அலிபாபாவின் மிகக் குறைந்த செயல்பாட்டு அளவிலான குறியீட்டு AI, சிலிக்கான் பள்ளத்தாக்கின் ஆதிக்கத்துக்குச் சவால்

அலிபாபாவின் மிகக் குறைந்த செயல்பாட்டு அளவிலான குறியீட்டு AI, சிலிக்கான் பள்ளத்தாக்கின் ஆதிக்கத்துக்குச் சவால்

சீனத் தொழில்நுட்பப் பெருநிறுவனமான அலிபாபா, Qwen3-Coder-Next என்ற திறந்த மூலக் குறியீட்டு மாதிரியை வெளியிட்டுள்ளது. OpenAI, Anthropic ஆகியவற்றின் தனியுரிமை அமைப்புகளுக்குப் போட்டியாகச் செயல்படும் இந்த மாதிரி, அவற்றுடன் ஒப்பிடும்போது மிகக் குறைந்த கணக்கீட்டு வளங்களையே பயன்படுத்துகிறது. 80 பில்லியன் அளவுருக்களைக் கொண்ட இம்மாதிரி, அதன் மிகக் குறைந்த செயல்பாட்டு நிபுணர் கலவை (Mixture-of-Experts) கட்டமைப்பின் மூலம் ஒவ்வொரு முன்னோக்கிய கணக்கீட்டிலும் 3 பில்லியன் அளவுருக்களை மட்டுமே செயல்படுத்துகிறது. இதனால், பெரிய மொழி மாதிரிகளுடன் பொதுவாகத் தொடர்புடைய தாமதமும் செலவும் இன்றி, உள்ளூர் வன்பொருளிலேயே மேம்பட்ட குறியீட்டு முகவர்களை இயக்க முடிகிறது. செயற்கை நுண்ணறிவு பொறியியலின் பொருளாதாரத்தில் இது அடிப்படை மாற்றத்தைக் குறிக்கிறது: மேம்பட்ட பகுத்தறிவுத் திறன்களுக்கு மிகப் பெரிய கணக்கீட்டு வளங்கள் அவசியமில்லை என்பதை இது காட்டுகிறது.

AI குறியீட்டு உதவியாளர் சந்தையில் பரபரப்பான காலகட்டத்தில் இந்த வெளியீடு வந்துள்ளது. Anthropic அண்மையில் Claude Code-க்கான செயல்திறன் மேம்பாடுகளை அறிமுகப்படுத்தியது; OpenAI தனது Codex செயலியை வெளியிட்டது; OpenClaw போன்ற திறந்த மூலக் கட்டமைப்புகள் சமூகத்தில் வேகமாகப் பரவின. Apache 2.0 உரிமத்தின் கீழான தாராளமான திறந்த மூல அனுமதியையும், பெரிய மாதிரிகள் எப்போதும் சிறப்பாகச் செயல்படும் என்ற கருதுகோளுக்குச் சவால் விடும் கட்டமைப்பு புதுமைகளையும் இணைப்பதன் மூலம் அலிபாபாவின் வெளியீடு தனித்துவம் பெறுகிறது. வெவ்வேறு பயன்பாட்டு நிலைகளுக்கான FP8, GGUF உள்ளிட்ட பல வடிவங்களில் மாதிரி எடைகள் Hugging Face தளத்தில் கிடைக்கின்றன. பயிற்சி முறை மற்றும் கட்டமைப்புத் தேர்வுகளை விளக்கும் தொழில்நுட்ப அறிக்கையும் வெளியிடப்பட்டுள்ளது.

சுயாதீன அளவீடுகள் அலிபாபாவின் செயல்திறன் கூற்றுகளை உறுதிப்படுத்தியுள்ளன. பல்வேறு வன்பொருள் அமைப்புகளில் நடத்தப்பட்ட சோதனைகளில், குறியீட்டுப் பணிகளில் 10-க்கு 9.9 தர மதிப்பெண்ணைப் பராமரித்தபடி Qwen3-Coder-Next வினாடிக்கு 172 டோக்கன்களை உருவாக்கியது. உள்ளூர் மேம்பாட்டுக் கருவிகளைத் தேர்ந்தெடுக்கும்போது வேகத்துக்கும் துல்லியத்துக்கும் இடையே இனி சமரசம் செய்ய வேண்டியதில்லை என்பதை இந்தச் செயல்திறன் காட்டுகிறது. முந்தைய பதிப்புகள் ஆதரித்த 92 மொழிகளிலிருந்து கணிசமாக விரிவடைந்து, இந்த மாதிரி 370 நிரலாக்க மொழிகளை ஆதரிக்கிறது. இதன் இயல்பான சூழல் சாளரம் 256,000 டோக்கன்கள்; விரிவாக்க நுட்பங்கள் மூலம் இதை ஒரு மில்லியன் டோக்கன்களாக உயர்த்தலாம்.

கலப்புக் கட்டமைப்பு நினைவகத் தடையை எவ்வாறு உடைக்கிறது

பாரம்பரிய Transformer மாதிரிகள், இருபடிச் (quadratic) அளவீட்டுச் சிக்கல் எனப்படும் முக்கிய வரம்பை எதிர்கொள்கின்றன. சூழல் சாளரங்கள் விரிவடையும்போது, வழக்கமான கவனக் கட்டமைப்புகளின் கணக்கீட்டுச் செலவு வரிசையின் நீளத்துக்கு இருபடி விகிதத்தில் அதிகரிப்பதால் அவை நடைமுறைக்குப் பொருந்தாதவையாகின்றன. இதனால், பெரிய குறியீட்டுத் தொகுப்புகளையோ நீண்ட உரையாடல்களையோ மாதிரிகள் திறம்படக் கையாள முடியாத நினைவகத் தடை உருவாகிறது. நீண்ட சூழல்களில் மொழி மாதிரிகள் தகவலைச் செயலாக்கும் முறையை அடிப்படையாக மறுபரிசீலனை செய்யும் Gated DeltaNet, Gated Attention ஆகியவற்றை இணைக்கும் கலப்புக் கட்டமைப்பின் மூலம் Qwen3-Coder-Next இதற்குத் தீர்வளிக்கிறது.

வழக்கமான softmax கவனக் கட்டமைப்புக்கு நேரியல் சிக்கலுடைய மாற்றாக Gated DeltaNet செயல்படுகிறது. நீண்ட தூரப் பகுத்தறிவில் பொதுவாக ஏற்படும் கடுமையான தாமத உயர்வு இன்றி, கால் மில்லியன் டோக்கன் சாளரம் முழுவதும் நிலையைத் தக்கவைக்க இது மாதிரிக்கு உதவுகிறது. மிகக் குறைந்த செயல்பாட்டு MoE வடிவமைப்புடன் இணைக்கப்படும்போது, களஞ்சிய அளவிலான பணிகளில் இதே மொத்தத் திறனுடைய அடர்த்தியான மாதிரிகளைவிட பத்து மடங்கு அதிக செயல்திறனை இந்தக் கட்டமைப்பு கோட்பாட்டளவில் வழங்குகிறது. ஒரு முகவர் முழு Python நூலகத்தையோ சிக்கலான JavaScript கட்டமைப்பையோ படித்து, 80 பில்லியன் அளவுரு அமைப்பின் கட்டமைப்பு புரிதலைத் தக்கவைத்தபடியே, 3 பில்லியன் அளவுரு மாதிரியின் வேகத்தில் பதிலளிக்க முடியும்.

பயிற்சியின்போது சூழல் குறித்த மாயத் தகவல் உருவாவதைத் தடுக்க, பாரம்பரிய ஆவண இணைப்பு முறைகளில் ஏற்படும் துண்டிப்பு பிழைகள் இன்றி செயல்திறனைப் பராமரிக்கும் Best-Fit Packing உத்தியை மேம்பாட்டுக் குழு பயன்படுத்தியது. முன்பயிற்சி, பயிற்சிக்குப் பிந்தைய கட்டங்கள் இரண்டிலும் நிலையான செயல்திறனை உறுதிசெய்ய, பூஜ்ஜிய மையப்படுத்தல் மற்றும் எடைச் சிதைவு கொண்ட அடுக்கு இயல்பாக்கம் உள்ளிட்ட நிலைத்தன்மை மேம்பாடுகளும் கட்டமைப்பில் சேர்க்கப்பட்டுள்ளன. ஒரே நேரத்தில் பல எதிர்கால டோக்கன்களைக் கணிப்பதன் மூலம் முன்பயிற்சி செயல்திறனை உயர்த்தி, கணிப்பை விரைவுபடுத்தும் Multi-Token Prediction அம்சத்தையும் இது ஆதரிக்கிறது.

முகவர்-முதன்மைப் பயிற்சி: நிலையான குறியீட்டுத் தொகுப்புகளைக் கடந்து

வரலாற்றில், குறியீட்டு மாதிரிகள் நிலையான குறியீட்டு உரைத் தொகுப்புகள் மூலம் பயிற்றுவிக்கப்பட்டன. இது வாசிப்பை மட்டுமே அடிப்படையாகக் கொண்ட பயிற்சி முறையாக இருந்ததால், மாறும் மேம்பாட்டுச் சூழல்களுடன் தொடர்புகொள்ளும் அவற்றின் திறன் மட்டுப்பட்டது. நிஜ உலகச் சூழல்களிலிருந்து உருவாக்கப்பட்டு சரிபார்க்கக்கூடிய 800,000 குறியீட்டுப் பணிகளைக் கொண்ட பெரிய முகவர்-சார்ந்த பயிற்சிச் செயல்முறை மூலம் Qwen3-Coder-Next இந்த மரபிலிருந்து விலகுகிறது. இவை எளிய குறியீட்டுத் துணுக்குகள் அல்ல; GitHub இழுப்பு கோரிக்கைகளிலிருந்து திரட்டப்பட்ட உண்மையான பிழைத் திருத்தச் சூழல்களாகவும், முழுமையாக இயக்கக்கூடிய கொள்கலன் சூழல்களுடன் இணைக்கப்பட்டவையாகவும் இருந்தன.

MegaFlow எனப்படும் பயிற்சிக் கட்டமைப்பு, அலிபாபா கிளவுட் Kubernetes-இல் உருவாக்கப்பட்ட மேக-இயல்பான ஒருங்கிணைப்பு அமைப்பாகச் செயல்படுகிறது. ஒவ்வொரு முகவர் சார்ந்த பணியும் முகவர் செயல்படுத்தல், மதிப்பீடு, பிந்தைய செயலாக்கம் என மூன்று கட்டங்களைக் கொண்டது. செயல்படுத்தல் கட்டத்தில், நேரடியாக இயங்கும் கொள்கலன் சூழல்களுடன் மாதிரி தொடர்புகொள்கிறது; உருவாக்கிய குறியீடு அலகுச் சோதனைகளில் தோல்வியடையும்போதோ கொள்கலன்கள் செயலிழக்கும்போதோ உடனடி பின்னூட்டம் கிடைக்கிறது. இந்த மூடிய பின்னூட்டச் சுழற்சியிலான பயிற்சி, இடைநிலைப் பயிற்சியின் வலுவூட்டல் கற்றல் மூலம் சூழல் பின்னூட்டத்திலிருந்து கற்றுக்கொள்ள அமைப்புக்கு உதவுகிறது. இதனால் சரியான பதில்களை மனப்பாடம் செய்வதற்குப் பதிலாக, பிழைகளிலிருந்து மீண்டு தீர்வுகளை நிகழ்நேரத்தில் மேம்படுத்த அது கற்றுக்கொள்கிறது.

தனித்த கோப்புகளை மட்டும் பகுப்பாய்வு செய்வதற்குப் பதிலாக, களஞ்சிய அளவிலான புரிதலுக்கு பயிற்சிச் செயல்முறை முக்கியத்துவம் அளித்தது. இடைநிலைப் பயிற்சியில் சுமார் 600 பில்லியன் டோக்கன் அளவிலான களஞ்சியத் தரவுகள் சேர்க்கப்பட்டன; கோப்பளவுத் தரவுத்தொகுப்புகளை மட்டும் பயன்படுத்துவதைவிட, கோப்புகளுக்கிடையிலான சார்பு தர்க்கத்தைப் புரிந்துகொள்வதில் இது கூடுதல் பயன் அளித்தது. குறியீட்டுத் தொகுப்பின் பல்வேறு கூறுகளுக்கிடையிலான சிக்கலான உறவுகளைப் புரிந்துகொள்ள இந்த அணுகுமுறை மாதிரிக்கு உதவுகிறது. பெரிய அளவிலான மென்பொருள் பொறியியல் திட்டங்களைக் கையாள இது முக்கியத் திறன். இணைய மேம்பாடு, பயனர் அனுபவ மேம்பாடு உள்ளிட்ட குறிப்பிட்ட துறைகளுக்கான சிறப்பு நிபுணர் மாதிரிகளும் இதில் அடங்கும். அவற்றின் நுணுக்கமான அறிவை இலகுவான பயன்பாட்டுப் பதிப்பில் தக்கவைக்க, பின்னர் அவை முதன்மை மாதிரியில் மீண்டும் சுருக்கிப் பயிற்றுவிக்கப்பட்டன.

தனியுரிமைப் பெருநிறுவன மாதிரிகளுக்கு இணையான அளவீட்டு முடிவுகள்

நிஜ உலக மென்பொருள் சிக்கல்களைத் தீர்க்கும் AI மாதிரிகளின் திறனை மதிப்பிடும் அதிகாரப்பூர்வ அளவுகோலான SWE-Bench Verified-இல் Qwen3-Coder-Next 70.6% மதிப்பெண் பெற்றது. 70.2% பெற்ற DeepSeek-V3.2-ஐ இது முந்தியுள்ளது; 74.2% பெற்ற GLM-4.7-ஐ நெருங்கியுள்ளது. போட்டி அமைப்புகளைவிட மிகக் குறைவான செயலில் உள்ள அளவுருக்களைக் கொண்ட, வெறும் 3 பில்லியன் செயலில் உள்ள அளவுருக்களுடன் அலிபாபா மாதிரி இயங்குகிறது என்பதால் இந்த முடிவுகள் குறிப்பிடத்தக்கவை. மேலும் கடினமான SWE-Bench Pro அளவுகோலில், பல்முறை உரையாடல்களைக் கொண்ட முகவர் பணிகளில் நீண்டகாலப் பகுத்தறிவில் மாதிரி குறிப்பாகச் சிறப்பாகச் செயல்பட்டது.

மாதிரியின் திறன்கள் செயல்படும் குறியீட்டை உருவாக்குவதைத் தாண்டி, பாதுகாப்பு விழிப்புணர்வுள்ள மேம்பாட்டையும் உள்ளடக்குகின்றன. பாதுகாப்புக் குறைபாடுகளைச் சரிசெய்யும் மாதிரியின் திறனை மதிப்பிடும் SecCodeBench-இல், குறியீடு உருவாக்கச் சூழல்களில் Qwen3-Coder-Next, Claude-Opus-4.5-ஐ முந்தியது. அதன் மதிப்பெண் 61.2%; Claude-Opus-4.5-இன் மதிப்பெண் 52.5%. பாதுகாப்பு குறித்த எந்தக் குறிப்பும் வழங்கப்படாதபோதும் அது உயர்ந்த மதிப்பெண்களைப் பெற்றது. பொதுவான பாதுகாப்புக் குறைபாடுகள் குறித்த உள்ளார்ந்த விழிப்புணர்வை 800,000 பணிகளைக் கொண்ட முகவர் பயிற்சிக் கட்டம் உருவாக்கியிருப்பதை இது சுட்டுகிறது. பல்மொழிப் பாதுகாப்பு மதிப்பீடுகளில், செயல்படும் மற்றும் பாதுகாப்பான குறியீட்டு உருவாக்கத்துக்கு இடையே போட்டித்தன்மையுள்ள சமநிலையை மாதிரி வெளிப்படுத்தியது. CWEval அளவுகோலில் 56.32% func-sec@1 மதிப்பெண்ணுடன் DeepSeek-V3.2, GLM-4.7 ஆகிய இரண்டையும் முந்தியது.

குறியீடு சார்ந்த அளவுகோல்களுக்கு அப்பால், அடிப்படையான Qwen3-Next கட்டமைப்பு வலுவான பொது பகுத்தறிவுத் திறன்களையும் காட்டுகிறது. அடிப்படை மாதிரியின் சிந்தனைப் பதிப்பு, கணிதம் மற்றும் பொது அறிவு சார்ந்த தர்க்கப் பகுத்தறிவு உள்ளிட்ட சிக்கலான பணிகளில் போட்டி மாதிரிகளை முந்துகிறது. BFCL-v3, TAU அளவுகோல்கள் போன்ற முகவர் திறன் மதிப்பீடுகளில், கருவிகளைப் பயன்படுத்துதல் மற்றும் தன்னாட்சியாகப் பணிகளைச் செயல்படுத்துதல் ஆகியவற்றில் பெரிய தனியுரிமை மாதிரிகளுக்கு இணையாகவோ அவற்றை மிஞ்சியோ இது செயல்படுகிறது.

பாதுகாப்புத் திறன்களும் சர்ச்சைகளும்

மாதிரி பாதுகாப்பான குறியீட்டை உருவாக்கும் திறனைக் காட்டினாலும், சீனாவின் தேசியப் பாதுகாப்புக் கட்டமைப்பின் கீழ் உருவாக்கப்பட்ட AI குறியீட்டுக் கருவிகளைப் பயன்படுத்துவதால் ஏற்படக்கூடிய அபாயங்கள் குறித்து சில இணையப் பாதுகாப்பு நிபுணர்கள் கவலை தெரிவித்துள்ளனர். Cybernews-இன் தலைமை ஆசிரியரான Jurgita Lapienyė, மேற்கத்திய மேம்பாட்டாளர்கள் பரவலாக இவற்றைப் பயன்படுத்தினால், சிக்கலான குறியீட்டுத் தொகுப்புகளுக்குள் மறைந்திருக்கும் நுட்பமான பாதிப்புகள் உருவாகக்கூடும் என எச்சரித்தார்.

முக்கிய அமைப்புகள் பாதிப்புள்ள குறியீட்டைக் கொண்டு உருவாக்கப்படுவதை அறியாமலேயே மேம்பாட்டாளர்கள் எதிர்காலத்தை நோக்கிச் சென்றுகொண்டிருக்கலாம்.

சீனாவின் தேசிய உளவுத்துறைச் சட்டத்தின்படி, தரவு மற்றும் AI மாதிரிகள் தொடர்பான அரசுக் கோரிக்கைகளுக்கு அலிபாபா போன்ற நிறுவனங்கள் ஒத்துழைக்க வேண்டும். இதனால் உருவாக்கப்படும் குறியீட்டில் வேண்டுமென்றே மறைக்கப்பட்ட பலவீனங்கள் இடம்பெறக்கூடும் என்ற சாத்தியம் உருவாகிறது. நம்பகமான மென்பொருள் புதுப்பிப்புகள் வழியாக நீண்டகால ஊடுருவல் நடந்த SolarWinds சம்பவத்தைப் போன்ற விநியோகச் சங்கிலித் தாக்குதல் வழிகளே இந்தக் கவலைகளின் மையமாக உள்ளன. முழுக் குறியீட்டுத் தொகுப்புகளையும் ஆராய்ந்து தன்னிச்சையாக மாற்றங்களைச் செய்யக்கூடிய தன்னாட்சி குறியீட்டு முகவர்கள், அமைப்பின் பாதுகாப்புகளைப் புரிந்துகொண்டு குறிப்பிட்ட சூழலுக்கேற்ற தாக்குதல்களை உருவாக்கத் திசைதிருப்பப்படலாம் என விமர்சகர்கள் வாதிடுகின்றனர். இங்குள்ள அபாயம் வெளிப்படையான பிழைகள் அல்ல; வழக்கமான குறியீட்டு மதிப்பாய்வில் கண்டறியப்படாமல் தப்பிக்கக்கூடிய, பாதிப்பற்ற வடிவமைப்புத் தேர்வுகளைப் போலத் தோன்றும் சிறிய, கண்டறிவதற்குக் கடினமான குறைபாடுகளே.

திறந்த மூல அணுகுமுறையை ஆதரிப்போர், Apache 2.0 உரிமத்தின் கீழ் மாதிரி எடைகளை முழுமையாக ஆய்வு செய்ய முடிவதால், அமைப்பைப் பயன்படுத்துவதற்கு முன் நிறுவனங்கள் தணிக்கை செய்யலாம் எனக் குறிப்பிடுகின்றனர். இருப்பினும், மாதிரி எடைகள் பொதுவில் இருந்தாலும் பின்னணி உள்கட்டமைப்பு, தொலைஅளவீட்டு அமைப்புகள், பயன்பாட்டைக் கண்காணிக்கும் முறைகள் ஆகியவை வெளிப்படையாகத் தெரியவில்லை எனப் பாதுகாப்பு ஆய்வாளர்கள் எதிர்வாதம் செய்கின்றனர்.

Qwen Code சூழலும் மேம்பாட்டாளர்களுக்கான ஒருங்கிணைப்பும்

மாதிரி வெளியீட்டுடன், Gemini Code-இலிருந்து கிளைத்துப் பிரிக்கப்பட்டு முகவர் சார்ந்த குறியீட்டுப் பணிகளுக்கு உகந்ததாக்கப்பட்ட கட்டளைவரி இடைமுகக் கருவியான Qwen Code-ஐயும் அலிபாபா திறந்த மூலமாக வெளியிட்டது. தனிப்பயனாக்கப்பட்ட கட்டளைகள் மற்றும் தொடர்பு நெறிமுறைகள் மூலம் Qwen3-Coder-Next-இன் முழுத் திறனையும் வெளிக்கொணரும் வகையில், இயல்பான மொழி வழிமுறைகளைப் பயன்படுத்தி பொறியியல் பணிகளை AI-க்கு ஒப்படைக்க இந்தக் கருவி மேம்பாட்டாளர்களுக்கு உதவுகிறது. VS Code நீட்சிகள் உள்ளிட்ட பிரபலமான மேம்பாட்டுச் சூழல்களுடன் இந்த CLI ஒருங்கிணைகிறது; Cline, Claude Code இடைமுகங்கள் போன்ற சமூகக் கருவிகளுடனும் தடையின்றிச் செயல்படுகிறது.

நீண்ட குறியீட்டு வாதங்களைப் பயன்படுத்துவதற்கென வடிவமைக்கப்பட்ட புதிய XML பாணிக் கருவி அழைப்பு வடிவத்தை இந்த மாதிரி ஆதரிக்கிறது. இதனால் JSON அடிப்படையிலான செயல்பாட்டு அழைப்புகளில் வழக்கமாக ஏற்படும் உள் மேற்கோள் குறிகள், தப்புவிப்பு குறியீடுகள் ஆகியவற்றின் கூடுதல் சிக்கலின்றி நீண்ட குறியீட்டுத் துணுக்குகளை உருவாக்க முடிகிறது. பெரிய குறியீட்டுத் தொகுதிகளை மாதிரி உருவாக்கும்போதோ வெளிப்புற மேம்பாட்டுக் கருவிகளுடன் தொடர்புகொள்ளும்போதோ டோக்கன் பயன்பாட்டையும் பாகுபடுத்தும் சிக்கலையும் இது குறைப்பதால், நடைமுறைப் பயன்பாட்டில் இந்தத் தொழில்நுட்ப விவரம் முக்கியமானது. பரந்த Qwen3 குடும்பத்துடன் ஒருமைப்பாட்டைப் பேணும் புதிய டோக்கனைசரும் அமைப்பில் இடம்பெற்றுள்ளது; முந்தைய பதிப்புகளிலிருந்து மாறும் மேம்பாட்டாளர்கள் தங்களது டோக்கனைசேஷன் செயல்முறைகளைப் புதுப்பிக்க வேண்டும்.

மேகத்தில் பயன்படுத்துவதற்கான வாய்ப்புகள் வேகமாக விரிவடைந்துள்ளன. GroqCloud இப்போது முழுச் சூழல் சாளர அணுகலுடன் Qwen3 மாதிரிகளை ஆதரிக்கிறது. ஒரு மில்லியன் உள்ளீட்டு டோக்கன்களுக்கு $0.29, ஒரு மில்லியன் வெளியீட்டு டோக்கன்களுக்கு $0.59 என்ற விலையில், வினாடிக்கு 535-க்கும் அதிகமான டோக்கன் வேகத்தையும் வழங்குகிறது. அலிபாபாவின் Model Studio தளம் குறைந்த செலவிலான API அணுகலை வழங்குகிறது. உலகளவில் Qwen அடிப்படையிலான குறியீட்டு மாதிரிகள் மொத்தம் 20 மில்லியனுக்கும் அதிகமான முறை பதிவிறக்கப்பட்டுள்ளதாக நிறுவனம் தெரிவிக்கிறது. அலிபாபாவின் ஒருங்கிணைந்த மேம்பாட்டுச் சூழல் நீட்சியான Tongyi Lingma-வுக்கும் விரைவில் Qwen3-Coder-இன் மேம்பட்ட முகவர் திறன்களைச் சேர்க்கும் புதுப்பிப்புகள் கிடைக்கும். இதன் மூலம் ஏற்கெனவே உள்ள மில்லியன் கணக்கான பயனர்கள் புதிய செயல்திறனைப் பெறக்கூடும்.

உலகளாவிய போட்டியும் இறையாண்மை AI குறித்த பரிசீலனைகளும்

திறந்த மூல உத்திகள் மூலம் சீன நிறுவனங்கள் அமெரிக்க ஆதிக்கத்துக்குச் சவால் விடுக்கும் நிலையில், இந்த வெளியீடு உலகளாவிய AI குறியீட்டு உதவியாளர் சந்தைப் போட்டியை மேலும் தீவிரப்படுத்துகிறது. தங்களின் முதன்மை Qwen3-235B-A22B மாதிரிக்கு இணையான செயல்திறனை Qwen3-Next கட்டமைப்பு வழங்குவதாகவும், முந்தைய தலைமுறையுடன் ஒப்பிடும்போது பயிற்சிச் செலவு பத்தில் ஒரு பங்காகக் குறைந்துள்ளதாகவும் அலிபாபா கூறுகிறது. இந்தச் செயல்திறன் உயர்வு, மிகப் பெரிய உள்கட்டமைப்பு முதலீடுகள் இன்றி உயர்தர AI கருவிகளைப் பலரும் அணுக உதவுகிறது. இதனால் வளரும் சந்தைகளிலும் தனித்த மேம்பாட்டாளர்கள் மத்தியிலும் பயன்பாடு வேகமடையக்கூடும்.

எனினும், புவிசார் அரசியல் பதற்றங்கள் பயன்பாட்டு முறைகளைச் சிக்கலாக்குகின்றன. ஒழுங்குமுறை, நம்பிக்கை, தேசியப் பாதுகாப்பு சார்ந்த கவலைகளால் அமெரிக்காவிலும் சீனாவிலும் வெளிநாட்டு AI மாதிரிகளைப் பயன்படுத்துவது அரிதாகி வருவதாக ஆய்வாளர்கள் கூறுகின்றனர். உள்ளூர் உள்கட்டமைப்பு மற்றும் மேகச் சேவைகளால் ஆதரிக்கப்படும் மாதிரிகளையே நாடுகள் விரும்பும் இறையாண்மை AI வளர்ச்சி, தேசியக் கொள்கைகளுக்கும் நிறுவனங்களின் அபாய வரம்புகளுக்கும் ஒத்துவரும்போது மட்டுமே திறந்த மூல மாதிரிகள் பரவலாகப் பயன்படும் என்பதைக் காட்டுகிறது. ஆசிய-பசிபிக் பகுதியில் அலிபாபா கிளவுட்டின் விரிவாக்கத்தை Qwen3-Coder-Next விரைவுபடுத்தக்கூடும் என்றாலும், தொழில்நுட்பச் சிறப்புகள் இருந்தபோதிலும் கடுமையான ஒழுங்குமுறைகளும் பாதுகாப்புக் கவலைகளும் மேற்கத்திய நாடுகளின் பயன்பாட்டைக் கட்டுப்படுத்தக்கூடும்.

Omdia-வின் தலைமை ஆய்வாளரான Lian Jye Su, தொழில்நுட்பச் செயல்திறனைப் பொருட்படுத்தாமல் முழுமையான பாதுகாப்பு மதிப்பீடுகள் அவசியம் என வலியுறுத்தினார்.

பல்வேறு அளவுகோல்களில் சிறப்பாகச் செயல்படுவதால், Qwen3-Coder போன்ற திறந்த மூலக் குறியீட்டு மாதிரிகள் மேற்கத்திய தொழில்நுட்பத் தலைவர்களைக் கவர்ந்தால் அது எனக்கு ஆச்சரியமளிக்காது. அறிவுசார் சொத்துப் பாதுகாப்பு, தரவுப் பாதுகாப்பு குறித்த கவலைகள் நிச்சயமாக நியாயமானவை. எனவே, மாதிரிகள் எங்கிருந்து வந்தவை என்பதைப் பொருட்படுத்தாமல், அனைத்து திறந்த மூல மாதிரிகளையும் அமெரிக்கத் தொழில்நுட்பத் தலைவர்கள் முழுமையாக மதிப்பீடு செய்யுமாறு நான் ஊக்குவிக்கிறேன்.

போட்டிச் சூழலைப் பார்க்கும்போது, நம்பிக்கையையும் பாதுகாப்பு உறுதிப்படுத்தலையும் நிலைநாட்ட முடிந்தால், மூடிய தனியுரிமை மேம்பாட்டிலிருந்து அல்லாமல் திறந்த கட்டமைப்புகளை கூட்டாகச் செம்மைப்படுத்துவதிலிருந்தே இறுதியில் சிறந்த குறியீட்டு உதவியாளர் உருவாகக்கூடும்.

முக்கிய அம்சங்கள்

• 80 பில்லியன் மொத்த அளவுருக்களில் 3 பில்லியன் செயலில் உள்ள அளவுருக்களை மட்டுமே பயன்படுத்தும் அலிபாபாவின் Qwen3-Coder-Next, SWE-Bench Verified-இல் 70.6% துல்லியத்தைப் பெற்று, மிகப் பெரிய தனியுரிமை மாதிரிகளுக்குப் போட்டியாகச் செயல்படுகிறது.
• Gated DeltaNet, Gated Attention ஆகியவற்றை இணைக்கும் கலப்புக் கட்டமைப்பு, நேரியல் கணக்கீட்டுச் சிக்கலைப் பராமரித்தபடி 256,000 டோக்கன் சூழல் சாளரத்தை வழங்குகிறது; அதை ஒரு மில்லியன் டோக்கன்களாக விரிவாக்கவும் முடியும்.
• MegaFlow உள்கட்டமைப்பின் வழியாக, சரிபார்க்கக்கூடிய 800,000 நிஜ உலகப் பணிகளில் அளிக்கப்பட்ட முகவர் சார்ந்த பயிற்சி, நிலையான குறியீட்டை மனப்பாடம் செய்வதைத் தாண்டிய மூடிய பின்னூட்டக் கற்றல் திறனை உருவாக்குகிறது.
• நுகர்வோர் வன்பொருளில் வினாடிக்கு 172 டோக்கன் செயலாக்க வேகத்தைச் சுயாதீன அளவுகோல்கள் உறுதிப்படுத்துகின்றன; உள்ளூர் மேம்பாட்டுப் பணிகளுக்கு இது நடைமுறையில் ஏற்றது என்பதையும் காட்டுகின்றன.
• Claude-Opus-4.5-ஐவிடச் சிறந்த பாதிப்பு திருத்தத் திறனைப் பாதுகாப்பு மதிப்பீடுகள் காட்டுகின்றன. இருப்பினும், தரவு இறையாண்மை மற்றும் விநியோகச் சங்கிலி அபாயங்கள் குறித்த புவிசார் அரசியல் கவலைகள் மேற்கத்திய நிறுவனங்களின் பயன்பாட்டுக்குப் பெரும் தடைகளாக உள்ளன.
• Apache 2.0 உரிமம் வணிகப் பயன்பாட்டுக்கும் மாதிரி ஆய்வுக்கும் அனுமதிக்கிறது. உடனடி மேம்பாட்டாளர் ஒருங்கிணைப்புக்கான Qwen Code CLI கருவியுடன் மாதிரி எடைகளும் Hugging Face தளத்தில் கிடைக்கின்றன.