مدل‌ها

Qwen چیست؟ معرفی کامل مدل هوش مصنوعی کوئن و بررسی Qwen 3.6

Qwen خانواده مدل‌های هوش مصنوعی علی‌بابا برای تولید متن، تحلیل تصویر، برنامه‌نویسی و انجام کارهای چندمرحله‌ای است. در این راهنما با Qwen 3.6، کاربردها، نسخه‌ها و روش انتخاب مدل مناسب آشنا می‌شوید.

Qwen چیست؟

Qwen که در فارسی معمولاً «کوئن» نوشته می‌شود، خانواده‌ای از مدل‌های هوش مصنوعی توسعه‌یافته توسط تیم Qwen در شرکت Alibaba است.

این خانواده فقط شامل یک چت‌بات یا مدل تولید متن نیست. اکوسیستم Qwen مدل‌ها و ابزارهای مختلفی برای کاربردهای زیر ارائه می‌کند:

تولید و بازنویسی متن
پاسخ‌گویی به سؤال
خلاصه‌سازی اسناد
ترجمه
استدلال و حل مسئله
برنامه‌نویسی
تحلیل تصویر
درک فایل و نمودار
پردازش صوت
تولید گفتار
تولید و ویرایش تصویر
ساخت AI Agent
استفاده از ابزارهای خارجی
اجرای مدل روی سرور شخصی

مدل‌های Qwen طیف متنوعی دارند؛ از مدل‌های کوچک که می‌توان آن‌ها را روی سخت‌افزار محدودتر اجرا کرد تا مدل‌های بزرگ‌تر که برای کارهای پیچیده، برنامه‌نویسی و فعالیت‌های Agentic طراحی شده‌اند.

جدیدترین خانواده عمومی معرفی‌شده در مخزن رسمی Qwen، سری Qwen 3.6 است. براساس مخزن رسمی Qwen 3.6، این نسل در ادامه Qwen 3.5 عرضه شده و بیشتر بر پایداری، کاربردهای واقعی، برنامه‌نویسی Agentic و حفظ بهتر مسیر استدلال در مکالمات طولانی تمرکز دارد.

نام Qwen چگونه تلفظ می‌شود؟

در محتوای فارسی معمولاً شکل‌های مختلفی از این نام دیده می‌شود:

Qwen
کوئن
کیوِن
هوش مصنوعی علی‌بابا
چت‌بات Qwen

برای سئو و خوانایی بهتر می‌توان در اولین استفاده نوشت:

Qwen (کوئن)

پس از آن استفاده از نام انگلیسی Qwen مناسب‌تر است؛ زیرا کاربران معمولاً نام مدل‌ها را به انگلیسی جست‌وجو می‌کنند.

Qwen متعلق به کدام شرکت است؟

Qwen توسط تیم هوش مصنوعی Alibaba Group توسعه داده می‌شود. این مدل در برخی محصولات و زیرساخت‌های ابری Alibaba نیز ارائه شده است، اما نسخه‌های Open-weight آن از طریق پلتفرم‌هایی مانند Hugging Face و ModelScope در دسترس توسعه‌دهندگان قرار می‌گیرند.

Open-weight بودن به این معناست که وزن‌های بعضی نسخه‌های مدل منتشر شده‌اند و توسعه‌دهندگان می‌توانند آن‌ها را دانلود و روی زیرساخت خود اجرا کنند.

این ویژگی Qwen را به گزینه‌ای مهم برای تیم‌هایی تبدیل می‌کند که می‌خواهند:

مدل را روی سرور خود اجرا کنند.
کنترل بیشتری روی زیرساخت داشته باشند.
مدل را برای کاربرد مشخصی بهینه کنند.
از یک مدل چندزبانه استفاده کنند.
اپلیکیشن خود را به یک ارائه‌دهنده واحد محدود نکنند.
میان مدل ابری و مدل Self-hosted انتخاب داشته باشند.

Qwen 3.6 چیست؟

Qwen 3.6 نسل جدید مدل‌های Qwen است که پس از سری Qwen 3.5 منتشر شد. این نسل برای ارائه عملکرد بهتر در استفاده‌های واقعی، برنامه‌نویسی و اجرای فرایندهای طولانی طراحی شده است.

دو نسخه Open-weight مهم معرفی‌شده از این خانواده عبارت‌اند از:

Qwen3.6-27B
Qwen3.6-35B-A3B

نسخه ۲۷ میلیارد پارامتری یک Dense Model است؛ یعنی تمام بخش‌های اصلی مدل هنگام پردازش فعال هستند.

نسخه 35B-A3B از معماری Mixture of Experts استفاده می‌کند. حرف A در نام این مدل به تعداد تقریبی پارامترهای فعال اشاره دارد. بنابراین مدل در مجموع حدود ۳۵ میلیارد پارامتر دارد، اما برای پردازش هر Token فقط بخشی از آن‌ها فعال می‌شوند.

برای کاربران عمومی، دانستن جزئیات معماری ضروری نیست. تفاوت عملی این دو رویکرد را می‌توان ساده‌تر بیان کرد:

مدل Dense معمولاً رفتار قابل پیش‌بینی‌تر و استقرار ساده‌تری دارد.
مدل MoE تلاش می‌کند توانایی مدل بزرگ‌تر را با مصرف محاسباتی کمتر ارائه کند.
عملکرد واقعی به سخت‌افزار، نرم‌افزار اجرا، Quantization و نوع وظیفه بستگی دارد.

قابلیت‌های مهم Qwen 3.6

تولید و درک متن

Qwen می‌تواند متن تولید کند، به سؤال پاسخ دهد، محتوا را بازنویسی کند و اطلاعات طولانی را سازمان دهد.

برای مثال می‌توان از آن خواست:

متن زیر را برای یک مخاطب عمومی بازنویسی کن.

شرایط:
زبان فارسی روان باشد.
جمله‌ها کوتاه باشند.
اصطلاحات پیچیده توضیح داده شوند.
معنای اصلی تغییر نکند.

متن:
[متن موردنظر]

تحلیل تصویر

Qwen 3.6 فقط یک مدل Text-to-Text نیست. نسخه رسمی Qwen3.6-27B دارای Vision Encoder است و می‌تواند تصویر و متن را هم‌زمان پردازش کند.

در Model Card رسمی Qwen 3.6 27B، نمونه استفاده از ورودی ترکیبی تصویر و متن ارائه شده است.

کاربردهای تحلیل تصویر شامل موارد زیر هستند:

توضیح محتوای تصویر
خواندن اطلاعات یک نمودار
بررسی اسکرین‌شات نرم‌افزار
استخراج نکات از اینفوگرافیک
مقایسه دو تصویر
پاسخ‌گویی درباره عناصر موجود در تصویر
تحلیل رابط کاربری
بررسی عکس محصول

نمونه پرامپت:

این تصویر را بررسی کن و خروجی را در چهار بخش ارائه بده:

۱. توضیح کلی تصویر
۲. متن‌ها و اعداد قابل مشاهده
۳. مهم‌ترین نکات
۴. بخش‌هایی که واضح نیستند

هیچ اطلاعاتی را که در تصویر وجود ندارد حدس نزن.

برنامه‌نویسی

یکی از حوزه‌های مورد توجه Qwen 3.6، برنامه‌نویسی Agentic است. در این نوع برنامه‌نویسی، مدل فقط یک قطعه کد کوتاه تولید نمی‌کند؛ بلکه باید ساختار پروژه را درک کند، چند فایل را بررسی کند، تغییرات مرتبط را تشخیص دهد و یک وظیفه چندمرحله‌ای را دنبال کند.

براساس توضیحات رسمی Qwen، نسخه 3.6 در زمینه‌های زیر بهبود یافته است:

درک Repository
برنامه‌نویسی Front-end
انجام تغییرات چندفایلی
دنبال‌کردن وظایف طولانی
حفظ Context در فرایندهای تکرارشونده
همکاری با ابزارهای برنامه‌نویسی
استفاده در Coding Agentها

نمونه درخواست کاربردی:

این پروژه React را بررسی کن.

هدف:
اضافه‌کردن قابلیت جست‌وجو به فهرست محصولات

قبل از نوشتن کد:
ساختار پروژه را توضیح بده.
فایل‌هایی را که باید تغییر کنند مشخص کن.
ریسک‌های احتمالی را بنویس.
یک برنامه اجرایی مرحله‌به‌مرحله ارائه بده.

سپس تغییرات را فایل‌به‌فایل پیشنهاد کن.

Context طولانی

Context Window مشخص می‌کند مدل چه مقدار اطلاعات را می‌تواند در یک درخواست یا مکالمه پردازش کند.

براساس Model Card رسمی، Qwen3.6-27B به‌صورت Native از Context برابر ۲۶۲٬۱۴۴ Token پشتیبانی می‌کند و در شرایط خاص می‌توان آن را تا حدود یک میلیون Token گسترش داد.

Context طولانی برای کارهای زیر مفید است:

بررسی چند سند
تحلیل یک گزارش بلند
کار با Repository بزرگ
مقایسه قراردادها یا پیشنهادها
خلاصه‌کردن کتاب
نگهداری تاریخچه مکالمه طولانی
پردازش مجموعه‌ای از گزارش‌ها
استخراج اطلاعات از اسناد متعدد

بااین‌حال، Context بزرگ‌تر همیشه به معنی پاسخ بهتر نیست. ارسال اطلاعات نامرتبط می‌تواند مدل را سردرگم کند و هزینه پردازش را افزایش دهد.

بهتر است فقط اطلاعات لازم را وارد کنید و درخواست خود را دقیق بنویسید.

Thinking یا استدلال قبل از پاسخ

Qwen 3.6 به‌طور پیش‌فرض می‌تواند قبل از تولید پاسخ نهایی، فرایند استدلال داخلی داشته باشد. این قابلیت برای وظایف پیچیده مانند برنامه‌ریزی، ریاضی، تحلیل و کدنویسی مفید است.

برای کارهای ساده، استفاده از پاسخ مستقیم معمولاً سریع‌تر و کم‌هزینه‌تر خواهد بود.

به‌صورت کاربردی:

برای نوشتن یک کپشن کوتاه، Thinking عمیق ضروری نیست.
برای تحلیل یک مسئله چندمرحله‌ای، Thinking می‌تواند مفید باشد.
برای طبقه‌بندی تعداد زیادی متن، پاسخ مستقیم مناسب‌تر است.
برای اصلاح یک پروژه نرم‌افزاری بزرگ، مدل استدلالی انتخاب بهتری است.

حفظ Thinking در مکالمات طولانی

یکی از ویژگی‌های معرفی‌شده برای Qwen 3.6، Thinking Preservation است. این قابلیت برای مکالمات و وظایفی مفید است که مدل باید در چند مرحله روی یک مسئله کار کند.

فرض کنید مدل ابتدا ساختار یک پروژه را بررسی می‌کند، سپس خطا را پیدا می‌کند و بعد چند بار کد را اصلاح می‌کند. حفظ بهتر Context استدلال می‌تواند از تکرار بیهوده تحلیل‌ها جلوگیری کند.

این قابلیت بیشتر برای توسعه‌دهندگان و سازندگان Agent اهمیت دارد، اما اثر آن برای کاربر نهایی می‌تواند به‌شکل پاسخ‌های منسجم‌تر در فرایندهای طولانی دیده شود.

خانواده مدل‌های Qwen شامل چه مدل‌هایی است؟

Qwen یک مدل واحد نیست. این اکوسیستم چند خانواده تخصصی دارد.

Qwen 3.6

نسل جدید مدل‌های عمومی Qwen با تمرکز ویژه بر Coding، Vision، Agent و انجام وظایف طولانی.

Qwen 3.5

نسل قبلی مدل‌های Multimodal که در اندازه‌های متنوع عرضه شد. براساس اطلاعات رسمی Qwen، این سری نسخه‌هایی از کمتر از یک میلیارد تا مدل‌های بسیار بزرگ Mixture of Experts دارد.

Qwen Coder

مدل‌های تخصصی برای برنامه‌نویسی، تولید کد، توضیح کد و استفاده در Coding Agentها.

Qwen-VL

خانواده Vision-Language برای ترکیب تصویر و متن. این مدل‌ها می‌توانند درباره تصاویر، اسکرین‌شات‌ها، اسناد و نمودارها پاسخ دهند.

Qwen Omni

مدل‌های Omni برای پردازش چند نوع ورودی مانند متن، تصویر، صوت و ویدئو طراحی شده‌اند. Qwen3-Omni می‌تواند ورودی‌های مختلف را درک کند و پاسخ متنی یا گفتاری ارائه دهد. این قابلیت در مخزن رسمی Qwen3-Omni معرفی شده است.

Qwen Image

خانواده مدل‌های تولید و ویرایش تصویر. نسخه Qwen-Image 2.0 برای تولید تصویر، طراحی پوستر، اینفوگرافیک، متن درون تصویر و ویرایش تصویری توسعه یافته است. جزئیات این خانواده در مخزن رسمی Qwen-Image منتشر شده است.

Qwen TTS

مدل‌های Text-to-Speech یا تبدیل متن به گفتار. Qwen3-TTS برای تولید گفتار، طراحی صدا و کنترل ویژگی‌های صوتی ارائه شده است.

Qwen ASR

مدل‌های Automatic Speech Recognition برای تبدیل صوت به متن، تشخیص زبان و پردازش گفتار.

Qwen Code

Qwen Code یک Coding Agent متن‌باز است که در محیط Terminal اجرا می‌شود. این ابزار می‌تواند Repository را بررسی کند، فایل‌ها را تغییر دهد و در انجام وظایف برنامه‌نویسی کمک کند.

Qwen Code با مدل Qwen تفاوت دارد:

Qwen نام خانواده مدل‌ها است.
Qwen Code یک ابزار و Agent برنامه‌نویسی است که از مدل‌های هوش مصنوعی استفاده می‌کند.

Qwen برای چه کارهایی مناسب است؟

تولید محتوای فارسی

Qwen را می‌توان برای تولید پیش‌نویس مقاله، کپشن، توضیحات محصول و متن تبلیغاتی آزمایش کرد.

نمونه پرامپت:

برای یک فروشگاه اینترنتی لوازم سفر، توضیحات محصول بنویس.

محصول:
کوله‌پشتی لپ‌تاپ ضدآب

مخاطب:
دانشجو، کارمند و مسافر

خروجی شامل این بخش‌ها باشد:
عنوان محصول
توضیح کوتاه
توضیح کامل
۵ مزیت اصلی
۳ کاربرد واقعی
دعوت به اقدام

لحن حرفه‌ای و طبیعی باشد.
از ادعاهای اغراق‌آمیز استفاده نکن.

خلاصه‌سازی اسناد

این گزارش را خلاصه کن.

خروجی شامل:
خلاصه اجرایی
مهم‌ترین یافته‌ها
اعداد کلیدی
مشکلات اصلی
راهکارهای مطرح‌شده
اقدامات بعدی

اگر اطلاعاتی در متن وجود ندارد، آن را حدس نزن.

برنامه‌ریزی پروژه

برای راه‌اندازی یک فروشگاه اینترنتی کوچک، برنامه اجرایی ۳۰ روزه بنویس.

شرایط:
تیم دو نفره است.
بودجه محدود است.
محصولات از قبل آماده‌اند.
فروش از طریق سایت و اینستاگرام انجام می‌شود.

برنامه را هفته‌به‌هفته تنظیم کن.
برای هر کار، اولویت، مسئول پیشنهادی و خروجی مورد انتظار را مشخص کن.

تحلیل بازخورد مشتریان

نظرات مشتریان را بررسی و دسته‌بندی کن.

برای هر دسته مشخص کن:
موضوع اصلی
تعداد تقریبی نظرات
احساس مثبت، منفی یا خنثی
مشکل یا درخواست مشتری
اقدام پیشنهادی

در پایان سه اقدام دارای بیشترین اولویت را معرفی کن.

نظرات:
[فهرست نظرات مشتریان]

ساخت ارائه

برای معرفی یک محصول نرم‌افزاری، ارائه‌ای ۱۰ اسلایدی طراحی کن.

مخاطب:
مدیران کسب‌وکارهای متوسط

هدف:
دریافت جلسه دمو

برای هر اسلاید بنویس:
عنوان
حداکثر ۴ نکته کوتاه
پیشنهاد تصویر یا نمودار
یادداشت سخنران

اسلاید آخر یک دعوت به اقدام روشن داشته باشد.

یادگیری و آموزش

مفهوم زیر را به من آموزش بده:

[موضوع]

روش آموزش:
ابتدا با زبان ساده توضیح بده.
سپس یک مثال روزمره بزن.
بعد یک مثال تخصصی ارائه کن.
سه اشتباه متداول را توضیح بده.
در پایان پنج سؤال تمرینی بنویس.

ترجمه

برای ترجمه بهتر، فقط ننویسید «این متن را ترجمه کن». هدف و لحن ترجمه را مشخص کنید:

متن زیر را از انگلیسی به فارسی ترجمه کن.

مخاطب:
کاربران عمومی یک وب‌سایت فناوری

شرایط:
ترجمه روان و طبیعی باشد.
نام محصولات و Model IDها ترجمه نشوند.
اصطلاحات فنی در اولین استفاده همراه معادل انگلیسی نوشته شوند.
از ترجمه تحت‌اللفظی خودداری کن.

متن:
[متن انگلیسی]

تحلیل تصویر و اسکرین‌شات

این اسکرین‌شات مربوط به یک صفحه فروشگاه اینترنتی است.

آن را از نظر تجربه کاربری بررسی کن و موارد زیر را بنویس:
هدف احتمالی صفحه
نقاط قوت
بخش‌های گیج‌کننده
اطلاعات مهمی که دیده نمی‌شوند
پیشنهادهای عملی برای بهبود

پیشنهادها را براساس اولویت مرتب کن.

آیا Qwen برای زبان فارسی مناسب است؟

خانواده Qwen چندزبانه است. تیم Qwen برای مدل‌های مختلف خود از پشتیبانی تعداد زیادی زبان و گویش صحبت می‌کند. بااین‌حال، پشتیبانی چندزبانه به این معنا نیست که کیفیت تمام زبان‌ها یکسان است.

برای استفاده فارسی باید مدل را روی نیاز واقعی خود آزمایش کنید.

موارد مهم در ارزیابی فارسی عبارت‌اند از:

روان‌بودن جمله‌ها
رعایت نیم‌فاصله
درک متن محاوره‌ای
درک ترکیب فارسی و انگلیسی
کیفیت ترجمه
تشخیص نام‌های ایرانی
پیروی از لحن
خلاصه‌سازی بدون تغییر معنی
درک اعداد فارسی
پاسخ‌گویی به Queryهای کوتاه و مبهم

نمونه Prompt مناسب برای خروجی فارسی:

پاسخ را به فارسی روان و طبیعی بنویس.

شرایط:
از ترجمه تحت‌اللفظی خودداری کن.
جمله‌ها کوتاه و واضح باشند.
اصطلاحات تخصصی رایج را همراه شکل انگلیسی بنویس.
از واژه‌های بسیار رسمی و نامأنوس استفاده نکن.
مثال‌ها برای مخاطب ایرانی قابل درک باشند.

Qwen بهتر است یا DeepSeek؟

Qwen و DeepSeek هر دو از خانواده‌های مطرح مدل‌های Open-weight هستند، اما انتخاب میان آن‌ها به نوع کار بستگی دارد.

معیار	Qwen	DeepSeek
تنوع مدل	بسیار زیاد	متمرکزتر
مدل‌های Vision	دارد	وابسته به نسخه
مدل‌های صوتی	دارد	تمرکز اصلی نیست
تولید تصویر	خانواده Qwen-Image	تمرکز اصلی نیست
مدل Coding	دارد	دارد
مدل‌های کوچک	گزینه‌های متعدد	گزینه‌ها وابسته به خانواده
اجرای محلی	امکان‌پذیر	امکان‌پذیر
کاربرد Agentic	مورد توجه	مورد توجه
زبان فارسی	نیازمند ارزیابی	نیازمند ارزیابی

نباید فقط براساس Benchmark تصمیم گرفت. بهترین مدل مدلی است که روی داده‌ها، Promptها و محدودیت‌های واقعی پروژه عملکرد بهتری داشته باشد.

برای مقایسه عملی:

ده تا سی وظیفه واقعی انتخاب کنید.
همان Promptها را به هر دو مدل بدهید.
پاسخ‌ها را بدون نمایش نام مدل ارزیابی کنید.
دقت، لحن، سرعت و هزینه را ثبت کنید.
خطاهای هر مدل را دسته‌بندی کنید.
مدل مناسب هر وظیفه را جداگانه انتخاب کنید.

ممکن است در یک سیستم از Qwen برای تحلیل تصویر و از مدل دیگری برای تولید متن استفاده شود. لازم نیست تمام وظایف به یک مدل سپرده شوند.

Qwen بهتر است یا ChatGPT؟

مقایسه مستقیم Qwen و ChatGPT کمی نادقیق است؛ زیرا ChatGPT یک محصول آماده است، درحالی‌که Qwen هم نام خانواده مدل‌ها و هم بخشی از یک اکوسیستم گسترده‌تر است.

ChatGPT برای کاربران عمومی یک رابط آماده، امکانات یکپارچه و تجربه کاربری مدیریت‌شده ارائه می‌کند.

Qwen برای توسعه‌دهندگانی که به مدل‌های Open-weight، اجرای محلی یا انتخاب میان اندازه‌های مختلف نیاز دارند جذاب‌تر است.

انتخاب به این موارد بستگی دارد:

استفاده شخصی یا توسعه محصول
نیاز به اجرای محلی
نوع داده
نیاز به Vision یا Audio
بودجه
سرعت
کیفیت فارسی
توان سخت‌افزاری
نیاز به سفارشی‌سازی
دسترسی API

تفاوت Qwen و Qwen Chat

Qwen یک خانواده مدل است، اما Qwen Chat رابط گفت‌وگوی آماده برای استفاده از مدل‌های Qwen محسوب می‌شود.

این تفاوت شبیه تفاوت میان «مدل هوش مصنوعی» و «اپلیکیشنی است که مدل را در اختیار کاربر قرار می‌دهد».

در Qwen Chat کاربر می‌تواند بدون ساخت نرم‌افزار با مدل گفت‌وگو کند. در API، توسعه‌دهنده مدل را به اپلیکیشن، سایت یا Backend خود متصل می‌کند.

آیا می‌توان Qwen را روی کامپیوتر اجرا کرد؟

بعضی نسخه‌های Qwen را می‌توان روی کامپیوتر یا سرور شخصی اجرا کرد، اما سخت‌افزار موردنیاز به اندازه مدل و روش Quantization بستگی دارد.

مدل‌های کوچک‌تر برای آزمایش محلی مناسب‌ترند. مدل‌هایی مانند Qwen3.6-27B به حافظه و توان پردازشی بیشتری نیاز دارند و اجرای نسخه کامل آن‌ها روی لپ‌تاپ معمولی ساده نیست.

برای اجرای محلی معمولاً از ابزارهایی مانند موارد زیر استفاده می‌شود:

Ollama
LM Studio
llama.cpp
Transformers
vLLM
SGLang
KTransformers
Docker Model Runner

همه مدل‌ها با تمام ابزارها سازگار نیستند. پیش از دانلود باید Model Card، فرمت فایل و نیاز حافظه بررسی شود.

مزایای اجرای محلی Qwen

کنترل بیشتر روی زیرساخت
امکان استفاده بدون وابستگی دائمی به سرویس ابری
امکان انتخاب Quantization
قابلیت آزمایش نسخه‌های مختلف
مناسب برای توسعه و تحقیق
امکان ساخت API داخلی
کنترل بیشتر بر زمان‌بندی به‌روزرسانی مدل

محدودیت‌های اجرای محلی

نیاز به سخت‌افزار مناسب
مصرف RAM یا VRAM بالا
نیاز به نصب و نگهداری
سرعت پایین‌تر روی سخت‌افزار ضعیف
مسئولیت مانیتورینگ و مقیاس‌پذیری
پیچیدگی به‌روزرسانی مدل
تفاوت عملکرد نسخه Quantized با نسخه کامل

برای کاربران عمومی، استفاده از سرویس ابری یا API معمولاً ساده‌تر از اجرای محلی است.

انتخاب اندازه مناسب مدل Qwen

انتخاب مدل بزرگ‌تر همیشه تصمیم بهتری نیست.

مدل کوچک

مناسب برای:

طبقه‌بندی متن
استخراج اطلاعات
پاسخ‌های کوتاه
اجرای محلی
دستگاه‌های محدود
پردازش تعداد زیاد درخواست ساده

مدل متوسط

مناسب برای:

چت عمومی
تولید محتوا
ترجمه
خلاصه‌سازی
برنامه‌نویسی معمولی
تحلیل اسناد

مدل بزرگ

مناسب برای:

استدلال پیچیده
Coding Agent
تحلیل چندمرحله‌ای
وظایف طولانی
کار با Repository بزرگ
کاربردهای سازمانی پیچیده

برای انتخاب مدل، ابتدا با کوچک‌ترین مدلی شروع کنید که احتمال می‌دهید نیازتان را برطرف کند. اگر کیفیت کافی نبود، به مدل بزرگ‌تر بروید.

استفاده از Qwen از طریق API

مدل‌های Qwen را می‌توان از طریق ارائه‌دهندگان مختلف یا با استقرار شخصی در اختیار نرم‌افزار قرار داد. برخی روش‌های سرو Qwen با API سازگار با OpenAI کار می‌کنند.

این سازگاری باعث می‌شود بتوان از ابزارها و SDKهای رایج استفاده کرد.

نمونه عمومی Python:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["AI_API_KEY"],
    base_url=os.environ["AI_BASE_URL"]
)

response = client.chat.completions.create(
    model=os.environ["AI_MODEL_ID"],
    messages=[
        {
            "role": "system",
            "content": (
                "پاسخ را به فارسی روان، دقیق و کاربردی بنویس."
            )
        },
        {
            "role": "user",
            "content": (
                "برای یک فروشگاه اینترنتی کوچک، "
                "برنامه تولید محتوای هفتگی آماده کن."
            )
        }
    ]
)

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

استفاده از مدل‌های هوش مصنوعی با API درواره

درواره دسترسی API به مجموعه‌ای از مدل‌های هوش مصنوعی ارائه می‌کند. برای بررسی دسترسی به هر مدل، باید کاتالوگ فعلی مدل‌ها و Model ID نمایش‌داده‌شده در پنل بررسی شود.

Base URL درواره:

https://api.darvareh.ir/v1

نمونه اتصال:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DARVAREH_API_KEY"],
    base_url="https://api.darvareh.ir/v1"
)

response = client.chat.completions.create(
    model="YOUR_MODEL_ID",
    messages=[
        {
            "role": "system",
            "content": (
                "تو یک دستیار فارسی‌زبان هستی. "
                "پاسخ‌ها باید روشن و کاربردی باشند."
            )
        },
        {
            "role": "user",
            "content": (
                "نظرات مشتریان زیر را دسته‌بندی کن "
                "و سه اقدام پیشنهادی ارائه بده:\n\n"
                "[نظرات مشتریان]"
            )
        }
    ]
)

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

YOUR_MODEL_ID باید با شناسه دقیق مدل موجود در کاتالوگ درواره جایگزین شود. وجود یک مدل در خانواده Qwen به معنی فعال‌بودن تمام نسخه‌های آن در هر سرویس نیست.

کلید API نیز باید فقط در Backend یا متغیر محیطی نگهداری شود.

برای دریافت API Key و مشاهده مدل‌های موجود می‌توانید وارد درواره شوید.

چگونه Qwen را برای پروژه واقعی ارزیابی کنیم؟

انتخاب مدل براساس چند سؤال آزمایشی کافی نیست. یک مجموعه ارزیابی کوچک اما واقعی بسازید.

برای مثال اگر می‌خواهید از مدل برای پشتیبانی مشتری استفاده کنید، Dataset شما می‌تواند شامل این موارد باشد:

سؤال ساده درباره محصول
سؤال مبهم
پیام دارای غلط املایی
ترکیب فارسی و انگلیسی
مشتری ناراضی
درخواست مقایسه محصول
سؤال خارج از اطلاعات موجود
پیام طولانی
سؤال چندبخشی

هر پاسخ را براساس معیارهای زیر امتیاز دهید:

صحت
کامل‌بودن
رعایت دستور
لحن فارسی
خودداری از حدس
سرعت
هزینه
ثبات پاسخ
قابلیت استفاده مستقیم

بهتر است ارزیاب نام مدل تولیدکننده پاسخ را نداند تا انتخاب جانبدارانه نشود.

نقاط قوت Qwen

تنوع بسیار زیاد مدل‌ها

مدل‌های متنی، تصویری، صوتی، Coding و Multimodal در اکوسیستم Qwen وجود دارند.

انتشار نسخه‌های Open-weight

این ویژگی امکان اجرای محلی و استقرار روی زیرساخت شخصی را فراهم می‌کند.

وجود مدل‌های کوچک و بزرگ

توسعه‌دهنده می‌تواند براساس سخت‌افزار، سرعت و کیفیت موردنیاز مدل مناسب را انتخاب کند.

تمرکز قوی روی برنامه‌نویسی

Qwen مدل‌ها و ابزارهای تخصصی برای Coding و Coding Agent ارائه کرده است.

پشتیبانی Multimodal

نسخه‌های جدید می‌توانند متن و تصویر را هم‌زمان پردازش کنند و خانواده‌های Omni قابلیت‌های گسترده‌تری دارند.

Context طولانی

مدل‌های جدید Qwen برای پردازش ورودی‌های طولانی و کارهای چندمرحله‌ای مناسب‌تر شده‌اند.

سازگاری با ابزارهای رایج

نسخه‌های Qwen با ابزارهایی مانند Transformers، vLLM و SGLang قابل استفاده‌اند و می‌توان آن‌ها را از طریق API سازگار با OpenAI ارائه کرد.

محدودیت‌های Qwen

تنوع مدل‌ها می‌تواند گیج‌کننده باشد

تعداد زیاد نسخه‌ها، اندازه‌ها و خانواده‌ها انتخاب مدل مناسب را برای کاربر تازه‌کار دشوار می‌کند.

اجرای مدل‌های بزرگ سخت‌افزار قدرتمند می‌خواهد

مدل Open-weight رایگان به معنی اجرای بدون هزینه نیست. سرور، GPU، برق و نگهداری همچنان هزینه دارند.

کیفیت فارسی باید آزمایش شود

چندزبانه‌بودن مدل تضمین نمی‌کند که در تمام کاربردهای فارسی بهترین نتیجه را ارائه دهد.

مدل ممکن است اطلاعات نادرست تولید کند

مانند سایر LLMها، Qwen نیز ممکن است پاسخ قانع‌کننده اما اشتباه ارائه دهد.

قابلیت‌ها میان نسخه‌ها متفاوت‌اند

ممکن است یک نسخه Vision داشته باشد و نسخه دیگر فقط متن را پردازش کند. نام خانواده به‌تنهایی برای تشخیص قابلیت کافی نیست.

مدل‌های جدید ممکن است به ابزارهای به‌روز نیاز داشته باشند

برای اجرای نسل جدید ممکن است لازم باشد نسخه جدید Transformers، vLLM یا سایر کتابخانه‌ها نصب شود.

اشتباهات متداول هنگام انتخاب Qwen

انتخاب صرفاً براساس تعداد پارامترها

مدل بزرگ‌تر همیشه برای وظیفه شما بهتر نیست. سرعت و هزینه نیز اهمیت دارند.

استفاده از مدل Coding برای تمام کارها

مدل تخصصی برنامه‌نویسی ممکن است برای نوشتن محتوای عمومی انتخاب ایدئالی نباشد.

نادیده‌گرفتن نوع ورودی

اگر پروژه تصویر دریافت می‌کند، باید نسخه‌ای انتخاب شود که از Vision پشتیبانی کند.

دانلود مدل بدون بررسی نیاز حافظه

پیش از دانلود باید اندازه فایل، Quantization و میزان RAM یا VRAM لازم بررسی شود.

اعتماد کامل به Benchmark

Benchmark برای مقایسه اولیه مفید است، اما عملکرد واقعی روی داده‌های فارسی ممکن است متفاوت باشد.

قرار دادن API Key در Front-end

کلید API نباید داخل کد مرورگر یا اپلیکیشن عمومی قرار بگیرد. درخواست‌ها باید از Backend ارسال شوند.

پرسش‌های متداول

Qwen چیست؟

Qwen خانواده‌ای از مدل‌های هوش مصنوعی توسعه‌یافته توسط Alibaba است که شامل مدل‌های تولید متن، برنامه‌نویسی، تحلیل تصویر، پردازش صوت، تولید تصویر و مدل‌های Multimodal می‌شود.

Qwen چگونه تلفظ می‌شود؟

در فارسی معمولاً «کوئن» نوشته و تلفظ می‌شود. برای جست‌وجو و اشاره به مدل بهتر است نام انگلیسی Qwen نیز در متن استفاده شود.

Qwen 3.6 چیست؟

Qwen 3.6 نسل جدید خانواده Qwen است که بر کاربردهای واقعی، برنامه‌نویسی Agentic، تحلیل تصویر، Context طولانی و انجام وظایف چندمرحله‌ای تمرکز دارد.

جدیدترین مدل Qwen کدام است؟

در زمان نگارش این مقاله، خانواده Qwen 3.6 جدیدترین سری عمومی معرفی‌شده در مخزن رسمی Qwen است. نسخه‌های مهم آن شامل Qwen3.6-27B و Qwen3.6-35B-A3B هستند.

آیا Qwen رایگان است؟

برخی وزن‌های مدل Qwen منتشر شده‌اند و قابل دانلود هستند، اما اجرای محلی به سخت‌افزار و زیرساخت نیاز دارد. استفاده از API یا سرویس‌های ابری نیز ممکن است هزینه داشته باشد.

آیا Qwen فارسی را پشتیبانی می‌کند؟

Qwen یک خانواده چندزبانه است و می‌تواند متن فارسی را پردازش کند؛ اما کیفیت آن باید روی وظایف واقعی فارسی ارزیابی شود.

آیا می‌توان Qwen را روی لپ‌تاپ اجرا کرد؟

نسخه‌های کوچک‌تر یا Quantized ممکن است روی بعضی لپ‌تاپ‌ها اجرا شوند. مدل‌های بزرگ‌تر مانند Qwen 3.6 به حافظه و توان پردازشی بیشتری نیاز دارند.

آیا Qwen تصویر را می‌فهمد؟

بعضی نسخه‌ها، از جمله Qwen 3.6 دارای قابلیت Vision هستند. تمام نسخه‌های Qwen الزاماً ورودی تصویر را پشتیبانی نمی‌کنند.

آیا Qwen برای برنامه‌نویسی مناسب است؟

بله. برنامه‌نویسی یکی از حوزه‌های مهم Qwen است و مدل‌ها و ابزارهای تخصصی مانند Qwen Coder و Qwen Code نیز برای این کاربرد ارائه شده‌اند.

Qwen بهتر است یا DeepSeek؟

پاسخ به نوع وظیفه وابسته است. هر دو باید روی داده‌ها و Promptهای واقعی پروژه از نظر کیفیت، فارسی، سرعت و هزینه آزمایش شوند.

تفاوت Qwen و Qwen Chat چیست؟

Qwen نام خانواده مدل‌ها است. Qwen Chat یک رابط آماده برای گفت‌وگو و استفاده از بعضی مدل‌های این خانواده است.

آیا Qwen API سازگار با OpenAI دارد؟

خود مدل را می‌توان با ابزارهایی مانند vLLM یا SGLang از طریق API سازگار با OpenAI ارائه کرد. بعضی ارائه‌دهندگان ابری نیز Endpoint سازگار ارائه می‌کنند.

جمع‌بندی

Qwen یکی از گسترده‌ترین اکوسیستم‌های مدل هوش مصنوعی است. این خانواده از مدل‌های کوچک برای اجرای محلی تا مدل‌های بزرگ برای Coding، Vision و وظایف Agentic را شامل می‌شود.

نسل Qwen 3.6 تمرکز بیشتری بر کاربردهای واقعی، برنامه‌نویسی چندمرحله‌ای، حفظ Context، تحلیل تصویر و انجام وظایف طولانی دارد. وجود نسخه‌های Open-weight نیز به توسعه‌دهندگان اجازه می‌دهد مدل را روی زیرساخت خود اجرا یا از طریق سرویس‌های API استفاده کنند.

برای کاربران فارسی، انتخاب Qwen باید براساس آزمایش واقعی انجام شود. صرفاً چندزبانه‌بودن مدل یا کسب امتیاز بالا در Benchmark به معنی بهترین عملکرد در تولید متن فارسی، ترجمه یا پاسخ‌گویی به مشتریان ایرانی نیست.

بهترین مسیر این است که:

کاربرد اصلی را مشخص کنید.
کوچک‌ترین مدل مناسب را انتخاب کنید.
آن را روی Promptهای واقعی فارسی آزمایش کنید.
کیفیت، سرعت و هزینه را اندازه‌گیری کنید.
Qwen را با چند مدل دیگر مقایسه کنید.
سپس درباره استفاده در Production تصمیم بگیرید.

برای دسترسی به API مدل‌های مختلف هوش مصنوعی از طریق یک اتصال OpenAI-compatible، می‌توانید مدل‌های موجود را در درواره بررسی کنید.