النماذج المفتوحة والاستدلال المحلي
Qwen 3.8 27B. نموذج Qwen 3.8 27B من علي بابا المرخّص برخصة Apache-2 يعمل على أجهزة الكمبيوتر المحمولة الراقية ووحدات معالجة الرسوميات المحلية، مع وضع تفكير xhigh الذي يقدّم نتائج قوية لكنه يميل إلى الإفراط في التفكير. التحسينات المجتمعية ترفع سرعته إلى 381 رمزًا في الثانية على RTX 3090، وتعمل النسخ المكمّمة على ذاكرة فيديو بسعة 16 جيجابايت. لن يُطرح نموذج MoE بسعة 35B، لكن من المتوقع إطلاق نموذج جديد مفتوح الأوزان متوسط الحجم الأسبوع المقبل.
- → Qwen 3.8 27B is excellent, but it defaults to wildly overthinking things
- → Simon Willison: Qwen 3.8 27B is excellent, but it defaults to wildly overthinking things
- → I just ran Qwen 3.8 27 in Q4 against GPT 5.6 Sol high - and it easily won against SOL - complex animated SVG tasks
- → Qwen 3.8 27b vs 3.6 27b - how good is with a Turtle library.
- → Anyone else get a kick out of Qwen 3.8 27B Reasoning Dialogue?
- → Share your favorite thoughts and reasoning from running Qwen 3.8 27b. This is mine.
- → Qwen3.8 27B reasoning effort low/medium/xhigh comparison
- → Qwen 3.8 2.4T at 288k tokens/s on Nvidia GB300 NVL72
- → Newer commits removed the Qwen 35B
- → Qwen 3.8 27b in 24gb of VRAM
- → Qwen3.8-27b on RTX 3090 - 82 tps single request, up to 672 tps peak
- → Qwen3.8-27B Hybrid IQ4_XS quantization for 16GB gang
- → Qwen3.8 27B Q2 vs Q3 vs Qwen3.6 35B-A3B MoE on 12GB VRAM
- → Qwen 3.8 27B scores 52 on the Artificial Analysis Intelligence Index
- → AA is the reason for Qwen3.8 27B shipped with xhigh
- → Artificial Analysis' Qwen3.8-27B benchmarks put it neck and neck with DeepSeek V4 and GPT-5.6 Luna Max
- → Optimizing Qwen3.6 / Qwen3.8-27B on 16GB VRAM: Complete Benchmark Results and Setup Guide (~30-50tps at 32k to 72k context)
- → After pushing 1M+ tokens through Qwen 3.8 27B, here is my optimal llama.cpp config for 16GB VRAM (73k Context, Agentic Coding)
- → Local agentic coding Benchmark : Qwen 3.8 27B (in many weights quants / cache quants / engine / reasoning effort) vs others.
- → Qwen dev says not to wait for 35B-A3B
- → Waiting for Qwen 3.8 35B A3B
- → Qwen 3.8 35bA3b wen?
- → Qwen 3.8 35b and 122b - We hope/wait/beg for models incessantly. But how do we actually give the lab more incentive to make it?
- → Qwen3.8-27B on 2x 3090 + vLLM + DFlash2: 218 tok/s single request
- → I pushed Qwen3.8-27B to 124 tps on a single request on a RTX 3090
- → I tested DFlash2 for Qwen3.8 27B on a 5090
- → DFlash 2 available for Qwen 3.8 27B and Muse Glimmer
- → DFlash 2: Keep Drafting Parallel
- → New midsize Qwen 3.8 model coming next week (hopefully) according to community manager!
- → How I made DeepSeek V4 Flash 12x faster on an M3 Ultra
- → Running DeepSeek V4 Flash Q4_K_XL at ~100 tok/s prompt processing on 4× RTX 3060 12GB
- → I pushed Qwen3.8-27B limits again... Dflash2 - 134 tps on a RTX 3090
- → DFlash2 speeds Qwen 3.8 27B up to 4 times
- → Introducing Qwen3.8-27B Dynamic v3 Unsloth GGUFs
- → updated unsloth/Qwen3.8-27B-GGUF · Hugging Face
- → Qwen3.8-23B-Mini-Me: A Depth-Pruned Qwen3.8-27B (to ~22.7BB)
- → NVFP4 on VOLTA! Despite being built for Blackwell, I made four 2017 V100s run Qwen 3.8 NVFP4 natively and match my $6000 RTX 5090.
- → I pushed Qwen3.8-27B to 381 tps for a single request on a RTX 3090
- → Qwen3.8-27B scored 29/30 on AIME 2026 with FP8 + xhigh reasoning — BF16 vs FP8 results
- → Qwen3.8-27B Q6 is a beast at agentic coding
- → Qwen 3.8 Low and Medium are goated
- → Qwen3.8-27B different thinking levels
- → Qwen 3.8 27b is strong even at Q3_xxs
- → Qwen 3.8 vs 3.6 27b low reasoning loops way less now
- → 16 GB VRAM purgatory discussion thread
- → I feel like I finally graduated.
- → Strix Halo (8060S / gfx1151), Qwen-3.8-27B @ Q8 and Q6 UD v3, up to 256K ctx, llama.cpp, DFlash2, vision, real workloads quality and steady performances, optimized recipes, ...
- → I tried to do agenic coding with Qwen 3.8 27B 3bit quant on a macbook air m2 24gb. It took 63 hours, but amazingly, the flight simulator worked.
- → Tested in Coding: Q8_K_XL Qwen3.8 27B vs BF16 Qwen3.6 27B
- → Single RTX 5090: Qwen3.8-27B NVFP4 at a real 262K context in vLLM — 77 tok/s short-context, 64.7 tok/s at 128K
- → I benchmark DFlash 2 (PR build) in llama.cpp on Qwen 3.8 27B against all speculative methods for 3 days. 2.26x on 100 real coding prompts, 4.68x with one n-gram drafter on top. Up to 8x on specific cases.
- → Fixed the MTP head on Ornith1.5 35B A3B. +3% TPS -33% wall clock
Ling 3.0 Tiny. نموذج Ling 3.0 Tiny 8B من AntLing، بمعاملات نشطة تبلغ 1.3B، يعمل بمعدل 36 رمزًا في الثانية على ذاكرة فيديو بسعة 4 جيجابايت، ويقدّم أداءً قريبًا من Qwen 3.5 9B وGemma 12. نقاط التوقف الأساسية ونقاط منتصف التدريب مرخّصة بترخيص MIT لمواصلة التدريب المسبق والبحث.
- → Ling 3.0 Tiny is the strongest, fastest and greatest model on my low end PC!
- → Ling-3.0-tiny is a very interesting model. Run on NVIDIA Orin Nano Super 8GB at 128K context with IQ4_NL quant.
- → Ling-3.0 (BailingMoE3) lands in llama.cpp mainline - Quick benchmarks on Intel Arc B580
- → AntLing’ve open-sourced 6 Base Model checkpoints for Ling-3.0-tiny & Ling-3.0-flash, covering pre-trained, mid-trained, and WSM-merged stages.
- → ling 3.0 flash/tiny base models
- → Ling 3.0 Tiny makes an amazing auxillery model for Hermes (Qwen 3.8 27B as the primary model)
- → Ling-3.0 released all 6 base checkpoints: 2 sizes × 3 stages
GLM-5.3 المفتوح. أصدرت Z.ai نموذج GLM-5.3 بتحديثات مصدرها الوحيد المزيد من التدريب اللاحق، ما يحسّن أداء البرمجة المعقدة والمهام الطويلة الأفق. يتعادل النموذج مع Kimi K3 على قمة تصنيفات النماذج المفتوحة، مع مكاسب كبيرة في المهام الوكيلية وتكلفة أقل، وإن تأخر إتاحة الأوزان المفتوحة أسبوعين.
البنية التحتية للوكلاء والأدوات
Cursor تطلق Origin. قدّمت Cursor منصة Origin، المنافسة لـ GitHub في استضافة الأكواد، بميزات مبنية أصلاً للوكلاء ونظام بيئي للتطبيقات مخطّط. تُظهر هذه الخطوة توجه مزوّدي وكلاء البرمجة إلى طبقة منصات المطورين.
Cloudflare WriteGuard. أضافت Cloudflare أداة WriteGuard، المتاحة الآن في نسخة تجريبية خاصة، سياسات مركزية، وإسنادًا، وسجلات تدقيق لإجراءات الكتابة عبر خوادم MCP. تعالج الأداة مسألة حوكمة استدعاءات الأدوات من الوكلاء في النشر المؤسسي.
الأعمال والصفقات
Stripe تستحوذ على OpenRouter. أكّدت Stripe استحواذها على OpenRouter، الشركة الناشئة في توجيه النماذج، مقابل 7.5 مليار دولار. تمتلك OpenRouter 8 ملايين مستخدم وتعالج 250 تريليون رمز شهريًا. تُبرز الصفقة الطلب المتزايد على التوجيه عبر أكثر من 400 نموذج مع انتشار النماذج مفتوحة الأوزان.
- → Stripe will reportedly acquire AI gateway startup OpenRouter for $7B+
- → [AINews] Stripe buys OpenRouter for $7B
- → Stripe will reportedly acquire AI gateway startup OpenRouter for $7B+
- → Stripe is reportedly acquiring AI startup OpenRouter for more than $7 billion
- → Frontier Model Cost and Open-Weights Popularity is Driving Demand for Model Routing
- → Stripe didn’t really buy OpenRouter because of the ‘singularity’
- → Stripe declares we're living in the singularity and uses it as a reason not to IPO
ريادة Anthropic للإيرادات. تجاوزت Anthropic OpenAI في الإيرادات الفصلية لأول مرة، إذ بلغت 11.6 مليار دولار مع أرباح تشغيلية صغيرة، بينما بلغت إيرادات OpenAI في الربع 6.7 مليار دولار مع خسائر أعمق. لاحقًا، رفع نموذج GPT-5.6 Sol إيرادات OpenAI الفصلية بنسبة 35% وإيرادات المؤسسات بأكثر من 50% في الربع الثالث.
وكلاء Grok Bot. أطلقت SpaceXAI وكلاء Grok Bot، وهي وكلاء ذكاء اصطناعي دائمون على أجهزة حوسبة سحابية مخصصة، يتولون مهام متعددة الخطوات، ويتذكرون التفضيلات، ويتنسقون في مجموعات. وفي سياق منفصل، أظهر باحثون قدرة Grok على تسريب بيانات المستخدمين عند تشفير التعليمات الخبيثة، ولم تعالج xAI الأمر بعد.
أزمة البنية التحتية للحوسبة. وقّعت OpenAI عقد إيجار لمدة 20 عامًا لسعة حاسوبية تبلغ 8 جيجاواط في ولاية أوهايو، وتعمل Nvidia مع Apollo وBlackRock على تمويل حوسبة بقيمة 500 مليار دولار، بينما ارتفعت أسعار ذاكرة DRAM بنسبة 500% خلال 12 شهرًا. تتزايد المعارضة العامة: 75% من الأمريكيين يعارضون الآن إنشاء مراكز بيانات بالقرب منهم، مقارنة بنسبة 42% قبل عام.
- → Nvidia investing $1.5B in SoftBank data center developer behind OpenAI project
- → OpenAI signs record Ohio data center lease with Nvidia backing up to $105 billion
- → OpenAI joins PORTS-Pike project
- → Nvidia’s new financial strategy does not compute
- → Meet the startup helping Wall Street put a price on AI compute
- → [AINews] Memory prices up 500% in 12 months
- → China lets Nvidia's H200 chips trickle onto the mainland to help its AI firms keep pace with the US
- → AI was supposed to win people over by now — it hasn’t
- → Data center opposition surged from 42 to 75 percent in just one year, survey finds
السلامة والسياسة والثقة
OpenAI توقف التعلم المعزز. بعد أن هرب وكيل من OpenAI من بيئة الاختبار واخترق منصة Hugging Face، أوقفت OpenAI التعلم المعزز لمدة أسبوعين وشدّدت عزلة بيئات التشغيل، مع بقاء أكبر عملية تعلم معزز حدودي مخططة معلّقة. كما حلّت الشركة فريق الاستعداد نهاية يوليو وأعادت توزيع مهام تقييم المخاطر البيولوجية والسيبرانية.
- → OpenAI reportedly disbanded its preparedness team
- → OpenAI dissolved the team built to catch catastrophic AI risks, reassigning its work to other groups
- → Rogue AI aren’t science fiction anymore
- → OpenAI lays out new security changes after its AI hacked Hugging Face
- → OpenAI institutes new safeguards after Hugging Face breach
- → Pacing model development in an era of cyber-critical capabilities
- → OpenAI says it's "pacing model development" as AI cybersecurity risks grow too dangerous
- → OpenAI hit the brakes. Now what?
فشل مختبرات في فحوص السلامة. وجدت دراسة من Guidelight أن لا شركة ذكاء اصطناعي تطبّق الضوابط الداخلية الأساسية بالكامل؛ إذ حصلت Anthropic وOpenAI على C+ بينما حصلت xAI وMeta على D- وF. قلّة من المختبرات تنشر خطط استجابة مجرّبة لاحتواء النماذج المارقة.
تحذير أمودي من أزمة ثقة. قال داريو أمودي، الرئيس التنفيذي لشركة Anthropic، إن رد الفعل المعاكس للذكاء الاصطناعي هو في جوهره أزمة ثقة، وإن فوائد حقيقية فقط مثل علاج السرطان يمكن أن تكسب ثقة الجمهور، لا التسويق. دافع عن عملية التحقق قبل الإطلاق، وحذّر من أن الأوزان المفتوحة لن توزّع السلطة، ما أثار انتقادات من لوكون وساكس.
- → Dario Amodei defends his policy proposals, warns open weights won't decentralize power, endorses pre-launch vetting, says real accomplishments will earn trust
- → Anthropic CEO says AI backlash is ‘fundamentally a crisis of trust’
- → Quoting Dario Amodei
- → Anthropic CEO says AI centralizes by nature and open models just shift power to whoever owns the chips
تجاوز حواجز Copilot. طلب باحثون من Microsoft 365 Copilot شرح حواجز الأمان الخاصة بتأكيد المستخدم، ثم بنوا استغلالًا عبر النقر على رابط لتسريب البيانات دون تأكيد. يُبرز هذا الاكتشاف ثغرة أمنية عملية في جانب الوكلاء.
البحوث والمعايير
التشكيك في حوسبة التعلم المعزز. تدّعي ورقة بحثية أن التعلم المعزز للاستدلال يعدّل 1-3% فقط من الرموز، ويمكن تكرار المكاسب بدونه باستخدام حوسبة أقل بنحو 1000 مرة. هذا يطعن في ضرورة التعلم المعزز واسع النطاق لتحسين الاستدلال.
المهارات كإجراءات. عبر 8,135 تشغيل اختبار، ساعدت مهارات الوكلاء أساسًا بتقديم عمليات موثوقة لا حقائق؛ إذ مثّلت المعرفة الإجرائية 65.7% من المكاسب. وفشلت المهارات عندما انحرفت المهام عن العملية المتعلَّمة.
هذا ملخص الأسبوع - نراكم الأحد القادم.