ما هو Qwen3.8-Flash؟ المواصفات، اختبارات الأداء، البنية المعمارية، التسعير، ودليل واجهة برمجة التطبيقات

شرح Qwen3.8-Flash: سياق 1M، تصميم MoE نشِط 6B، معايير الترميز ومتعددة الوسائط، السعر مقابل الأداء، المقارنات، والوصول عبر CometAPI.

 الخلاصة TL;DR Qwen3.8-Flash من Alibaba هو نموذج إنتاجي للحجم الكبير من مهام الترميز، والوكلاء، والسياقات الطويلة، والمهام متعددة الوسائط. يدعم سياقاً مستضافاً بحجم 1M رمز ويجمع بين نتائج معيارية قوية وتسعير API منخفض. يوجد نظير بأوزان مفتوحة، Qwen3.8-Flash-Next، للتقييم والنشر المحلي.

النقاط الرئيسية

• التسمية: إنتاجي مقابل أوزان مفتوحة: Qwen3.8-Flash هو النموذج الإنتاجي المستضاف؛ Qwen3.8-Flash-Next هو إصدار الأوزان المفتوحة المستخدم لنشر تفاصيل النموذج والمعايير.
• تنشيط متناثر شديد: 125B معلمات رئيسية + 51B تضمينات N-gram، مع 6B فقط من المعلمات النشطة لكل رمز.
• سياق طويل: 262K سياقاً أصلياً للنموذج المفتوح، قابل للتمديد إلى 1M بواسطة YaRN؛ مسار QwenCloud الإنتاجي يوفّر سياق 1M افتراضياً.
• ترميز وكيل قوي: تفيد تقارير Qwen بأنها حققت 62.5 على SWE-bench Pro، و73.9 على CoWorkBench، و73.5 على Toolathlon Verified، و91.9 على LiveCodeBench v6.
• قوة متعددة الوسائط: تفيد Qwen بأنها حققت 84.5 على AndroidWorld، و88.5 على RealWorldQA، و90.6 على MathVision دون مُفسّر كود.
• الكفاءة: QSA يصل إلى تسريع 7.6x في التمهيد و4.9x في فك الترميز عند 1M رمز، وتفيد Qwen بأن معدل تمرير التمهيد عند 1M رمز أعلى بـ 8.6x مقارنة بـ Qwen3.7-Plus في إعداد خدمة عالي معدل ضرب التخزين المسبق للمقدمة.
• التسعير: تسعير Alibaba Cloud الدولي الحالي هو US$0.15/M للإدخال وUS$0.47/M للإخراج؛ CometAPI يعرض US$0.12/M للإدخال وUS$0.376/M للإخراج.

صورة إطلاق Qwen3.8-Flash الرسمية — مصدر Alibaba/Qwen

ما هو Qwen3.8-Flash؟

Qwen3.8-Flash هو نموذج إنتاجي مُوجَّه للكفاءة من Qwen التابعة لـ Alibaba، مخصص للترميز، والوكلاء، وأعمال المعرفة ذات السياق الطويل، والمهام متعددة الوسائط. أُعلن عنه مع نظير بأوزان مفتوحة يسمى Qwen3.8-Flash-Next. تصفه Alibaba بأنه نموذج MoE متعدد الوسائط بأوزان مفتوحة ومُحسّن للقدرة والزمنية والتكلفة، وتقول إن هذه البنية معاينة مبكرة لأفكار مخصصة لـ Qwen4.

علامة “Flash” مهمة. Qwen3.8-Max هو Tier رئيسي أكبر لأعلى قدرات، بينما Qwen3.8-Flash مصمم لتقديم الكثير من أداء الترميز والوكلاء مع تقليل الحوسبة النشطة بشكل كبير. الإصدار يُفعّل 6B معلمات لكل رمز، مقارنةً ببصمات نشطة أكبر بكثير في أنظمة MoE الرائدة.

النموذج الإنتاجي يُخدّم بمعرّف النموذج qwen3.8-flash. يدعم QwenCloud واجهات Chat Completions المتوافقة مع OpenAI وResponses بالإضافة إلى واجهة متوافقة مع Anthropic، ما يجعل دمج النموذج في مجموعات الوكلاء والترميز الحالية مباشراً.

Qwen3.8-Flash مقابل Qwen3.8-Flash-Next: ما الفرق؟

Qwen3.8-Flash-Next هو إصدار الأوزان المفتوحة. يعرض البنية، وأوزان النموذج، وإرشادات النشر، وحزمة المعايير. الأوزان متاحة على Hugging Face وModelScope. يدعم النموذج المفتوح سياقاً أصلياً بسعة 262,144 رمزاً ويمكن تمديده إلى 1M بواسطة YaRN.

Qwen3.8-Flash هو نسخة API الإنتاجية. في الإصدار الرسمي، تقول Alibaba إن النسخة الإنتاجية تستخدم سياق 1M افتراضياً وتتضمن أدوات مدمجة رسمية. عملياً، يجب على المطورين الذين يقيمون النموذج المستضاف استخدام سلوك Qwen3.8-Flash في API وتسعيره، بينما إصدار Flash-Next هو أفضل مصدر عام لتفاصيل البنية والمعايير.

مواصفات Qwen3.8-Flash

رقم الكفاءة الرئيسي هو 6B معلمات مفعّلة لكل رمز. أما 51B من معلمات تضمينات N-gram فهي سعة تعتمد على البحث؛ تشير Qwen إلى أنها لا تدخل ضمن ميزانية عمليات الضرب المصفوفية لكل رمز بنفس طريقة أوزان المحول.

ما الجديد في بنية Qwen3.8-Flash؟

مخطط بنية Qwen الرسمي — Qwen3.8-Flash-Next

1. GDN + Qwen Sparse Attention (QSA)

يمزج النموذج بين آليتين. ثلاث طبقات من كل أربع تستخدم Gated DeltaNet (GDN) لضغط المعلومات التاريخية في حالة ذات حجم ثابت، بينما تستخدم الطبقة المتبقية انتباهاً شاملاً للاسترجاع الدقيق. ثم تستخدم طبقة الانتباه الشامل Qwen Sparse Attention لتقليل كمية السياق الذي يجب معالجته مباشرة.

الهدف العملي بسيط: تتعامل GDN مع الذاكرة الرخيصة، بينما تنفق QSA الانتباه الكامل فقط حيث يهم الاسترجاع. هذا ذو قيمة خاصة لتطبيقات السياق الطويل حيث يصبح الانتباه الكامل الاعتيادي مكلفاً حسابياً ومن ناحية حركة مخزن مفاتيح-قيم (KV).

2. بقايا ببوابة مع أربع مسارات معلومات

توسّع “Gated Residual” التدفق المتبقي إلى أربعة فروع متوازية. يتحكم بوابة ديناميكية عنصر-بعنصر في مقدار المعلومات المقروءة من كل فرع والمكتوبة إليه. هذا يمنح المعلومات المبكرة طرقاً أكثر للبقاء عبر الشبكات العميقة بدلاً من مزجها بشكل متكرر في تيار واحد. تقول Qwen أيضاً إن الحالة المتبقية يمكن تخزينها بدقة FP8 لتقليل حركة الذاكرة.

3. تضمينات N-gram تزيد السعة دون حوسبة متناسبة

تضيف Qwen 51B من معلمات تضمينات N-gram يتم الوصول إليها باستخدام سياق الرموز المحلي. وعلى خلاف أوزان المحول العادية، تُسترجع هذه المعلمات من خلال عمليات بحث ويمكن نقلها إلى ذاكرة المضيف مع جلب مسبق غير متزامن. يوسّع هذا التصميم سعة النموذج مع الحفاظ على الحساب لكل رمز منخفضاً.

4. مُحسّن Muon وتصميم مشترك للتدريب

تدرّب Qwen النموذج باستخدام مُحسّن Muon لأوزان خرائط خطية ثنائية الأبعاد الأساسية، مع الإبقاء على AdamW للتضمينات والموجّهات وبعض المعلمات منخفضة الرتبة. أعادت الفريق أيضاً ملاءمة قانون القياس للبنية الجديدة وأبلغت أن إحماء حجم الدفعة لم يكن ضرورياً، ما تجنّب 18.8% من خطوات المُحسّن الإضافية في تجاربها.

5. MoE متناثر للغاية وتنبؤ متعدد الرموز

يحافظ النموذج على مجموعة خبراء كبيرة لكنه يوجّه عدداً قليلاً فقط من الخبراء لكل رمز. كما يستخدم التنبؤ متعدد الرموز، ما يساعد في فك الترميز التخميني عبر زيادة معدلات القبول مع تحسين العمود الفقري أثناء التدريب. معاً، تعزز هذه الاختيارات الهدف ذاته: مزيد من السعة ومعدل تمرير أعلى دون دفع تكلفة نموذج رائد على كل رمز.

أداء Qwen3.8-Flash على المعايير

معايير الترميز

تنشر Alibaba حزمة المعايير تحت Qwen3.8-Flash-Next، النظير ذو الأوزان المفتوحة لـ Qwen3.8-Flash الإنتاجي. تستخدم الجداول التالية نتائج الإصدار المُبلغ عنها من Qwen وتركّز على نظراء متاحين أيضاً عبر CometAPI.

مخطط Qwen الرسمي لمعايير اللغة

نتيجة الترميز: يتصدّر Qwen3.8-Flash النظراء المختارين على SWE-bench Pro (62.5) وSWE-bench Multilingual (81.0) وLiveCodeBench v6 (91.9). الاستثناء الرئيسي هو NL2Repo-Bench، حيث يسجّل DeepSeek V4 Flash نتيجة 54.2 مقابل 48.1.

نتيجة الوكلاء: يحقق Qwen3.8-Flash 73.9 على CoWorkBench و55.7 على JobBench، أعلى مادياً من النظراء المختارين في جدول إصدار Qwen. كما يتفوق قليلاً على DeepSeek V4 Flash في Toolathlon Verified بنتيجة 73.5 مقابل 70.3.

نتيجة الاستدلال: المجال أكثر تقارباً. يسجّل Qwen3.8-Flash نتيجة 91.7 على GPQA Diamond، بالقرب من Claude Opus 4.6 عند 91.3 وDeepSeek V4 Flash عند 90.8. على HLE، يتصدر Claude Opus 4.6 بـ 40.0 مقابل 35.9 لـ Qwen.

معايير متعددة الوسائط

مخطط Qwen الرسمي لمعايير الرؤية-اللغة

نتائج الإصدار متعددة الوسائط هي من أقوى الحجج لصالح Qwen3.8-Flash. تفيد Qwen بأنها حققت 84.5 على AndroidWorld، و88.5 على RealWorldQA، و90.6 على MathVision دون مُفسّر كود. تشير هذه الدرجات إلى أن النموذج موجَّه للوكلاء الذين يجب أن يقرأوا الشاشات ويفهموا الحالة البصرية ويواصلوا التصرف، بدلاً من مجرد الإجابة على أسئلة الصور.

ملاحظة حول المعايير: هذه نتائج مُعلن عنها من المورّد، وليست اختبار مختبر محايد وجهاً لوجه. بعض المعايير تستخدم أطر عمل أو إعدادات أدوات مختلفة، وبعضها داخلية. اعتبر الأرقام دليلاً اتجاهياً، ثم تحقق من النموذج على محادثاتك وأدواتك وأهدافك الزمنية ومعايير القبول لديك.

لماذا Qwen3.8-Flash سريع وذو تكلفة فعالة

مخطط كفاءة Qwen للسياق الطويل

عند سياق 1M رمز، تفيد Qwen بتسريع يصل إلى 7.6x في التمهيد و4.9x في فك الترميز لنواة انتباه QSA. في تجربة خدمة مع معدل ضرب تخزين مسبق للمقدمة 90%، حقق Qwen3.8-Flash-Next معدل تمرير تمهيد أعلى بـ 8.6x من Qwen3.7-Plus.

القصة الأكبر على مستوى النظام هي الحوسبة النشطة. يبدو النموذج الرئيسي 125B كبيراً على الورق، لكن فقط 6B معلمات تُفعّل لكل رمز. هذه البصمة النشطة أقل من نصف 13B من المعلمات النشطة المُبلّغ عنها لـ DeepSeek V4 Flash وبعيدة كثيراً عن حوالي 95B معلمات نشطة لـ Qwen3.8-Max. لا تُترجم أعداد المعلمات خطياً إلى السرعة، لكن التصميم يمنح Qwen3.8-Flash هدف كفاءة واضحاً.

تُبلغ Alibaba أيضاً أن التدريب تطلب نحو تسع الموارد مقارنةً بـ Qwen3.7-Plus مع تحسين أداء الترميز ومهام المكتب. بشكل منفصل، أفيد بأن وضع QwenWork Standard المُستند إلى النموذج يقلل استهلاك الرموز لكل مهمة بنسبة 75% ويضاعف تقريباً سرعة التوليد مقارنةً بالوضع السابق. لا ينبغي معاملة هذه الأرقام على مستوى المنتج كضمانات زمنية عامة للـ API، لكنها تُظهر كيف تتوقع Alibaba استخدام النموذج.

تسعير Qwen3.8-Flash

يفيد إعلان الإطلاق بأن تسعير QwenCloud هو $0.16 لكل مليون رموز إدخال و$0.47 لكل مليون رموز إخراج. قد يختلف التسعير حسب المنطقة وسطح المنتج والتخزين المؤقت أو تحديثات لاحقة، لذا ينبغي لفرق الإنتاج دائماً التحقق من صفحة المزوّد الحية قبل تقدير عبء عمل كبير.

في وقت إعداد هذه المقالة، يعرض CometAPI Qwen3.8-Flash بـ $0.12 لكل مليون رموز إدخال وبحوالي $0.376 لكل مليون رموز إخراج. تصف صفحة النموذج على CometAPI هذا كخصم 20% مقارنةً بسعره المرجعي المُدرج.

بالنسبة لعبء عمل يحتوي على 10 ملايين رموز إدخال و2 مليون رموز إخراج، يكون الحساب بسعر الإطلاق حوالي $2.54 على QwenCloud مقابل حوالي $1.95 بالسعر المُدرج حالياً على CometAPI. قد تكون فواتير الوكلاء الفعلية أعلى لأن استدعاءات الأدوات، وإعادة المحاولة، والاستدلال الطويل، والسياقات المكررة، والخدمات الخارجية تضيف تكلفة. قارن تكلفة النتيجة المقبولة بدلاً من سعر الرموز وحده.

Qwen3.8-Flash مقابل Qwen3.8-Max مقابل DeepSeek V4 Flash

أين يتفوّق Qwen3.8-Flash

• كفاءة الحوسبة النشطة: 6B معلمات نشطة استثناءً لنموذج يحقق درجات قوية في ترميز الوكلاء والمهام متعددة الوسائط.
• قيمة منظومة Qwen: Qwen3.8-Flash أرخص بكثير من Qwen3.8-Max لأعباء العمل التي لا تحتاج إلى مستوى الرائد.
• توازن الوكلاء + المكتب: الإصدار قوي بشكل لافت على CoWorkBench وJobBench وToolathlon وSWE-bench Pro ومعايير الوكلاء متعددة الوسائط، وليس فقط أسئلة وأجوبة أكاديمية.
• مسار أوزان مفتوحة: يوفّر Qwen3.8-Flash-Next أوزاناً للفرق التي تحتاج إلى نشر محلي أو تقييم مستقل أو ضبط دقيق.

متى قد يكون نموذج آخر أفضل

• استخدم Qwen3.8-Max للحصول على ذروة قدرة Qwen. يملك Tier Max ميزانية حوسبة نشطة أكبر بكثير ومصمم لأصعب الأعمال طويلة الأفق.
• استخدم Gemini 3.7 Flash عندما تهم تغطية واسعة لوسائط الإدخال. نموذج Flash من Google يغطي صراحة الصوت والفيديو وPDF وتكاملات أدوات Google العميقة.
• استخدم DeepSeek V4 Flash عندما تكون كفاءة النص أولاً هي الأولوية. يفوز في NL2Repo-Bench في مقارنة Qwen ويظل بديلاً قوياً للترميز مع تركيز على التكلفة.
• استخدم Claude Opus 4.6 عندما يبرر الاستدلال المتميز ونضج سير العمل المؤسسي السعر. في جدول إصدار Qwen ما يزال يتصدر HLE ويبقى منافساً جداً على GPQA.

أفضل حالات الاستخدام لـ Qwen3.8-Flash

وكلاء الترميز والعمل على المستودعات

Qwen3.8-Flash ملائم بقوة لحل المشكلات، وإعادة الهيكلة، ومراجعة الكود، والتنقل في المستودعات، وتوليد الاختبارات، وإصلاح الأخطاء، وحلقات الترميز المدفوعة بالأدوات. تشير نتائجه العالية على LiveCodeBench وSWE-bench Pro إلى أنه ليس مجرد نموذج دردشة منخفض الكمون؛ بل مصمم لأعمال برمجية متعددة الخطوات.

أعمال المعرفة المؤسسية طويلة السياق

يمكن لسياق إنتاجي بحجم 1M رمز استيعاب مجموعات وثائق كبيرة، وقواعد كود، وسجلات، ومحاضر اجتماعات، أو تاريخ وكيل طويل. تجعل نتائج CoWorkBench وJobBench النموذج مثيراً للاهتمام لتجميع الوثائق، وأعمال الجداول/العروض، ودعم البحث، والمراجعة الامتثالية، والتحليل التشغيلي.

وكلاء متعددة الوسائط

تشير درجات AndroidWorld وRealWorldQA وERQA وMathVision إلى وكلاء يجب أن يفهموا لقطات الشاشة والوثائق البصرية والواجهات والمخططات والصور الواقعية كجزء من سير العمل. هذا يجعل النموذج مناسباً لوكلاء المتصفح، واختبار واجهات المستخدم، والأسئلة والأجوبة البصرية، ووكلاء الوثائق، والأتمتة الواعية بالشاشة.

التوجيه عالي الحجم

لأن Qwen3.8-Flash أرخص بكثير من النماذج الرائدة، فإن بنية عملية هي توجيه معظم حركة الإنتاج إلى Flash والتصعيد فقط للطلبات الغامضة أو عالية المخاطر أو الصعبة للغاية إلى Qwen3.8-Max أو نموذج متميز آخر. تجعل بوابات موحّدة مثل CometAPI هذا النمط من التوجيه أسهل لأن التطبيق يمكنه تبديل المزوّدين خلف عقدة API واحدة.

القيود والتحذيرات

• المعايير مُبلغ عنها من المورّد. بعضُها يستخدم أطر عمل مختارة من Qwen، أو مهام داخلية، أو إعدادات مُمكّنة بالأدوات. يبقى التحقق المستقل مهماً.
• ليست كل المعايير فوزاً. DeepSeek V4 Flash يتصدر NL2Repo-Bench في المقارنة الرسمية، وClaude Opus 4.6 يتصدر HLE.
• استخدام الحاسوب يبقى صعباً بالمطلق. يبلغ الإصدار عن نتيجة ثنائية OSWorld 2.0 بقيمة 19.4 حتى وإن كان الأداء مع الائتمان الجزئي أعلى بكثير.
• سلوك المستضاف والأوزان المفتوحة قد يختلف. العبارات النظامية، والأدوات، وإدارة السياق، والكمّ، ومكدس الخدمة، وتحديثات المزوّد يمكن أن تُبعد النتائج الواقعية عن إعداد معايير Flash-Next المنشور.
• التسعير ديناميكي. قد يُظهر إعلان الإطلاق وصفحات المُجمّع الحالية أسعاراً مرجعية مختلفة قليلاً. استخدم سعر نقطة النهاية الحي أثناء إعداد الميزانية.

كيفية استخدام Qwen3.8-Flash عبر CometAPI

يوفّر CometAPI Qwen3.8-Flash عبر نقطة نهاية متوافقة مع OpenAI، لذا يمكن عادةً لتكاملات SDK الحالية الخاصة بـ OpenAI التبديل عبر تغيير مفتاح API وعنوان الأساس ومعرّف النموذج.

لماذا استخدام CometAPI لـ Qwen3.8-Flash؟

يمنح CometAPI المطورين نقطة API موحّدة لاختبار Qwen3.8-Flash جنباً إلى جنب مع نماذج أخرى دون صيانة تكاملات مزوّدين منفصلة. هذا مفيد بشكل خاص لمقارنات المعايير، وتوجيه السقوط الاحتياطي، والاختيار المعتمد على التكلفة للنموذج.

1. أنشئ مفتاح API لـ CometAPI. ولّد مفتاحاً في لوحة تحكم CometAPI وخزّنه في متغير بيئة بدلاً من الكود المصدري.
2. استخدم عنوان الأساس الموحد. عيّن عنوان الأساس في SDK إلى https://api.cometapi.com/v1.
3. اختر النموذج. استخدم qwen3.8-flash كمعرّف النموذج.

Python

from openai import OpenAI
import os

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1",
)

response = client.chat.completions.create(
    model="qwen3.8-flash",
    messages=[
        {"role": "system", "content": "أنت مساعد ترميز دقيق."},
        {"role": "user", "content": "راجع تصميم هذا الـ API وحدد مخاطر الاعتمادية."},
    ],
)

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

cURL

curl "https://api.cometapi.com/v1/chat/completions" \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3.8-flash",
    "messages": [
      {"role": "user", "content": "لخّص المخاطر الرئيسية في خطة الانتقال هذه."}
    ]
  }' 
For production, add timeout handling, retry policy, token limits, structured output validation, and model-routing telemetry. If your workflow is agentic, track tool-call failures and accepted-task rate in addition to raw model latency.

الأسئلة الشائعة

هل Qwen3.8-Flash مفتوح المصدر؟

مسار Qwen3.8-Flash الإنتاجي هو API مستضاف. نظيره ذو الأوزان المفتوحة، Qwen3.8-Flash-Next، لديه أوزان منشورة على Hugging Face وModelScope. “أوزان مفتوحة” هو المصطلح الأدق لأن حقوق الاستخدام تعتمد على ترخيص النموذج.

ما هي نافذة سياق Qwen3.8-Flash؟

يدعم النموذج المفتوح 262,144 رمزاً أصلياً ويمكن تمديده إلى 1,000,000 بواسطة YaRN. تقول Alibaba إن خدمة Qwen3.8-Flash الإنتاجية تستخدم سياق 1M افتراضياً.

كم عدد المعلمات في Qwen3.8-Flash؟

الإصدار يحتوي على نموذج رئيسي بـ 125B معلمة، و51B معلمات تضمينات N-gram، و6B معلمات مفعّلة لكل رمز. عدد المعلمات النشطة المنخفض مركزي في تصميم كفاءته.

هل يدعم Qwen3.8-Flash الصور؟

نعم. الإصدار متعدد الوسائط، ومكدس النشر ذو الأوزان المفتوحة يدعم النص والرؤية، وأمثلة التكامل الرسمية تُدرج مدخلات نص وصورة للنموذج المستضاف. قد تختلف مجموعات الوسائط عبر أسطح مزوّد محددة، لذا تحقق من صفحة قدرات API الحالية قبل النشر.

هل Qwen3.8-Flash أفضل من Qwen3.8-Max؟

ليس دائماً. Qwen3.8-Flash هو الخيار الأفضل عندما تهم الزمنية والحوسبة النشطة والسعر. Qwen3.8-Max هو الخيار الرائد لأصعب المهام طويلة الأفق وقيمة عالية. يمكن لنظام توجيه استخدام كليهما.

كم تكلفة Qwen3.8-Flash؟

أعلنت Alibaba عن $0.16/M لرموز الإدخال و$0.47/M لرموز الإخراج لـ QwenCloud عند الإطلاق. يعرض CometAPI حالياً تقريباً ‎$0.12/M للإدخال و‎$0.376/M للإخراج. تحقق من الأسعار الحية لأن معدلات المزوّد والمجمّع قد تتغيّر.

الخلاصة

Qwen3.8-Flash أحد أوضح أمثلة التحول الحالي من “نموذج أكبر” إلى “اقتصاديات نظام أفضل.” يبدو عمودُه الفقري الرئيسي 125B كبيراً على الورق، لكن النموذج يُفعّل فقط 6B معلمات لكل رمز ويضيف سعة عبر تضمينات N-gram بأسلوب البحث. تدفع QSA وGated Residual وتوجيه MoE متناثر للغاية وتصميم خدمة موجّه للسياق الطويل جميعها في الاتجاه نفسه: تقديم قدرات ترميز وكيل ومتعددة الوسائط دون تكلفة استدلال بمستوى النماذج الرائدة.

نتائج الإصدار مُقنعة بشكل خاص لهندسة البرمجيات، ووكلاء المكتب، واستخدام الأدوات، وسير العمل البصري. في الوقت نفسه، النموذج ليس متفوقاً بشكل موحّد: DeepSeek V4 Flash يفوز في معيار توليد المستودع في جدول Qwen الخاص، وClaude Opus 4.6 يبقى أقوى على HLE، وQwen3.8-Max ما يزال فئة Qwen الأعلى قدرة.

بالنسبة للمطورين، الخطوة العملية التالية هي تقييم Qwen3.8-Flash على المهام الواقعية ومقارنة تكلفة النتيجة المقبولة ضد Gemini 3.7 Flash وDeepSeek V4 Flash والنماذج الممتازة في نظام التوجيه لديك. يوفّر CometAPI واجهة متوافقة مع OpenAI لهذا النوع من الاختبار متعدد النماذج والنشر.