Qwen3.8-27B: من نتائج الاختبارات الرسمية إلى الأداء الحقيقي على الأجهزة المحلية
أطلقت شركة «علي بابا» عبر فريق Qwen نموذجها الجديد Qwen3.8-27B، في إصدار يركز على تقديم قدرات متقدمة في الذكاء الاصطناعي ضمن نموذج يمكن تشغيله محليًا على أجهزة المستخدمين. يجمع النموذج بين معالجة النصوص والصور والفيديو، مع نافذة سياق أصلية تبلغ 262 ألف رمز، وترخيص مفتوح يتيح للمطورين تنزيل الأوزان واستخدامها ضمن شروط الترخيص.
لكن إطلاق نموذج محلي بهذا الحجم يطرح سؤالًا أهم من أرقام المعايير القياسية: هل يمكن تشغيل Qwen3.8-27B فعليًا على أجهزة المستخدمين، وهل يقدم الأداء الذي توحي به نتائج الاختبارات الرسمية؟
لذلك، لا تكفي قراءة جدول الأداء المنشور من Alibaba وحده. فالتجربة الفعلية تعتمد أيضًا على حجم الذاكرة، وصيغة النموذج، وإعدادات الاستدلال، وطول السياق، والعتاد المستخدم. وفي هذه المراجعة نضع المواصفات الرسمية إلى جانب الاختبارات العملية الأولى لنرى أين ينجح Qwen3.8-27B وأين تظهر حدوده.
أين يتواجد النموذج وكيفية الوصول إليه؟
على عكس النماذج المغلقة التي تعتمد بصورة أساسية على واجهة سحابية، يأتي Qwen3.8-27B بفلسفة مختلفة تركز على التشغيل المحلي.
يمكن للمستخدمين والمطورين الوصول إلى النموذج من خلال منصات توزيع الأوزان مثل Hugging Face، مع توفر مسارات تشغيل محلية عبر أدوات وبرامج مختلفة.
التحميل المباشر للأوزان
يتوفر النموذج الرسمي بترخيص Apache 2.0، وهو ترخيص مفتوح يمنح المطورين مساحة واسعة للاستخدام والتعديل وإعادة التوزيع وفق شروط الترخيص.
وهذه النقطة مهمة للمؤسسات والمطورين الذين يريدون الاحتفاظ ببياناتهم داخل بيئتهم الخاصة بدل إرسالها إلى خدمة سحابية خارجية.
LM Studio
يمثل LM Studio أحد أبسط الخيارات للمستخدم العادي الذي يريد تجربة النموذج محليًا دون الدخول في تفاصيل برمجية معقدة.
ويمكن للمستخدم تنزيل نموذج متوافق، تحميله داخل التطبيق، ثم بدء المحادثة باستخدام واجهة رسومية.
Lemonade وأدوات التشغيل الأخرى
تقدم AMD أيضًا مسارات تشغيل للنموذج عبر أدوات مثل Lemonade، إلى جانب أطر مفتوحة مثل llama.cpp.
وهذا يجعل النموذج مناسبًا ليس فقط للمحادثة المحلية، بل أيضًا للمطورين الذين يريدون دمجه في تطبيقات تعمل على أجهزة المستخدمين.
القدرات متعددة الوسائط ونافذة السياق
لا يقتصر Qwen3.8-27B على النصوص. النموذج يدعم النص والصور والفيديو، وهو ما يضعه ضمن فئة النماذج متعددة الوسائط.
وتبلغ نافذة السياق الأصلية 262,144 رمزًا، مع إمكانية تمديد السياق إلى مليون رمز باستخدام تقنيات مخصصة مثل YaRN. لكن وجود نافذة سياقية كبيرة على مستوى المواصفات لا يعني أن كل جهاز يستطيع تشغيلها بالكامل.
فهناك فرق كبير بين دعم النموذج لسياق يبلغ 262 ألف رمز وبين قدرة جهاز يمتلك ذاكرة محدودة على معالجة هذا السياق عمليًا.
كلما ارتفع طول السياق، ارتفعت متطلبات الذاكرة، خصوصًا بسبب ذاكرة KV Cache. لذلك سيحتاج المستخدم الذي يريد الاستفادة من السياقات الطويلة جدًا إلى عتاد أقوى من المستخدم الذي يجري محادثات قصيرة.
البنية الهندسية ومتطلبات التشغيل الفعلية
يعتمد Qwen3.8-27B على بنية تجمع بين آليات مختلفة لمعالجة السياق بكفاءة. ويتكون النموذج من 64 طبقة، تستخدم 48 منها Gated DeltaNet، بينما تعتمد 16 طبقة على Gated Attention.
يساعد هذا التصميم على تقليل تكلفة معالجة السياقات الطويلة مقارنة ببنية تعتمد بالكامل على الانتباه التقليدي.
لكن متطلبات التشغيل لا تتحدد بعدد المعلمات فقط.
الأوزان الرسمية بصيغة BF16 تحتاج إلى نحو 51.76 GiB، بينما تبلغ نسخة FP8 نحو 28.76 GiB. وتتوفر أيضًا نسخ مضغوطة من المجتمع بصيغ مثل GGUF، ويمكن أن ينخفض حجم بعض نسخ Q4 إلى نطاق يقارب 17-20 جيجابايت بحسب إعداد الضغط والإصدار المستخدم.
وهنا يجب الانتباه إلى نقطة مهمة: حجم ملف النموذج ليس مساويًا للذاكرة المطلوبة للتشغيل.
فالنظام يحتاج إلى مساحة إضافية لذاكرة KV Cache، والمكونات البصرية، والـruntime، وغيرها من متطلبات الاستدلال.
ولهذا يمكن تشغيل نسخة مضغوطة من النموذج على أجهزة بذاكرة رسومية تبلغ نحو 24 جيجابايت في إعدادات مناسبة، لكن ذلك لا يعني إمكانية تشغيل نافذة السياق القصوى البالغة 262 ألف رمز على الجهاز نفسه.
وبعبارة أبسط، تشغيل النموذج على بطاقة 24 جيجابايت شيء، وتشغيله بأقصى قدراته السياقية شيء آخر تمامًا.
تقييم الأداء: الأرقام الرسمية مقابل الاختبارات العملية
بحسب جدول التقييم الذي نشره فريق Qwen، حقق Qwen3.8-27B تحسينات كبيرة مقارنة بـQwen3.6-27B في مجموعة من الاختبارات.
ففي Terminal-Bench 2.1 ارتفعت النتيجة من 63.4 إلى 73.0، بينما قفز الأداء في DeepSWE 1.1 من 13.3 إلى 42.2.
كما سجل النموذج 84.3 في اختبار OSWorld-Verified، إلى جانب نتائج قوية في اختبارات أخرى للبرمجة والوكلاء والقدرات متعددة الوسائط.
هذه الأرقام تعطي انطباعًا قويًا عن التطور الذي حققه الإصدار الجديد، لكنها تظل نتائج الاختبارات التي نشرتها Qwen في بيئة التقييم الخاصة بها، ولذلك ينبغي عدم التعامل معها باعتبارها إعادة إنتاج مستقلة لكل الادعاءات.
الاختبارات العملية ترسم صورة أكثر واقعية
وبعيدًا عن نتائج Alibaba، بدأت اختبارات عملية على أجهزة حقيقية في إعطاء صورة أوضح عن تجربة تشغيل Qwen3.8-27B محليًا.
وتبرز اختبارات AMD في هذا السياق بصورة خاصة. فقد أعلنت الشركة عن دعم Day 0 للنموذج، وأجرت اختبارات باستخدام llama.cpp على Windows مع Vulkan.
وصلت سرعة توليد الرموز إلى 24.5 رمزًا في الثانية عند استخدام معالج Ryzen AI Max+ 395، بينما وصلت إلى 51.8 رمزًا في الثانية عند استخدام بطاقة Radeon AI PRO R9700 بذاكرة 32 جيجابايت.
وتوضح AMD أن هذه النتائج تم قياسها عبر متوسط عمليات متعددة، مع استخدام MTP=4 على Ryzen AI Max+ 395 وMTP=2 على Radeon AI PRO R9700. كما أشارت الشركة إلى أن هذه النتائج أولية وأن التحسينات البرمجية ما زالت مستمرة.
هذه الأرقام مهمة لأنها تنقل النقاش من سؤال «كم نقطة حقق النموذج في benchmark؟» إلى سؤال أكثر عملية: «كيف يعمل النموذج على جهاز حقيقي؟»
لكن الاختبارات العملية تكشف في الوقت نفسه أن الأداء يتأثر بصورة كبيرة بالعتاد وصيغة الضغط وطول السياق وإعدادات الاستدلال. لذلك لا يمكن اعتبار سرعة 51.8 رمزًا في الثانية رقمًا ثابتًا يمكن لكل مستخدم الوصول إليه.
وتؤكد اختبارات وتحليلات مستقلة حديثة أن تشغيل النموذج ممكن على أجهزة مختلفة، لكن متطلبات الذاكرة ترتفع بسرعة مع زيادة السياق، وأن اختيار نسخة Q4 أو Q5 أو Q6 يغير المعادلة بين استهلاك الذاكرة وجودة النموذج.
ماذا تقول الاختبارات العملية عن تشغيله محليًا؟
الصورة الحالية تبدو أكثر توازنًا من مجرد قراءة نتائج Qwen الرسمية.
النموذج قابل للتشغيل محليًا فعلًا، وليس مجرد نموذج مفتوح الأوزان يحتاج إلى مركز بيانات ضخم. لكن سهولة تشغيله تعتمد على الجهاز.
على جهاز بذاكرة رسومية محدودة، سيكون استخدام نسخة مضغوطة مع سياق معتدل أكثر واقعية.
أما الأجهزة التي تمتلك 32 جيجابايت أو أكثر من الذاكرة الرسومية، فتمنح المستخدم مساحة أكبر لاختيار صيغة أعلى جودة أو تشغيل سياقات أطول.
وفي المقابل، لا ينبغي شراء جهاز بذاكرة 24 جيجابايت فقط بناءً على عبارة «النموذج يعمل على 24GB»، لأن تجربة التشغيل الفعلية تختلف عن مجرد تحميل الأوزان. وقد أوضحت تحليلات مستقلة أن المستخدم قد يضطر إلى تقليل السياق أو الاعتماد على ضغط أقوى لتحقيق تجربة عملية مقبولة.
Qwen3.8-27B في بيئة أجهزة AMD
تمثل AMD إحدى أبرز نقاط القوة العملية في إطلاق النموذج.
فالشركة أعلنت عن دعم مباشر للنموذج على معالجات Ryzen AI Max+ وبطاقات Radeon، مع إمكانية تشغيله عبر أطر مفتوحة مثل llama.cpp.
وتشير AMD إلى أن النموذج يحتاج إلى نحو 24 جيجابايت من VGM أو VRAM لتشغيله بصورة مريحة على المسارات التي اختبرتها، مع توصية واضحة ببطاقات مثل Radeon AI PRO R9700 ذات الذاكرة البالغة 32 جيجابايت.
وهنا تظهر قيمة الاختبارات العملية: النموذج ليس فقط قابلًا للتنزيل، بل أصبح هناك مسار واضح لتشغيله على أجهزة مكتبية ومحطات عمل متقدمة.
كما توفر LM Studio طريقة أكثر سهولة للمستخدمين الذين لا يريدون التعامل مباشرة مع سطر الأوامر.
معادلة المنافسة في فئة النماذج المحلية
لا ينبغي النظر إلى Qwen3.8-27B باعتباره أفضل نموذج ذكاء اصطناعي في كل فئة، بل باعتباره محاولة لتحقيق توازن بين الحجم والقدرات وقابلية التشغيل المحلي.
وتضع مقارنة Qwen الرسمية النموذج أمام نماذج منافسة في فئات قريبة من حيث الحجم والاستخدام، وتعرض تفوقه في عدد من الاختبارات المشتركة.
لكن يجب قراءة هذه المقارنات بحذر؛ فاختلاف بيئات التقييم يجعل من الصعب تحويل جدول واحد إلى حكم مطلق على جميع النماذج.
كما أن النماذج الأكبر أو النماذج ذات البنية المتخصصة قد تتفوق عليه في بعض مهام الاستدلال أو البرمجة، لكنها في المقابل تحتاج إلى موارد أكبر بكثير.
وهنا تكمن ميزة Qwen3.8-27B: ليس بالضرورة أن يكون أقوى نموذج في السوق، لكنه يقدم مجموعة كبيرة من القدرات ضمن حجم يمكن تشغيله محليًا على عتاد محلي متقدم واحد.
غياب الشفافية والتحفظات المطلوبة
رغم قوة المواصفات، لا تزال هناك أسباب تدعو إلى التعامل بحذر مع النتائج.
أهمها أن معظم الأرقام الرئيسية المتوفرة حاليًا تأتي من تقييمات الشركة نفسها. وظهور اختبارات مستقلة بعد الإطلاق أمر إيجابي، لكنه لا يكفي بعد للحكم النهائي على كل benchmark أو كل حالة استخدام.
كما أن نسخ GGUF وغيرها من النسخ المضغوطة التي يعتمد عليها المستخدمون المحليون قد تأتي من جهات مجتمعية مختلفة، وبالتالي لا ينبغي افتراض أن كل نسخة مضغوطة تقدم بالضرورة الجودة نفسها التي تقدمها الأوزان الأصلية.
وهناك أيضًا اختلاف كبير بين تشغيل النموذج في وضع التفكير وبين استخدامه في مهام بسيطة. يدعم النموذج التحكم في مستوى الجهد الاستدلالي عبر إعدادات reasoning_effort، وهو أمر مهم للمستخدم الذي يريد الموازنة بين جودة التفكير وزمن الاستجابة واستهلاك الموارد.
أين ينجح Qwen3.8-27B أكثر؟
يبدو النموذج مناسبًا بصورة خاصة لعدة سيناريوهات:
- مساعد برمجة محلي يعمل دون إرسال الشيفرة إلى خدمة خارجية.
- تحليل المستندات والصور داخل بيئة خاصة.
- تطبيقات متعددة الوسائط تحتاج إلى نموذج يمكن استضافته محليًا.
- التجارب البحثية والتطويرية التي تتطلب الوصول إلى الأوزان.
- المؤسسات التي تهتم بالخصوصية والسيطرة على البنية التحتية.
وفي المقابل، قد لا يكون الخيار المثالي للمستخدم الذي يمتلك جهازًا محدود الذاكرة أو يريد أقصى أداء ممكن دون التعامل مع إعدادات الضغط والسياق.
الخلاصة: هل يستحق Qwen3.8-27B التجربة؟
يمثل Qwen3.8-27B إصدارًا قويًا ضمن فئة النماذج المفتوحة القابلة للتشغيل محليًا.
أهم ما يميزه ليس رقمًا واحدًا في benchmark، بل التوازن بين الحجم والقدرات والتعدد الوسائطي وإمكانية التشغيل على عتاد محلي متقدم.
الأرقام الرسمية تظهر قفزة كبيرة مقارنة بالإصدار السابق في عدد من الاختبارات، بينما تؤكد اختبارات AMD العملية أن النموذج قادر بالفعل على الوصول إلى سرعات استخدام يومية على أجهزة قوية، مع تسجيل ما يصل إلى 51.8 رمزًا في الثانية في بيئة اختبار محددة.
لكن الصورة ليست مثالية.
الذاكرة تظل العامل الحاسم، خصوصًا عند استخدام سياقات طويلة. كما أن النتائج الرسمية تحتاج إلى المزيد من عمليات إعادة الإنتاج المستقلة قبل تحويلها إلى حكم نهائي على النموذج، بينما تختلف التجربة العملية بصورة كبيرة حسب الجهاز، وصيغة الضغط، والـbackend، وطول السياق.
لذلك، يمكن وصف Qwen3.8-27B بأنه خيار قوي جدًا لمن يريد نموذجًا متعدد الوسائط مفتوح الأوزان وقابلًا للتشغيل محليًا، وليس بديلًا مطلقًا لكل نموذج حدودي موجود في السوق.
وبالنسبة للمستخدم الذي يمتلك عتادًا مناسبًا ويريد تقليل الاعتماد على الخدمات السحابية، فإن Qwen3.8-27B يستحق التجربة بالفعل. أما من يمتلك جهازًا محدود الموارد، فالأفضل أن ينظر أولًا إلى صيغة الضغط وحجم السياق ومتطلبات الذاكرة قبل الحكم على النموذج من خلال عدد المعلمات وحده.
الحكم النهائي: Qwen3.8-27B يبدو من الإصدارات اللافتة في فئة النماذج المحلية متوسطة الحجم، لكن قيمته الحقيقية ستتضح أكثر مع توسع الاختبارات المستقلة وتجارب المستخدمين على مجموعة أكبر من الأجهزة.
