباره موج جهانی حملات سایبری با کمک هوش مصنوعی
کشف راهکاری جدید برای خنکسازی تراشهها
یکی از برجستهترین نمونههای معرفیشده، استفاده از Qwen4 برای کشف و ساخت یک ماده خنککننده جدید است. این پروژه با هدف بررسی راهکارهای خنکسازی تراشههای پرقدرت نسل آینده انجام شده است. مدل با استفاده از پلتفرم Mira متعلق به Deep Principle، یک فرایند پژوهشی مستقل ۴۸ ساعته را اجرا کرده است. مدل Qwen4 ابتدا مجموعهای شامل ۲٫۷ میلیون مولکول نامزد ایجاد کرده و سپس غربالگری ساختاری، پیشبینی ویژگیها و محاسبات تخصصی را انجام داده است. این مدل پس از انتخاب گزینههای مناسب، تجهیزات آزمایشگاهی خودکار را برای آمادهسازی مواد، سنتز، جداسازی و آزمایش هدایت کرده است. این فرایند پس از چهار مرحله طراحی، ساخت، آزمایش و اصلاح باعث تولید نمونه فیزیکی یک مولکول خنککننده جدید شده است. علیبابا اعلام کرده است که این مولکول در آزمایشگاه نیز تایید شده است.
حتما بخوانید: گوگل امکان اتصال حساب بانکی به جمنای را فراهم کرد
کاربرد علمی دیگر مدل Qwen4-Max به تحقیقات بیماری آلزایمر مربوط میشود. این مدل با استفاده از پلتفرم PharmMaster شرکت DP Technology، مولکولهایی را با هدف اثرگذاری بر مجموعه التهابی NLRP3 طراحی کرده است. مدل Qwen4-Max در این پروژه ۴۵۴ بار ابزارهای تخصصی را فراخوانی کرده، ۳۲۳۹ ارزیابی محاسباتی انجام داده و ۲۴ مولکول نامزد را طراحی و بهینهسازی کرده است. نتایج محاسبات نشان میدهند که میل اتصال مولکول منتخب به هدف مورد نظر حدود ۳٫۶ برابر مولکول مرجع است. متخصصان DP Technology ارزش پژوهشی این مولکول را تایید کردهاند، اما بررسیهای آزمایشگاهی بیشتر برای اعتبارسنجی نتایج همچنان ضروری است.
همچنین علیبابا قابلیت Live Delivery را برای اجرای وظایف طولانیمدت معرفی کرده است. این ویژگی به عامل هوش مصنوعی اجازه میدهد نسخههای اولیه خروجی را ارائه دهد و مراحل بعدی را براساس بازخورد کاربران اصلاح کند.
مدل جدید در مدیریت منابع ابری نیز آزمایش شده است. نتایج ارائهشده از کاهش ۱۰٫۴۲ درصدی هزینه زمانبندی مدلها برای برچسبگذاری دادهها و افزایش بیش از ۱۴٫۶۱ برابری سرعت حل یکی از مسائل زمانبندی CPU حکایت دارند. در بخش امنیت نیز نرخ موفقیت همزمان عملکرد و ایمنی کدهای تولیدشده در سطح تابع از ۲۲ به ۳۱٫۸ درصد افزایش یافته است.
مدل Qwen4-Max هماکنون از طریق QwenCloud و سرویسهای QwenWork، Qoder و QwenStudio در دسترس است. توسعهدهندگان میتوانند از طریق API یا طرح Token Plan به آن دسترسی پیدا کنند. علیبابا اعلام کرده است که مدلهای کوچکتر خانواده Qwen4 نیز در آینده به صورت متنباز منتشر خواهند شد.
