نموذج Qwen3.8-Max من علي بابا يزعم قدرته على البرمجة بنفسه لمدة أسبوعين

في الثاني من أكتوبر، أصدر فريق Qwen التابع لـعلي بابا نموذج Qwen3.8-Max، وهو نموذج خليط خبراء (mixture-of-experts) يضم 2.4 تريليون معامل، وتصفه الشركة بأنه كفؤ في مئات أنواع المهام، بما في ذلك القانون والتمويل والتصميم. غير أن الادعاء الذي استحوذ على أكبر قدر من الاهتمام كان أضيق نطاقًا من عدد المعاملات. فوفقًا للبيان المنشور، يستطيع النموذج العمل بشكل مستقل على البرمجة لأكثر من اثني عشر يومًا لإنجاز مشروع كامل.

توقّف عدد المعاملات عن كونه خبرًا منذ زمن. أما «اثنا عشر يومًا» فهو الرقم الجدير بالتدقيق، لأنه يصف نوعًا مختلفًا من القدرة عن ذلك الذي تُظهره العروض التوضيحية التي تأتي مع معظم النماذج.

مهمة واحدة مقابل مشروع واحد

تقيس معظم اختبارات تقييم نماذج البرمجة وحدة عمل واحدة: اكتب دالة، أصلح خطأً برمجيًا، أجب عن سؤال يخص مستودعًا برمجيًا. والأفق الزمني هنا دقائق. والنموذج الذي ينجح في هذه الاختبارات قد أثبت أنه قادر على إنتاج مخرجات صحيحة عندما تكون المسألة محددة بالكامل والنتيجة قابلة للتحقق منها في خطوة واحدة.

المشروع الذي يستغرق اثني عشر يومًا ليس دالة أطول. إنه سلسلة من القرارات، كل قرار منها يقيّد الذي يليه، وعلى النموذج أن يحتفظ بالتصميم في ذهنه عبر آلاف التعديلات. وهنا تتغيّر أنماط الفشل. فالنموذج الذي يصحّ في 95 بالمئة من الخطوات مساعد ممتاز في مهمة مدتها خمس دقائق، لكنه عبء في مهمة تستغرق أسبوعين، لأن الأخطاء تتراكم ولا أحد يراقب كل تعديل.

ولهذا فإن الادعاء المتعلق بالأفق الزمني أهم من عدد المعاملات؛ فهو ينقل السؤال من القدرة إلى الموثوقية.

ما يتطلبه الأفق الزمني الطويل فعليًا

لا بد من عمل ثلاثة أشياء، ولا شيء منها خاصية تخصّ النموذج وحده.

تأتي الذاكرة وإدارة الحالة في المقام الأول. فاثنا عشر يومًا من العمل لا يمكن أن تتّسع لها نافذة السياق، مهما كانت كبيرة. وعلى النظام أن يُخرِج حالة المهمة إلى الخارج، ويكتب النتائج الوسيطة على القرص، ويستأنف من نقطة استعادة بعد أي انقطاع. هذه بنية تحتية تحيط بالنموذج، وصحتها هي ما يحدد ما إذا كانت جولة طويلة ستصمد أمام إعادة التشغيل.

ويأتي التصحيح الذاتي في المرتبة الثانية. فعلى مدى أفق زمني طويل، سيسلك النموذج مسارات خاطئة. وبدون مراجعة بشرية لكل خطوة، يحتاج إلى وسيلة ليلاحظ أن أحد الأساليب آخذ في الفشل وأن يعيد النظر فيه قبل أن ينتشر الفشل. وهذا يعني أن على النموذج أن يقيّم مخرجاته الوسيطة في ضوء الهدف الأصلي، وهي مهمة أصعب من توليد المخرجات في المقام الأول.

وتأتي استقرارية الأدوات في المرتبة الثالثة. فالمشروع الممتد على مدى أيام سيمسّ قاعدة شيفرة، وأداة تشغيل الاختبارات، والتوثيق، وربما مدير حزم. وكل استدعاء لأداة هو فرصة لحدوث تباين بين ما يتوقعه النموذج وما تعيده البيئة. وعلى مدى آلاف الاستدعاءات، فإن ذيل هذا التوزيع هو ما ينهي الجولة.

وبجمع كل ذلك، يصبح ادعاء الاثني عشر يومًا ادعاءً عن منظومة كاملة: النموذج زائد إطار التشغيل زائد البيئة. وهذه طريقة مفيدة لقراءته، لأنها تدلّك على أين تنظر عند حدوث الفشل.

الجدل حول إطار التشغيل هو المعنى المضمر

توقيت الإصدار ليس مصادفة. فهناك جدل قائم بين باحثي الوكلاء الأذكياء حول مقدار «البنية الداعمة» التي ما زال النموذج القوي بحاجة إليها. والسؤال هو: هل تجعل النماذج الأفضل أطر الوكلاء المتشعبة عتيقة؟ أم أن الإطار هو مصدر الموثوقية؟

ادعاء العمل المستقل على مدى اثني عشر يومًا يقف في أحد جانبي هذا الجدل؛ فهو يوحي بأن النموذج قادر على حمل العبء وأن الإطار مجرد ممثل مساند. لكن المتطلبات الثلاثة المذكورة أعلاه تشير إلى العكس: الإطار هو ما يجعل هذا الأفق ممكنًا، والنموذج مكوّن بداخله.

يمكن أن تكون القراءتان صحيحتين في الوقت نفسه، وربما هذا أعدل صياغة للأمر. فالنماذج الأقوى تقلل مقدار الدعم اليدوي الذي تحتاجه المهمة، كما ترفع سقف ما يمكن لإطار تشغيل جيد إنجازه. والنموذج القادر على التخطيط على أفق زمني طويل يصبح أكثر قيمة داخل إطار جيد، لا أقل.

النصف المكتبي من الادعاء

يقرن البيان الصحفي البرمجة بالعمل المكتبي، وهذا الاقتران ليس عارضًا. فكلاهما فئة يمكن التحقق من مخرجاتها، وهذا ما يجعل الاستقلالية قابلة للتطبيق. فجدول بيانات فيه خطأ في صيغة يمكن اختباره، وعقد ينقصه بند يمكن مراجعته مقابل قائمة تحقق. ولا يُشترط أن يكون النموذج محقًا بشأن العالم عمومًا، بل بشأن مهمة لها إجابة قابلة للتحقق فقط.

ولهذا أيضًا فإن الادعاء أضيق مما يبدو للوهلة الأولى. فالنموذج القادر على العمل باستقلال لمدة أسبوعين على قاعدة شيفرة ليس كالنموذج القادر على العمل باستقلال لمدة أسبوعين على سؤال بحثي مفتوح النهاية، حيث لا يستطيع أحد الجزم بصحة العمل إلا بعد وقت طويل. والصياغة المعلنة تُبقي الوعد داخل النطاق الذي توجد فيه تغذية راجعة.

وإذا قرأنا الأمر بهذه الطريقة، يصبح رقم الاثني عشر يومًا تصريحًا عن التحقق بقدر ما هو تصريح عن القدرة. فكلما طال الأفق الزمني، زاد اعتماد المنظومة على قدرتها على التحقق من عملها بنفسها.

وهناك منطق تجاري وراء اختيار هذين المجالين. فالبرمجة والعمل المكتبي هما المجالان اللذان ترصد فيهما المؤسسات ميزانيات بالفعل، وفيهما يمكن تقييم المخرجات دون متخصص. فالنموذج الذي يؤتمت مهمة تطوير تستغرق أسبوعين له عائد قابل للقياس، أما نموذج يكتب الشعر فليس له ذلك.

كيف تقيّم هذا الادعاء

تجاهل عدد المعاملات وابحث عن ثلاثة أمور محددة.

اسأل عمّا تعنيه كلمة «مستقل» عمليًا. فجولة تمتد اثني عشر يومًا مع نقاط تفتيش بشرية متفرقة منتج مختلف عن جولة تمضي دون إشراف. ونادرًا ما تحدد الشركات مواضع نقاط التفتيش، وهذه التفصيلة تحدد مدى الفائدة أكثر من المدة الإجمالية.

اسأل عمّا أنتجته الجولة. فالمشروع المكتمل أثر قابل للاختبار: مستودع برمجي، ومجموعة اختبارات ناجحة، ونشر يعمل — كلها قابلة للتحقق. أما لقطات الشاشة والعروض التوضيحية المروية فليست كذلك.

اسأل عمّا حدث عندما تعثّر. فالجولات الطويلة تفشل، والمعلومة المثيرة للاهتمام تكمن في كيفية الفشل. والنموذج الذي يكتشف أن الطريق مسدود ويرجع خطوة إلى الوراء أكثر فائدة بكثير من نموذج يواصل التقدم وينتج نتيجة تبدو معقولة لكنها لا تعمل.

ما يقوله هذا عن السوق

إطلاق علي بابا نموذجًا رائدًا موجّهًا إلى البرمجة والعمل المكتبي بدلًا من المحادثة العامة تصريح عن موضع القيمة. فسوق روبوتات المحادثة الاستهلاكية مزدحم ويصعب تحقيق دخل منه. أما العمل الذي ستدفع المؤسسات مقابله فهو العمل الذي يحل محل ساعات عمل أو يعززها، وهذا العمل له آفاق زمنية طويلة.

إذا صحّ ادعاء الاثني عشر يومًا ولو جزئيًا، فإن الأثر العملي هو أن فريقًا صغيرًا يستطيع خوض مشاريع كانت تتطلب في السابق فريقًا أكبر. وإذا لم يصحّ، فسيظل النموذج مساعدًا قويًا في البرمجة بسياق كبير، وسيخبو ذكر الاثني عشر يومًا من المواد التسويقية من تلقاء نفسه. وفي الحالتين، الإطار المفاهيمي هو الجزء المفيد. فالقدرة تُقاس اليوم بالمدة التي يستطيع النموذج خلالها مواصلة العمل دون إشراف بقدر ما تُقاس بما يستطيعه في محاولة واحدة.