Hugging Face у нас вдома (в Китаї) – ModelScope тизерить новий qwen3.8-next-flash
ModelScope оприлюднила тизер нової моделі qwen3.8-next-flash, що належить до сімейства Qwen4 і може бути мультимодальною MoE. Це вказує на розвиток відкритих мультимодальних моделей, що може зменшити витрати компаній на генерацію контенту та аналіз даних.
🔬 Цікаво, але рано. Для експериментів з мультимодальними ШІ — чекайте офіційного релізу та оцінки ресурсів.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •ModelScope (платформа Alibaba) оприлюднила тизер нової моделі qwen3.8-next-flash.
- •За даними тизеру, модель може бути мультимодальною MoE на архітектурі qwen4.
- •Оціночна розмір: 125 мільярдів A6b + 51 мільярд ngram ембеддінгів, можлива нативна підтримка відео.
- •Джерело: анонс також присутній на Hugging Face, проте деталі не перекладено.
- •Ліцензія та дата релізу ще не оголошені.
Як це змінить ваш ринок?
Для медіа- та маркетингових компаній доступна відкрита мультимодельна модель може зменшити залежність від закритих API, таких як GPT‑4o або Claude, знижаючи витрати на генерацію тексту, зображень і відео. Якщо модель вийде з ліцензією типу Apache 2.0, це дозволить локально розгортати її на власних серверах, покращуючи конфіденційність даних.
Додатково, можливість локального запуску великих мультимодельних моделей може стимулювати інновації в галузі програмного забезпечення, де розробники створюють власні інструменти для автоматизації контент‑маркетингу, аналізу мультимедіа та створення інтерактивних додатків без потреби передавати дані третім сторонам.
Визначення: Мультимодальна модель — це штучний інтелект, який здатний одночасно обробляти та генерувати різні типи даних, такі як текст, зображення, аудіо та відео, у єдиному просторі представлень.
Для кого це і за яких умов
Для експериментів з мультимодальними ШІ потрібна робоча станція з GPU не менше 24 ГБ (для варіантів до 27 Б) або доступ до хмарних інстансів типу A100 40 ГБ. Якщо планується fine‑tuning або інференс на великих обсягах даних, рекомендується мати доступ до кластера з кількома GPU або бюджет на хмарні ресурси приблизно $0,50‑$1,00 за годину GPU‑часу.
Кроме того, потрібна команда з досвідом роботи з framework‑ами типу PyTorch або TensorFlow, знанням технік квантування та оптимізації інференсу, а також час на тестування та інтеграцію — від kilku днів до тижня, залежно від досвіду та наявності документації.
Альтернативи
| Продукт | Ціна | Де працює | Мін. вимоги | Ключова різниця |
|---|---|---|---|---|
| Qwen2.5-72B | дані не розкриті | Hugging Face, локально | GPU 48 ГБ | Менший розмір, без заявленої відео‑підтримки |
| Llama 3 70B | дані не розкриті | Hugging Face, локально | GPU 80 ГБ | Ліцензія з обмеженнями на комерційне використання |
| Mistral Large | $2/1 млн токенів | API (Mistral) | Інтернет‑з’єднання | Закрита модель, доступна лише через хмарний API |
| GPT‑4o | $2,50/1 млн токенів | OpenAI API | Інтернет‑з’єднання | Проприєтарна, високі затрати, але найвища загальна язкова здатність |
| Stable Diffusion XL + LLM pipeline | варьируется (зазвичай безкоштовно для базової версії) | Hugging Face, локально | GPU 24 ГБ + додаткові ресурси для LLM | Розділена архітектура: окрема модель для зображень та окрема для тексту, що може збільшити складність пайплайну |
💬 Часті запитання
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
Джерела
Derp Learning — оригіналНавчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live