English Arabic 简体中文 繁體中文 Français Deutsch 日本語 한국어 Português Русский Español

Qwen3-Next-80B-A3B مقابل Qwen3-235B-A22B-2507: لماذا تتفوق النماذج الصغيرة؟

بواسطة / / AI Model Comparison / 9 دقائق قراءة
Qwen3-Next-80B-A3B مقابل Qwen3-235B-A22B-2507: لماذا تتفوق النماذج الصغيرة؟
جدول المحتويات
  1. Qwen3-Next-80B مقابل Qwen3-235B：الفروق المعمارية الرئيسية
  2. Qwen3-Next-80B-A3B مقابل Qwen3-235B: لماذا يثبت النموذج الأصغر جدارته
  3. Qwen3-Next-80B مقابل Qwen3-Next-80B-A3B：مقارنة الأداء
  4. Qwen3-Next-80B مقابل Qwen3-235B：مقارنة سرعة الاستدلال
  5. Qwen3-Next-80B مقابل Qwen3-235B：أي منهما أفضل لتوليد النصوص
  6. Qwen3-Next-80B مقابل Qwen3-235B：أي منهما أفضل لتطبيقات روبوتات المحادثة
  7. كيفية الوصول إلى نماذج Qwen3-Next-80B و Qwen3-235B؟

في العديد من معايير التقييم، يحقق نموذج Qwen3-Next-80B-A3B Instruct أداءً شبه متساوٍ مع نموذج Qwen3-235B-A22B Instruct، على الرغم من امتلاكه معلمات أقل بكثير. هذا التوازن المذهل يثير السؤال بشكل طبيعي: كيف يمكن لنموذج أصغر أن يثبت جدارته أمام نموذج ضخم؟ الجواب يكمن في الابتكارات المعمارية الخاصة بهما، وسيشرح لك هذا المقال بالضبط السبب وراء ذلك.

Qwen3-Next-80B مقابل Qwen3-235B：الفروق المعمارية الرئيسية

في العديد من معايير التقييم الرئيسية، يحقق نموذج Qwen3-Next-80B-A3B Instruct أداءً متساوياً مع نموذج Qwen3-235B-A22B Instruct، حيث تظهر نتائج متطابقة تقريباً في معايير AIME25 و LiveBench و LiveCodeBench. هذا الأداء يدفع بشكل طبيعي إلى التركيز على الفروق المعمارية بينهما

Qwen3-Next-80B-A3B يحقق أداءً متساوياً مع Qwen3-235B-A22B من Hugging Face

النموذج إجمالي المعلمات المعلمات النشطة الطبقات الخبراء الخبراء النشطين نوع آلية الانتباه طول السياق الوضع التركيز الرئيسي
Qwen3-Next-80B-A3B-Instruct 80B 3B 48 64 2 هجين (DeltaNet + Gated) قياسي (حتى 256K) Instruct استدلال خفيف، أسئلة وأجوبة يومية
Qwen3-Next-80B-A3B-Thinking 80B 3B 48 64 2 هجين (DeltaNet + Gated) قياسي (حتى 256K) Thinking استدلال قوي، حل مشاكل متعددة الخطوات
Qwen3-235B-A22B-Instruct-2507 235B 22B 94 128 8 هجين (DeltaNet + Gated) 262K أصلي، حتى 1M Instruct سعة كبيرة، معالجة أفضل للسياقات الطويلة
Qwen3-235B-A22B-Thinking-2507 235B 22B 94 128 8 هجين (DeltaNet + Gated) 262K أصلي، حتى 1M Thinking مقياس ضخم مع قدرة استدلال معززة

Qwen3-Next-80B-A3B مقابل Qwen3-235B: لماذا يثبت النموذج الأصغر جدارته

يعد نموذج Qwen3-Next-80B-A3B أول نموذج في سلسلة Qwen3-Next، ويتميز بالابتكارات المعمارية التي تعظم كفاءة السياقات الطويلة والإنتاجية.

يقدم آلية انتباه هجينة، تجمع بين Gated DeltaNet و Gated Attention لتحل محل آلية الانتباه القياسية، مما يتيح نمذجة سياق فعالة لسلاسل طولية فائقة الطول.

يخفض تصميم خليط الخبراء عالي التفرع (MoE) نسبة التنشيط بشكل كبير، مما يقلل من عدد العمليات الحسابية لكل رمز مع الحفاظ على سعة النموذج.

لضمان المتانة، يدمج النموذج تحسينات الاستقرار مثل تطبيع الطبقات المتمركز حول الصفر والمخففة بالوزن.

أخيراً، يحسن التنبؤ متعدد الرموز (MTP) كفاءة التدريب المسبق ويُسرع الاستدلال. معاً، تجعل هذه التحسينات نموذج Qwen3-Next-80B-A3B مناسباً بشكل فريد للتعامل مع أحمال العمل واسعة النطاق وذات السياقات الطويلة بكفاءة واستقرار.

معمارية نموذج Qwen3-Next-80B-A3B

من Hugging Face

تساعد القدرة على معالجة المزيد من السياق والحفاظ عليها بشكل مباشر على تعزيز العديد من القدرات الأساسية للنموذج:

  • فهم المستندات الطويلة
    يمكنه معالجة كتب كاملة، أو أوراق بحثية، أو نصوص مطولة طويلة في تمرير واحد، مع تجنب فقدان المعلومات الناتج عن تقسيم النص إلى أجزاء.
  • الاستدلال عبر أقسام النص
    تتيح نوافذ السياق الأطول إنشاء روابط بين أجزاء بعيدة من النص، مما يحسن التماسك المنطقي.
  • التعامل مع المهام المعقدة
    تستفيد التطبيقات مثل التحليل القانوني، البحث العلمي، أو المحادثات متعددة الأدوار من الاحتفاظ بالتفاصيل عبر العديد من الرموز لاستدلال دقيق.
  • تقليل الهلوسة / الانحراف
    الاحتفاظ بالإدخال الكامل متاحاً يقلل من خطر نسيان القيود السابقة أو اختلاق تفاصيل مفقودة.
  • قابلية التوسع للتطبيقات الواقعية
    سيناريوهات المؤسسات—مثل روبوتات المحادثة ذات السجلات الطويلة، أو التوليد المعزز بالاسترجاع مع آلاف رموز السياق، أو خطوط الأنابيب متعددة الوسائط—تستفيد بشكل مباشر من المعالجة المستقرة للسلاسل الفائقة الطول.

Qwen3-Next-80B مقابل Qwen3-Next-80B-A3B：مقارنة الأداء

الفئة معيار التقييم 80B-A3B-Instruct 80B-A3B-Thinking 235B-A22B-Thinking أفضل نموذج
المعرفة MMLU-Pro 80.6 82.7 84.4 235B-Thinking
MMLU-Redux 90.9 92.5 93.8 235B-Thinking
GPQA 72.9 77.2 81.1 235B-Thinking
SuperGPQA 58.8 60.8 64.9 235B-Thinking
الاستدلال AIME25 69.5 87.8 92.3 235B-Thinking
HMMT25 54.1 73.9 83.9 235B-Thinking
LiveBench (Nov 2024) 75.8 76.6 78.4 235B-Thinking
البرمجة LiveCodeBench v6 56.6 68.7 74.1 235B-Thinking
MultiPL-E / CFEval* 87.8 2071 (CFEval) 2134 (CFEval) 235B-Thinking
OJBench / Aider-Polyglot* 49.8 (Aider) 29.7 (OJBench) 32.5 (OJBench) 235B-Thinking
المحاذاة IFEval 87.6 88.9 88.9 (tie) 80B-Thinking / 235B-Thinking
Arena-Hard v2 82.7 62.3 79.7 80B-Instruct
WritingBench 87.3 84.6 88.3 235B-Thinking
الوكلاء BFCL-v3 70.3 72.0 72.4 235B-Thinking
TAU1-Retail 60.9 69.6 67.8 80B-Thinking
TAU1-Airline 44.0 49.0 46.0 80B-Instruct
TAU2-Retail 57.3 67.8 71.9 235B-Thinking
TAU2-Airline 45.5 60.5 58.0 80B-Thinking
TAU2-Telecom 13.2 43.9 45.6 235B-Thinking
متعدد اللغات MultiIF 75.8 77.8 80.6 235B-Thinking
MMLU-ProX 76.7 78.7 81.0 235B-Thinking
INCLUDE 78.9 78.9 81.0 235B-Thinking
PolyMATH 45.9 56.3 60.1 235B-Thinking

تقدم نماذج 235B — Qwen3-235B-A22B-Instruct-2507 و Qwen3-235B-A22B-Thinking-2507 — أعلى أداء مطلق، خاصة في المعرفة المهنية، البرمجة، والاستدلال المتقدم.

تتفوق نماذج 80B بكثير على حجمها:

  • يوفر نموذج Qwen3-Next-80B-A3B-Thinking قدرة استدلال قريبة من نموذج Qwen3-235B-A22B-Thinking-2507، مما يجعله خياراً مثالياً عندما تكون الكفاءة والتكلفة هما العاملان الرئيسيان.
  • ينافس نموذج Qwen3-Next-80B-A3B-Instruct عن كثب نموذج Qwen3-235B-A22B-Instruct-2507 في المعرفة والبرمجة، بينما يتفوق عليه فعلياً في معايير المحاذاة مثل Arena-Hard v2.

الخلاصة: صُمم نموذج Qwen3-Next-80B-A3B لتحقيق الكفاءة دون التضحية بأداء كبير. تتيح ابتكاراته المعمارية — آلية الانتباه الهجينة، MoE متفرع، وتحسينات الاستقرار — لنموذج أصغر أن ينافس نماذج 235B المماثلة له في العديد من المهام الواقعية.

Qwen3-Next-80B مقابل Qwen3-235B：مقارنة سرعة الاستدلال

مقارنة سرعة الاستدلال بين Qwen3-Next-80B و Qwen3-235B

من Artificial Analysis

يوفر نموذج 80B-Instruct أفضل توازن بين السرعة + زمن الاستجابة المنخفض.

تكون نماذج 235B أبطأ، خاصة في وضع التفكير، بسبب حجمها الأكبر وحجم الاستدلال الأثقل.

تمتلك نماذج التفكير (كلاً من 80B و 235B) زمن استجابة ووقت إجمالي من البداية إلى النهاية أعلى بكثير مقارنة بنماذج Instruct، بسبب خطوات الاستدلال الصريحة.

Qwen3-Next-80B مقابل Qwen3-235B：أي منهما أفضل لتوليد النصوص

كتابة الروايات / الخيال

  • المتطلبات: تفاصيل غنية للشخصيات، حبكات طويلة، أسلوب غامر، تماسك.
  • 235B: تفاصيل إبداعية أقوى، صوت أكثر اتساقاً، أفضل في الاستعارة والتعقيد.
  • 80B: تحافظ نوافذ السياق الطويلة على الحبكات بتكلفة أقل؛ تكرار أسرع؛ التماسك جيد بما فيه الكفاية للعديد من القراء.

الأوراق العلمية / الكتابة التقنية

  • المتطلبات: دقة، هيكل، استشهادات، مصطلحات متخصصة، تدفق منطقي.
  • 235B: معرفة متعمقة بالمجال، دقة أعلى في التفاصيل، استدلال أقوى.
  • 80B: غالباً ما يكون كافياً للمراجعات والتجارب القياسية، ولكن خطر الأخطاء الصغيرة في المجالات المتخصصة أعلى.

الحوار / قصص المحادثة

  • المتطلبات: تماسك عبر الأدوار، ذاكرة، اتباع للشخصية، سرعة.
  • 235B: أفضل قليلاً في تذكر التفاصيل واتباع تعليمات الشخصية الصارمة.
  • 80B: ردود أسرع مع زمن استجابة منخفض؛ تجعله قدرته على التعامل مع السياقات الطويلة قوياً للمحادثات التفاعلية.

الكتابة غير الروائية الإبداعية / المقالات / المدونات

  • المتطلبات: توازن بين الحقيقة والأسلوب، هيكل واضح، إقناع.
  • 235B: أفضل في الحجج الغنية بالحقائق والمعقدة.
  • 80B: جيد بما فيه الكفاية عندما يكون الأسلوب وسهولة القراءة أهم من الدقة المتخصصة؛ أسرع في مراجعة المسودات.

الشعر / الكتابة ذات الطابع الفني

  • المتطلبات: لغة خيالية، إيقاع، فروق دقيقة.
  • 235B: أقوى في المفردات النادرة، الإبداع، والتعبير الدقيق.
  • 80B: يمكنه تقليد الأسلوب جيداً، ولكن أحياناً يكون أقل عمقاً في الاستعارات النادرة.

الخلاصة

  • للحصول على دقة وعمق من الطراز الأول (الكتابة العلمية، العمل التقني الحرج، المشاريع الإبداعية عالية المستوى)، يعتبر نموذج 235B الخيار الأفضل.
  • من أجل الكفاءة، السرعة، والتكلفة الأقل مع جودة صلبة—خاصة للمدخلات الطويلة مثل القصص أو سجلات المحادثة—يعتبر نموذج 80B غالباً الخيار الأذكى.

Qwen3-Next-80B مقابل Qwen3-235B：أي منهما أفضل لتطبيقات روبوتات المحادثة

متطلبات روبوتات المحادثة
ردود سريعة، تماسك عبر السجلات الطويلة، اتباع التعليمات، بعض الاستدلال، كفاءة تكلفة.

235B

  • يتفوق في المحادثات الكبيرة جداً، المعرفة المتخصصة، والاستدلال الصعب.
  • العيب: زمن استجابة أعلى وتكلفة حسابية أعلى، أقل مثالية إذا كانت سرعة الاستجابة مهمة.

80B

  • زمن استجابة منخفض، ردود أسرع.
  • لا يزال يحافظ على اتباع جيد للتعليمات ومعالجة جيدة للسياق بفضل الابتكارات المعمارية.
  • خيار قوي لروبوتات المحادثة التفاعلية الموجهة للمستخدمين.

الخلاصة الرئيسية

  • من أجل تجربة مستخدم سلسة وردود سريعة، يعتبر نموذج 80B عادةً الأفضل.
  • للمجالات المتخصصة أو عالية المتطلبات، لا يزال من المفضل اختيار نموذج 235B.

كيفية الوصول إلى نماذج Qwen3-Next-80B و Qwen3-235B؟

1. واجهة الويب (الأسهل للمبتدئين)

الوصول إلى نموذج Qwen3-Next-80B

جرب نموذج Qwen3-Next-80B-A3B Instruct الآن!

2. الوصول عبر API (للمطورين)

Novita AI هي منصة سحابية للذكاء الاصطناعي توفر للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام API البسيط الخاص بنا.

تكلفة نموذج Qwen3-Next-80B-A3B Instruct هي 0.15 دولار لكل مليون رمز إدخال و 1.5 دولار لكل مليون رمز إخراج، مع سياق يصل إلى 65536 رمزاً.

تكلفة نموذج Qwen3-Next-80B-A3B Thinking أيضاً 0.15 دولار لكل مليون رمز إدخال و 1.5 دولار لكل مليون رمز إخراج، مع نفس سياق 65536 رمزاً.

نموذج Qwen3-235B-A22B Thinking-2507 أكثر تكلفة، حيث تبلغ تكلفته 0.3 دولار لكل مليون رمز إدخال و 3 دولارات لكل مليون رمز إخراج، مع سياق يصل إلى 131072 رمزاً.

سعر نموذج Qwen3-235B-A22B Instruct-2507 هو 0.15 دولار لكل مليون رمز إدخال و 0.8 دولار لكل مليون رمز إخراج، مع سياق يصل إلى 131072 رمزاً.

الخطوة 1: تسجيل الدخول والوصول إلى مكتبة النماذج

سجل الدخول إلى حسابك وانقر على زر مكتبة النماذج.

تسجيل الدخول والوصول إلى مكتبة النماذج

الخطوة 2: اختر النموذج الخاص بك

تصفح الخيارات المتاحة واختر النموذج الذي يناسب احتياجاتك.

اختر النموذج الخاص بك

الخطوة 3: ابدأ تجربتك المجانية

الوصول إلى نموذج Qwen3-Next-80B

ابدأ تجربتك المجانية لاستكشاف قدرات النموذج المحدد.

الخطوة 4: احصل على مفتاح API الخاص بك

للمصادقة مع API، سنزودك بمفتاح API جديد. عند الدخول إلى صفحة “الإعدادات”، يمكنك نسخ مفتاح API كما هو موضح في الصورة.

الحصول على مفتاح API

الخطوة 5: تثبيت API

قم بتثبيت API باستخدام مدير الحزم الخاص بلغة البرمجة التي تستخدمها.

بعد التثبيت، قم باستيراد المكتبات الضرورية إلى بيئة التطوير الخاصة بك. قم بتهيئة API باستخدام مفتاح API الخاص بك لبدء التفاعل مع نماذج اللغات الكبيرة من Novita AI. هذا مثال على استخدام API لإكمال المحادثات لمستخدمي بايثون.

#Chat API
from openai import OpenAI

client = OpenAI(
    api_key="<Your API Key>",
    base_url="https://api.novita.ai/openai"
)

response = client.chat.completions.create(
    model="qwen/qwen3-next-80b-a3b-instruct",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello, how are you?"}
    ],
    max_tokens=65536,
    temperature=0.7
)

print(response.choices[0].message.content)

#Completion API
from openai import OpenAI

client = OpenAI(
    api_key="<Your API Key>",
    base_url="https://api.novita.ai/openai"
)

response = client.completions.create(
    model="qwen/qwen3-next-80b-a3b-instruct",
    prompt="The following is a conversation with an AI assistant.",
    max_tokens=65536,
    temperature=0.7
)

print(response.choices[0].text)

3. التكامل

استخدام واجهة سطر الأوامر مثل Trae,Claude Code, Qwen Code

إذا كنت تريد استخدام النماذج الرائدة لـ Novita AI (مثل Qwen3-Coder و Kimi K2 و DeepSeek R1) للحصول على مساعدة في البرمجة بالذكاء الاصطناعي في بيئتك المحلية أو بيئة التطوير المتكاملة (IDE)، فإن العملية بسيطة: احصل على مفتاح API الخاص بك، قم بتثبيت الأداة، قم بتكوين متغيرات البيئة، وابدأ البرمجة.

للحصول على أوامر الإعداد التفصيلية والأمثلة، راجع الدروس الرسمية:

سير عمل متعدد الوكلاء باستخدام SDK وكلاء OpenAI

قم ببناء أنظمة متعددة الوكلاء متقدمة من خلال دمج Novita AI مع SDK وكلاء OpenAI:

  • التوصيل والتشغيل: استخدم نماذج اللغات الكبيرة من Novita AI في أي سير عمل لوكلاء OpenAI.
  • يدعم التسليم، التوجيه، واستخدام الأدوات: صمم وكلاء يمكنهم تفويض المهام، فرزها، أو تشغيل الوظائف، وكلها مدعومة بنماذج Novita AI.
  • التكامل مع بايثون: ببساطة اضبط نقطة نهاية SDK على https://api.novita.ai/v3/openai واستخدم مفتاح API الخاص بك.

الاتصال بـ API على منصات طرف ثالث

API متوافق مع OpenAI: استمتع بالهجرة والتكامل بدون متاعب مع أدوات مثل Cline و Cursor، المصممة لمعيار API الخاص بـ OpenAI.

Hugging Face: استخدم النماذج في Spaces، أو خطوط الأنابيب، أو مع مكتبة Transformers عبر نقاط نهاية Novita AI.

أطر الوكلاء والتنسيق: اتصل بسهولة بـ Novita AI مع المنصات الشريكة مثل Continue، AnythingLLM,LangChain، Dify و Langflow عبر موصلات رسمية وأدلة تكامل خطوة بخطوة.

يثبت نموذج Qwen3-Next-80B-A3B أن المعمارية مهمة بقدر أهمية الحجم الخام. بفضل الابتكارات مثل آلية الانتباه الهجينة و MoE المتفرع، يقدم أداءً ينافس نظيره من فئة 235B في العديد من معايير التقييم، مع تقديم استدلال أسرع، زمن استجابة أقل، وكفاءة أفضل. للمؤسسات التي توازن بين التكلفة والسرعة والجودة، يعتبر نموذج 80B بديلاً قوياً يظهر أن النماذج الأصغر، عند تصميمها جيداً، يمكنها تثبيت جدارتها أمام النماذج الضخمة.

الأسئلة الشائعة

كيف يمكن لنموذج 80B منافسة نموذج 235B في معايير التقييم الصعبة؟

يستخدم نموذج 80B آلية الانتباه الهجينة و MoE المتفرع لتقليل تكلفة الحساب مع الحفاظ على سعة النموذج، مما يسمح له بمطابقة أو تجاوز نموذج 235B في مهام مثل AIME25 و LiveBench و LiveCodeBench.

أي نموذج أفضل للمستندات الطويلة أو سجلات المحادثة؟

يدعم نموذج 235B سياقاً أصلياً يتراوح بين 262K و 1M رمز، ولكن نموذج 80B أيضاً يتعامل بكفاءة مع ما يصل إلى 256K رمز. لمعظم التطبيقات الواقعية، يقدم نموذج 80B سعة كافية مع سرعة أعلى وتكلفة أقل.

هل يتمتع نموذج 80B بمحاذاة أفضل مع تفضيلات البشر؟

نعم، في معيار Arena-Hard v2، يتفوق نموذج Qwen3-Next-80B-A3B Instruct فعلياً على نموذج 235B، مما يظهر محاذاة أقوى على الرغم من حجمه الأصغر.

Novita AI هي منصة سحابية للذكاء الاصطناعي توفر للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام API البسيط الخاص بنا، مع توفير سحابة GPU ميسورة التكلفة وموثوقة للبناء والتوسع.

قراءات موصى بها

مقالات ذات صلة