அலிபாபா Qwen3-Next-ஐ திறந்த மூலமாக வெளியிட்டது: குறைந்த செலவில் வேகமாக இயங்கும், நுகர்வோர் வன்பொருளில் செயல்படும் AI மாதிரி

டெவலப்பர்கள் மற்றும் நிறுவனங்களைக் குறிவைக்கும் வேகமான, குறைந்த செலவிலான மாதிரி

Qwen3-Next எனும் புதிய கட்டமைப்பின் கீழ், பெரிய மொழி மாதிரிகளின் திறந்த மூலத் தொகுப்பை அலிபாபா கிளவுட் வெளியிட்டுள்ளது. இந்தத் தொகுப்பின் முதன்மை மாதிரியான Qwen3-Next-80B-A3B-இல் 80 பில்லியன் அளவுருக்கள் உள்ளன. ஆனால், முந்தைய Qwen மாதிரிகளைவிட மிக வேகமாகவும் மிகக் குறைந்த செலவிலும் இந்த அமைப்பு இயங்கும் வகையில் வடிவமைப்பு மாற்றங்கள் செய்யப்பட்டுள்ளன. ஏப்ரலில் வெளியான அடர்த்தியான முந்தைய மாதிரியான Qwen3-32B-க்குப் பயன்படுத்திய கணிப்புச் சக்தியில் பத்தில் ஒரு பங்குக்கும் குறைவானதைக் கொண்டே புதிய அடிப்படை மாதிரிக்குப் பயிற்சியளிக்கப்பட்டதாக அலிபாபா கூறுகிறது. அதே நேரத்தில், பல பணிகளில் நிறுவனத்தின் பெரிய Qwen3-235B மாதிரிக்கு இணையான தரத்தைப் புதிய தொகுப்பு வழங்குகிறது.

டெவலப்பர்கள் பயன்படுத்தும் வகையில் இந்த மாதிரிகளைத் திறந்த மூலமாக அலிபாபா வெளியிட்டுள்ளது. முக்கிய மாதிரி மையங்கள் மற்றும் அதன் சொந்த கிளவுட் வழியாகப் பதிவிறக்கவும் API அணுகலைப் பெறவும் முடியும். வேகமாக வளர்ந்து வரும் டெவலப்பர் சூழலமைப்பாக Qwen-ஐ நிறுவனம் முன்னிறுத்துகிறது. பிறர் ஆய்வு செய்து மேம்படுத்திக்கொள்ளும் வகையில் உயர்தர மாதிரிகளை வெளியிடும் சீன AI நிறுவனங்களின் பரந்த போக்குடன் இந்த உத்தி ஒத்துப்போகிறது. மிகப்பெரிய மையப்படுத்தப்பட்ட உள்கட்டமைப்பைச் சார்ந்திருக்காமல் பயன்பாட்டைப் பெருக்க இந்த அணுகுமுறை உதவும்.

பயிற்சியில் செயல்திறன் அதிகரித்துள்ளதாகக் கூறுவதுடன், ஊக இயக்கத்தின்போதான வேகம் மற்றும் நீண்ட சூழல் செயல்திறனையும் Qwen3-Next இலக்காகக் கொண்டுள்ளது. அலிபாபா பகிர்ந்த சோதனைகளில், 32,000 டோக்கன்களுக்கும் அதிகமான நீளமுள்ள உள்ளீடுகளுக்கு, முந்தைய Qwen வெளியீடுகளுடன் ஒப்பிடும்போது இந்தக் கட்டமைப்பு 10 மடங்குக்கும் அதிகமான செயலாக்க வேகத்தை வழங்குகிறது. சூழல் சாளரம் 256,000 டோக்கன்கள் வரை நீள்கிறது; சில அமைப்புகளில் இதை 1 மில்லியன் டோக்கன்கள் வரை நீட்டிக்கலாம். இதனால் புத்தக அளவிலான ஆவணங்கள், பெரிய குறியீட்டுக் களஞ்சியங்கள் மற்றும் அதிக உள்ளீடு தேவைப்படும் பிற பணிச்சுமைகளைக் கையாள இந்த மாதிரிகள் மிகவும் ஏற்றவையாகின்றன.

Qwen3-Next-இன் உள்கட்டமைப்பில் செய்யப்பட்ட மாற்றங்கள்

மேம்பட்ட AI-க்கான நிலையான கருவிகளாக மாறிவரும் பல அம்சங்களை இந்தத் தலைமுறை அறிமுகப்படுத்துகிறது. இதன் மையத்தில் இருப்பது சிதறிய நிபுணர் கலவை (MoE) என்ற அமைப்பு. இதில் பல சிறிய நிபுணர் வலைப்பின்னல்களுக்குப் பயிற்சியளித்து, ஒவ்வொரு டோக்கனுக்கும் அவற்றில் சிலவற்றை மட்டுமே பயன்படுத்துவார்கள். நீண்ட தொடர்களைக் கையாளும் கலப்புக் கவன ஈர்ப்பு முறை, உருவாக்க வேகத்தை அதிகரிக்கும் பல டோக்கன் கணிப்பு, வலுவூட்டல் கற்றலில் (RL) ஏற்படும் நிலையற்ற தன்மையைக் கட்டுப்படுத்தும் பயிற்சி மேம்பாடுகள் ஆகியவற்றுடன் Qwen3-Next இந்த அமைப்பை இணைக்கிறது. Qwen3-Next-80B-A3B-Base மாதிரியில் மொத்தம் 80 பில்லியன் அளவுருக்கள் இருந்தாலும், ஒவ்வொரு படியிலும் சுமார் 3 பில்லியன் அளவுருக்கள் மட்டுமே செயல்படுகின்றன.

அடர்த்தியான Qwen3-32B-க்கு இணையான அல்லது சில நேரங்களில் அதைவிடச் சிறந்த தரத்தைப் புதிய அடிப்படை மாதிரி எட்டுகிறது; அதற்குப் பயிற்சியளிக்க அதன் GPU நேரத்தில் 10 சதவீதத்துக்கும் குறைவானதே தேவைப்பட்டதாக அலிபாபா கூறுகிறது. ஊக இயக்கத்தின்போது, கணிப்புச் செலவைக் குறைவாக வைத்துக்கொண்டே கட்டமைப்பு தனது திறனைப் பேணுகிறது. அதனால் நீண்ட சூழலில் வேகம் கணிசமாக அதிகரிப்பதாகவும், கிளவுட் மற்றும் நுகர்வோர் தர வன்பொருள் இரண்டிலும் செலவுத் திறன் மேம்படுவதாகவும் குழு தெரிவிக்கிறது.

எளிய விளக்கத்தில் நிபுணர் கலவை

நிபுணர் கலவை அமைப்பில், நிபுணர்கள் எனப்படும் பல சிறப்புத் துணை மாதிரிகளை வலைப்பின்னல் கற்றுக்கொள்கிறது. ஒவ்வொரு டோக்கனுக்கும் எந்த நிபுணர்களை அழைக்க வேண்டும் என்பதை எளிய வழிநடத்தல் தொகுதி முடிவு செய்கிறது. Qwen3-Next அதிகச் சிதறல் அமைப்பைப் பயன்படுத்துகிறது; அதாவது, ஒரே நேரத்தில் நிபுணர்களில் சிறிய பகுதியினர் மட்டுமே செயல்படுவார்கள். சில அடுக்குகளில் 512 நிபுணர்களில் ஒவ்வொரு டோக்கனுக்கும் 10 பேர் செயல்படுவதாக அறிக்கைகள் குறிப்பிடுகின்றன. இதனால் ஒவ்வொரு முன்னோக்கு இயக்கத்துக்கான கணிப்புச் செலவும் நினைவகத் தேவையும் மிகச் சிறிய அடர்த்தியான வலைப்பின்னலுக்கு இணையாக இருக்கும்; அதேவேளை, முழு நிபுணர் தொகுப்பும் மாதிரிக்கு பெரும் மொத்தத் திறனை வழங்குகிறது.

இதற்குப் பதிலாகப் பயிற்சி மேலும் சிக்கலாகிறது; நிபுணர்களிடையே சமநிலையை உறுதிசெய்யத் திட்டமிடலும் தேவைப்படுகிறது. சிதறிய MoE-ஐ RL பாணி நுணுக்கப் பயிற்சியுடன் இணைக்கும்போது பொதுவாக ஏற்படும் நிலைத்தன்மைச் சிக்கல்களைத் தீர்த்துள்ளதாக அலிபாபா கூறுகிறது. டெவலப்பர்களுக்கு முக்கியமானது, இயக்கச் செலவு மொத்த அளவுருக்களின் எண்ணிக்கையைப் பொறுத்து அல்ல, செயல்படும் அளவுருக்களின் எண்ணிக்கையைப் பொறுத்தே அதிகரிக்கிறது என்பதாகும்.

கலப்புக் கவன ஈர்ப்பும் நீண்ட சூழலும்

ஒரு மாதிரி உள்ளீட்டு டோக்கன்களைப் பார்த்து, எது முக்கியம் என்பதைத் தீர்மானிக்க உதவும் பகுதிகளே டிரான்ஸ்ஃபார்மரில் உள்ள கவன ஈர்ப்பு அடுக்குகள். உள்ளீடுகள் நீளமாகும்போது வழக்கமான கவன ஈர்ப்பு அதிகச் செலவாகிறது; ஏனெனில் அதன் செலவு தொடர் நீளத்தின் வர்க்கத்துக்கு ஏற்ப அதிகரிக்கிறது. Qwen3-Next, வழக்கமான கவன ஈர்ப்புடன் சூழலைக் குறைந்த வளத்தில் தோராயமாகக் கையாளும் முறைகளையும் கலக்கிறது. இதை Gated DeltaNet மற்றும் பாரம்பரிய கவன ஈர்ப்பு ஆகியவற்றின் இணைப்பு எனக் குழு விவரிக்கிறது. இதன் விளைவாக நீண்ட உள்ளீடுகளில் செயலாக்க வேகம் அதிகரிப்பதோடு, உள்ளீட்டுத் தூண்டுதல்கள் வளரும்போது வேகம் குறைவதும் குறைகிறது. 32,000 டோக்கன்களுக்கு அதிகமான சூழல் நீளங்களில் 10 மடங்குக்கும் அதிகமான செயலாக்க வேகம், இயல்புநிலையாக 256,000 டோக்கன் சாளரம், குறிப்பிட்ட சூழல்களில் 1 மில்லியன் டோக்கன்கள் வரை நீட்டிக்கும் வாய்ப்பு ஆகியவற்றை அலிபாபா தெரிவிக்கிறது. சில சூழல்களில், குறிப்பாக குறுகிய சூழல்களில், முன்நிரப்புதல் 7 மடங்கு வரையும், குறிமாற்றம் சுமார் 4 மடங்கு வரையும் வேகமடைவது உட்பட, கிட்டத்தட்ட நேரியல் அளவிலான வேக மேம்பாடுகளையும் குழு குறிப்பிடுகிறது.

பல டோக்கன் கணிப்பும் குறிமாற்றமும்

பல டோக்கன் கணிப்பு என்பது அடுத்ததாக வரக்கூடிய பல டோக்கன்களை ஒரே நேரத்தில் கணித்து, கணிப்பு தவறாக இருந்தால் திருத்திக்கொள்ளும் முறையாகும். ஊகக் குறிமாற்றத்துடன் இணைக்கும்போது, பதிலைத் தொடர்ச்சியாக வழங்குவதற்குத் தேவைப்படும் அதிகச் செலவிலான முன்னோக்கு இயக்கங்களின் எண்ணிக்கையைக் குறைக்கிறது. Qwen3-Next இந்த அணுகுமுறையை ஆதரிப்பதுடன், SGLang மற்றும் vLLM போன்ற பிரபல ஊக இயக்கக் கட்டமைப்புகளுடனும் ஒருங்கிணைகிறது. இதனால் பயன்பாட்டுச் சேவைகளில் தாமதத்தைக் குறைக்க முடியும். பயிற்சியை நிலைப்படுத்தும் Zero Centered RMSNorm மற்றும் பிற மேம்பாட்டு வழிகளையும் குழு குறிப்பிடுகிறது. சிதறிய MoE-உடன் இணைக்கும்போது, தரத்தில் பெரிய இழப்பின்றி வேகமாக உருவாக்குவதே இதன் ஒட்டுமொத்த விளைவாகும்.

வழிமுறைகளுக்கும் பகுத்தறிவுக்கும் இரண்டு மாதிரி வகைகள்

வெளியீட்டின்போது, அடிப்படை வலைப்பின்னலை அடிப்படையாகக் கொண்ட இரண்டு பிந்தைய பயிற்சி மாதிரிகளை அலிபாபா வழங்கியது. Qwen3-Next-80B-A3B-Instruct அன்றாட வழிமுறைகளைப் பின்பற்றுதல், உரையாடல் மற்றும் கருவிப் பயன்பாடு ஆகியவற்றுக்காக வடிவமைக்கப்பட்டுள்ளது. நிறுவனத்தின் சோதனைகளில், பல பொதுப் பணிகளில் 235 பில்லியன் அளவுருக்களைக் கொண்ட முதன்மை மாதிரிக்கு அருகிலான செயல்திறனை இது காட்டுகிறது. மேலும், 256,000 டோக்கன்கள் வரையிலான மிக நீண்ட சூழல் உள்ளீடுகளிலும் சிறப்பாகச் செயல்படுகிறது.

Qwen3-Next-80B-A3B-Thinking சிக்கலான பகுத்தறிவுக்காக நுணுக்கமாகப் பயிற்றுவிக்கப்பட்டுள்ளது. நிறுவனத்தின் நடுத்தர வரிசை Qwen3 மாதிரிகளைவிடச் சிறந்த மதிப்பெண்களையும், மதிப்பீட்டுக்குத் தேர்ந்தெடுக்கப்பட்ட பல தரநிலைச் சோதனைகளில் மூடிய Gemini 2.5 Flash Thinking-ஐயும் மிஞ்சும் முடிவுகளையும் அலிபாபா சுட்டிக்காட்டுகிறது. கடினமான முதுநிலைப் பட்டப்படிப்பு நிலைச் சோதனைத் தொகுப்பான SuperGPQA-வில் 60.8 சதவீத முடிவை நிறுவனம் குறிப்பிடுகிறது. தரநிலைச் சோதனைகள் பயனுள்ள அறிகுறிகளாக இருந்தாலும், குறியீட்டாக்கம், மீட்டெடுப்பு மூலம் மேம்படுத்தப்பட்ட உருவாக்கம், கணிதம், பலபடி திட்டமிடல் உள்ளிட்ட துறை சார்ந்த பணிச்சுமைகளில் வாங்குவோர் தாங்களே சோதனைகளை நடத்த வேண்டும்.

வேகம், செலவு, வன்பொருள் தேவை

முக்கிய ஆதாயங்கள் செலவையும் நேரத்தையும் சார்ந்தவை. Qwen3-32B-க்கான கணிப்புச் செலவில் 10 சதவீதத்துக்கும் குறைவான வளத்தைக் கொண்டே அடிப்படை மாதிரிப் பயிற்சியை முடித்ததாக அலிபாபா கூறுகிறது. ஊக இயக்கத்தில், ஒவ்வொரு டோக்கனுக்கும் சுமார் 3 பில்லியன் அளவுருக்கள் மட்டுமே செயல்படுகின்றன. எனவே, GPU நினைவகச் சுமையும் ஆற்றல் நுகர்வும் குறைவாக இருக்கும்போதே மாதிரி பதிலளிக்க முடியும். இதனால், ஒரே அளவிலான சேவையை வழங்கக் குறைந்த வன்பொருள் போதுமானதாகிறது; அல்லது அதே அமைப்பில் அதிகக் கோரிக்கைகளைக் கையாள முடிகிறது.

நீண்ட உள்ளீடுகளில் இந்தக் கட்டமைப்பு சிறப்பாகச் செயல்படுகிறது. 32,000 டோக்கன்களுக்கு அதிகமான உள்ளீடுகளில் ஒரு பரிமாண அளவிலான செயலாக்க வேக உயர்வையும், குறுகிய தொடர்களிலும் குறிப்பிடத்தக்க மேம்பாடுகளையும், சில சோதனைகளில் முன்நிரப்புதல் சுமார் 7 மடங்கும் குறிமாற்றம் சுமார் 4 மடங்கும் வேகமடைவதையும் அலிபாபா தெரிவிக்கிறது. 256,000 டோக்கன் சாளரத்துடன், ஆய்வாளர்கள் முழு ஒப்பந்தங்கள், உரைமாற்றங்கள் அல்லது பெரிய குறியீட்டுக் கோப்புகளை ஒரே கோரிக்கையில் கொடுத்து, அவற்றைச் சுருக்கவோ ஒப்பிடவோ மாற்றங்களை உருவாக்கவோ மாதிரியிடம் கேட்கலாம். நுகர்வோர் தர வன்பொருளில் சிறப்பாக இயங்கும் வகையில் புதிய தொகுப்பு நுணுக்கமாக வடிவமைக்கப்பட்டுள்ளதாக நிறுவனம் வலியுறுத்துகிறது. இதனால் மேம்பட்ட முன்மாதிரிகளை உருவாக்க இனி பெரிய கணினித் தொகுப்புகள் அவசியமில்லை.

கிடைக்கும் தன்மையும் அணுகலும்

Qwen3-Next மாதிரிகள் பரவலான அணுகலுக்காக வெளியிடப்பட்டுள்ளன. Hugging Face, ModelScope போன்ற பொதுவான மாதிரி மையங்களில் இவை பட்டியலிடப்பட்டுள்ளன. நிர்வகிக்கப்பட்ட பயன்பாட்டுக்காக Alibaba Cloud Model Studio வழியாகவும் கிடைக்கின்றன. பயனர்கள் ஹோஸ்ட் செய்யப்பட்ட முனையங்களை அழைக்கலாம் அல்லது உள்ளக ஊக இயக்கத்துக்காக மாதிரி எடைகளைப் பதிவிறக்கலாம். NVIDIA API Catalog வழியாகவும் இந்தத் தொகுப்பை அணுகலாம்; எளிதான பரிசோதனைக்காக சில வகைகள் Kaggle-இலும் நகலெடுத்து வைக்கப்பட்டுள்ளன.

குழுவின் கூற்றுப்படி, 11 முக்கிய மொழிகளை ஆதரிக்கும் பேச்சு உரைமாற்றக் கூறான Qwen3-ASR-Flash போன்ற பயன்பாடுகளுடன் இந்த வெளியீடும் இடம்பெற்றுள்ளது. ஒவ்வொரு மாதிரிக்கும் உள்ள உரிம நிபந்தனைகளை, குறிப்பாக அதிகப் போக்குவரத்து அல்லது வணிகப் பயன்பாட்டுக்கு, ஆய்வுசெய்து பின்னர் தங்களுடைய தரவுத் தொகுப்புகள் மற்றும் பணிச்சுமைகளைக் கொண்டு சோதிக்குமாறு டெவலப்பர்களை அலிபாபா ஊக்குவிக்கிறது. SGLang, vLLM போன்ற ஊக இயக்கக் கட்டமைப்புகளுக்கான ஆதரவும் வன்பொருளுக்கு ஏற்ற செயல்படுத்தல் முறைகளும், முன்மாதிரியிலிருந்து நம்பகமான சேவையாக மாற்றும் காலத்தைக் குறைக்க வேண்டும்.

AI போட்டியில் இது ஏற்படுத்தும் மாற்றம்

குறைந்த செலவில் சக்திவாய்ந்த மாதிரிகளைப் பரவலாகப் பயன்படுத்தக்கூடியதாக மாற்றுவதற்கான உலகளாவிய ஆய்வகங்களின் போட்டி தீவிரமடைந்துள்ளதை இந்த நடவடிக்கை காட்டுகிறது. திறனில் மேற்கத்திய போட்டியாளர்களை எட்டிப் பிடிக்கவும் பயன்பாட்டைப் பரப்பவும் சீன நிறுவனங்கள் திறந்த மூல AI-யில் தீவிரமாகச் செயல்படுகின்றன. டெவலப்பர்களுக்கான மிகப்பெரிய திறந்த மூலச் சமூகங்களில் ஒன்றாக Qwen சூழலமைப்பு வளர்ந்துள்ளதாக அலிபாபா கூறுகிறது. ஒரு டிரில்லியனுக்கும் அதிகமான அளவுருக்களைக் கொண்ட Qwen3-Max மாதிரியின் முன்னோட்டத்தையும் குழு வெளியிட்டது. ஆய்வாளர்கள் நடத்தும் LMArena உரையாடல் மாதிரித் தரவரிசையில் இந்த மாதிரி அண்மையில் ஆறாவது இடத்தைப் பிடித்தது. அலிபாபாவுடன் சேர்ந்து, DeepSeek, Meituan போன்ற நிறுவனங்களும் போட்டித்தன்மை வாய்ந்த மாதிரிகளையும் சேவைகளையும் வெளியிட்டு வருகின்றன.

கணிப்புச் சக்தி அரிதானதும் விலையுயர்ந்ததுமானதால், குறைந்த செலவிலான வேகமான அடிப்படை மாதிரிகள் முக்கியத்துவம் பெறுகின்றன. மேம்பட்ட சில்லுகளுக்கான ஏற்றுமதிக் கட்டுப்பாடுகள் சீனாவில் கூடுதல் அழுத்தத்தை ஏற்படுத்துகின்றன; அமெரிக்கா மற்றும் ஐரோப்பாவில்கூட பல குழுக்கள் GPU பற்றாக்குறையை எதிர்கொள்கின்றன. ஊக இயக்கத்தின்போது பெரும்பாலான அளவுருக்களைச் செயலற்ற நிலையில் வைத்திருக்கும் கட்டமைப்புகள், சிறிய ஆய்வகங்கள், புத்தொழில் நிறுவனங்கள், பல்கலைக்கழகங்கள் ஆகியவை சாதாரண சேவையகங்களிலேயே உயர்தர மாதிரிகளை இயக்க வழிவகுக்கின்றன. கிளவுட் மற்றும் AI மீது நிறுவனம் மீண்டும் கவனம் செலுத்திவரும் நிலையில், இந்த ஆண்டு அலிபாபா பங்கின் செயல்திறன் மேம்பட்டுள்ளதையும் முதலீட்டாளர்கள் கவனித்து வருகின்றனர். அன்றாடப் பணிச்சூழல்களில் திறந்த மூல AI-யை மேலும் பல நிறுவனங்கள் ஏற்கும்போது போட்டி விளைவுகளும் பரவலாகும்.

தரநிலைச் சோதனைகள், வெளிப்படைத்தன்மை, கவனமான மதிப்பீடு

மாதிரி தரவரிசைகள் பயனுள்ளதாக இருந்தாலும், அவை சில பரிமாற்றங்களை மறைக்கக்கூடும். தொகுதி அளவு, கட்டமைப்பு, அளவுச் சுருக்கம், வன்பொருள் ஆகியவற்றைப் பொறுத்து வேக எண்கள் மாறுபடும். துறை, தூண்டுதல் பாணி, குறியீட்டுப் புரிதல் கருவிகள் அல்லது மீட்டெடுப்பு போன்ற கருவிகள் உள்ளனவா என்பதன் அடிப்படையில் துல்லியமும் மாறும். விற்பனையாளர்கள் தங்கள் சொந்தச் சோதனைத் தொகுப்புகளையும் தேர்ந்தெடுக்கிறார்கள். சமூகக் குழுக்கள் மற்றும் வாடிக்கையாளர்கள் நடத்தும் சுயாதீனச் சோதனைகள், பலங்களையும் குறைபாடுகளையும் இன்னும் முழுமையாகக் காட்டுகின்றன.

Qwen3-Next-ஐ மதிப்பிடும் குழுக்கள், ஒரே தரநிலைச் சோதனையில் கிடைக்கும் மதிப்பெண்ணைத் தாண்டியும் பார்க்க வேண்டும். நீண்ட சூழலில் துல்லியம், கருவிப் பயன்பாடு, கணிதம் மற்றும் குறியீட்டின் நம்பகத்தன்மை, பாதுகாப்புக் கட்டுப்பாடுகளின்போது மாதிரியின் நடத்தை ஆகியவற்றை அளவிட வேண்டும். தங்களுக்கு முக்கியமான சூழல் நீளங்களில் நினைவகப் பயன்பாட்டையும் செயலாக்க வேகத்தையும் கண்காணிக்க வேண்டும். உங்கள் பயன்பாடு ஆதாரங்களுடன் பதிலளிப்பதைச் சார்ந்திருந்தால், மாதிரியை மீட்டெடுப்புடன் இணைத்து ஆதாரத் தடங்களைச் சரிபார்க்கவும். சிந்தனைத் தொடர் சீராக இருக்க வேண்டுமெனில், Thinking வகையை உங்கள் தற்போதைய அமைப்புடன் ஒப்பிடுங்கள்.

பயன்பாடுகளும் பயன்பெறக்கூடிய துறைகளும்

நீண்ட சூழல், விரைவான பதில்கள், கடுமையான செலவுக் கட்டுப்பாடு ஆகியவை தேவைப்படும் பயன்பாடுகளுக்காக Qwen3-Next உருவாக்கப்பட்டுள்ளதாகத் தெரிகிறது. சட்ட மற்றும் நிதிக் குழுக்கள் பெரிய ஆவணத் தொகுப்புகளைப் பகுப்பாய்வு செய்து, மேற்கோள்களைப் பேணும் வகையில் தேவைக்கேற்ற சுருக்கங்களை உருவாக்கலாம். வாடிக்கையாளர் ஆதரவுக் குழுக்கள் அறிவுத் தளங்களையும் நீண்ட சிக்கல் தீர்வு வழிகாட்டிகளையும் ஒரே உதவியாளரில் ஒருங்கிணைத்து, ஆயிரக்கணக்கான பக்கங்களில் உள்ள தகவல்களின் அடிப்படையில் பதிலளிக்கச் செய்யலாம். குறியீட்டு ஆய்வு, மறுசீரமைப்பு, சோதனை உருவாக்கம் ஆகியவற்றுக்கு உதவும் வகையில் மென்பொருள் குழுக்கள் குறியீட்டுக் களஞ்சியங்களையும் பதிவுகளையும் உள்ளீடாக வழங்கலாம்.

ஆராய்ச்சியாளர்கள் நீண்ட ஆய்வுக் கட்டுரைகளையும் தரவுத் தொகுப்புகளையும் பதிவேற்றி முறைகளையும் முடிவுகளையும் ஒப்பிடலாம். ஊடக மற்றும் கல்வி நிறுவனங்கள் Qwen3-ASR-Flash மூலம் ஒலியை உரையாக மாற்றி மொழிபெயர்த்த பின், மொழி மாதிரியைப் பயன்படுத்தி படிப்பு வழிகாட்டிகள் அல்லது உள்ளடக்கத் திட்டவரைவுகளை உருவாக்கலாம். வளாகத்திலேயே மாதிரியை இயக்க வேண்டிய அரசுத் துறைகளும் ஒழுங்குபடுத்தப்பட்ட தொழில்துறைகளும், கவனமான கண்காணிப்பு, தணிக்கைப் பதிவுகள், உள்ளடக்க வடிகட்டிகள் ஆகியவற்றுடன் நுகர்வோர் தரச் சேவையகங்களில் திறன் வாய்ந்த மாதிரியை இயக்கும் வசதியால் பயனடைகின்றன.

முக்கிய அம்சங்கள்

• Qwen3-Next-ஐ அலிபாபா வெளியிட்டு, Qwen3-Next-80B-A3B தொகுப்பைத் திறந்த மூலமாக வழங்கியுள்ளது.
• Qwen3-32B-க்குத் தேவைப்பட்ட கணிப்புச் சக்தியில் 10 சதவீதத்துக்கும் குறைவானதைப் பயிற்சி பயன்படுத்தியது; சோதனைகளில் அதற்கு இணையான அல்லது அதைவிடச் சிறந்த செயல்திறனையும் பெற்றது.
• சிதறிய நிபுணர் கலவை முறையால் 80 பில்லியன் அளவுருக்களில் சுமார் 3 பில்லியன் மட்டுமே ஒவ்வொரு டோக்கனுக்கும் செயல்படுகின்றன.
• 32,000 டோக்கன்களுக்கு மேற்பட்ட உள்ளீடுகளில் செயலாக்க வேகம் 10 மடங்குக்கும் அதிகமாகிறது; சூழல் சாளரம் 256,000 டோக்கன்கள்.
• சில அமைப்புகளில் 1 மில்லியன் டோக்கன்கள் வரை நீட்டிக்கலாம்; குறுகிய சூழல்களில் முன்நிரப்புதல் மற்றும் குறிமாற்ற வேகம் அதிகரிப்பதாகவும் தெரிவிக்கப்பட்டுள்ளது.
• பிந்தைய பயிற்சி பெற்ற இரண்டு வகைகள், வழிமுறைகளைப் பின்பற்றுதல் மற்றும் சிக்கலான பகுத்தறிவு ஆகியவற்றைக் கையாள்கின்றன; நிறுவனச் சோதனைகளில் சில மூடிய போட்டி மாதிரிகளைவிடச் சிறப்பாகச் செயல்பட்டுள்ளன.
• Hugging Face, ModelScope, Alibaba Cloud Model Studio, NVIDIA API Catalog ஆகியவற்றில் மாதிரிகள் கிடைக்கின்றன.
• திறந்த மூல அணுகலும் குறைந்த வன்பொருள் தேவையும் புத்தொழில் நிறுவனங்கள், பெருநிறுவனங்கள், ஆராய்ச்சிக் குழுக்கள் ஆகியவற்றில் பயன்பாட்டை விரிவுபடுத்துகின்றன.