مدل Qwen3.8-Max با مصرف ۱۲.۸ میلیون توکن دو عامل تلگرامی را مستقر کرد

تصور کنید یک برنامه‌نویس بتواند بدون دخالت دستی، تمام مراحل تبدیل یک ایده به کد و استقرار آن را به هوش مصنوعی بسپارد. در ۱۶ اوت ۲۰۲۶، یک توسعه‌دهنده با مصرف ۱۲.۸ میلیون توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — دو عامل تلگرامی پیشرفته را با مدل Qwen3.8-Max راه‌اندازی کرد. این دستاورد در ادامه تکامل مدل‌های عظیم علی‌بابا است که پیش‌تر با معرفی نسخه ۲.۴ تریلیون پارامتری برای وظایف عامل‌محور توجه جهانی را به خود جلب کرد.

این پروژه نشان می‌دهد که مدل‌های استدلالی (Reasoning Model) — مدل‌هایی که قبل از جواب، یک قدم درنگ می‌کنند و فکر می‌کنند، شبیه شطرنج‌بازی که چند حرکت جلوتر را می‌بیند — اکنون قادرند کل چرخه مهندسی، از نوشتن مستندات تا اصلاح کد را مدیریت کنند. همان‌طور که در تحلیل قبلی ما درباره‌ی ابزارهای استقرار محلی مانند BizNode Pro اشاره کردیم، تمرکز صنعت اکنون از «امکان اجرا» به «بهینگی هزینه» در مدل‌های ابری تغییر کرده است.

به نقل از گزارش منتشر شده در dev.to، این توسعه‌دهنده با ترکیب IDE هوشمند Kodik و پروتکل MCP Context7، دو راهکار عملیاتی ساخت:

• عامل تعمیر خودرو: شناسایی مشتریان هدف، پاسخ به پرسش‌های قیمت و زمان‌بندی قرار ملاقات.
• عامل قیمت‌گذاری آشپزخانه: راهنمایی کاربر در انتخاب پارامترهای مبلمان برای تخمین قیمت نهایی و رزرو بازدید حضوری.

بر اساس مستندات فنی این پروژه، در مجموع ۴۰۰ درخواست API ارسال شد که منجر به مصرف ۱۲.۸ میلیون توکن گردید. در یک مقایسه مستقیم، توسعه‌دهنده اشاره کرد که مدل DeepSeek V4 Flash Latest برای رسیدن به نتایج مشابه، به بیش از ۱۵ میلیون توکن نیاز داشت.

این تفاوت نشان می‌دهد که Qwen3.8-Max نسبت استنتاج به توکن را بهینه کرده است. این مدل با توانایی بازبینی منطق خود و اصلاح خطاها در مرحله کدنویسی، نیاز به عیب‌یابی دستی و هزینه‌بر را به‌شدت کاهش می‌دهد. این ویژگی برای کسب‌وکارهایی که می‌خواهند از محدودیت‌های سخت‌گیرانه OpenAI یا Anthropic فاصله بگیرند، یک جایگزین ایده‌آل است.

با نزدیک شدن به زمان انتشار مدل محلی Qwen3.8-27b توسط علی‌بابا، احتمالاً شاهد چرخش گسترده‌تری به سمت مدل‌های با وزن‌های باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» آن‌ها علناً منتشر شده و نه فقط غذای آماده — خواهیم بود. این رویکرد با عرضه مدل‌های ۲۷ میلیاردی برای استقرار محلی شتاب بیشتری گرفته تا توسعه‌دهندگان کنترل کامل‌تری بر داده‌های خود داشته باشند.

گام بعدی شما

• اگر از مدل‌های DeepSeek استفاده می‌کنید، مصرف توکن‌های خود را با Qwen3.8-Max مقایسه کنید تا بهینگی هزینه را بسنجید.
• پروتکل MCP را برای اتصال مدل‌های زبانی به محیط‌های توسعه (IDE) بررسی کنید.
• منتظر انتشار نسخه ۲۷ میلیارد پارامتری Qwen باشید تا امکان اجرای محلی این کارایی را تست کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک لایه‌های زیرساختی، به تحلیل ما درباره تراشه‌های Blackwell مراجعه کنید.