Flint v1.0 مقابل Qwen3.8 27B: النموذج Recursive أجرى اختبارًا معياريًا لنفسه في مواجهتهما

نشرت Recursive جملة واحدة في Recursive Flint v1.0 من مواد الإطلاق التي أغفلتها معظم التغطية الإعلامية: وفقًا لمتوسط الاختبارات الستة الخاص بالشركة نفسها، لم يتفوق سوى Qwen3.8 27B على Flint. وهذا أمر غير معتاد أن تنشره جهة مورّدة يوم الإطلاق. وهو أيضًا الجملة الأكثر فائدة في مواد الإطلاق، لأنها تخبرك بأي مقارنة ينبغي أن تذهب وتتحقق منها. Qwen3.8 27B نموذج كثيف مفتوح الأوزان، صدر في 14 أغسطس 2026 بموجب Apache 2.0، وهو النموذج الوحيد في مجموعة المقارنة الخاصة بـ Recursive الذي تفوق على Flint في المقياس المجمّع الذي أنشأته الشركة بنفسها. لذا فإن السؤال المثير للاهتمام ليس ما إذا كان Flint جيدًا. بل أين بالضبط يتفوق Qwen3.8 27B، وما إذا كانت الفجوة تصمد أمام التدقيق في أدوات الاختبار المعنية.

اقرأ ادعاء الفئة قبل أن تقرأ النتيجة.

ادعاء Flint الرئيسي محدود بعناية: فهو يتصدر نماذج mixture-of-experts التي يقل مجموع معاملاتها عن 50 مليار معامل على SWE-bench Pro v2 وTerminal-Bench 2.1 وSWE-bench Verified. Qwen3.8 27B ليس نموذج mixture-of-experts. بل هو كثيف — 27 مليار معامل، جميعها نشطة لكل رمز، و28 مليارًا عند احتساب مُرمِّز الرؤية، و64 طبقة بحجم مخفي 5,120. لذا فهو يقع خارج فئة المقارنة الخاصة بـ Flint بحكم التصميم، وكان بإمكان Recursive استبعاده من الادعاء كليًا.

من الجدير أن نكون دقيقين بشأن ما يكلّفه «الكثيف» وما يجلبه. كل واحد من معاملات Qwen البالغ عددها 27 مليار معامل يشارك في كل رمز، ولهذا يحتاج إلى نحو 55.6 غيغابايت بصيغة BF16 وإلى وحدة معالجة رسومات حقيقية، ولهذا أيضًا تبلغ بصمة تنشيطه نحو أحد عشر ضعف بصمة Flint. ولهذا أيضًا يمكن لنموذج كثيف بحجم 27 مليارًا أن يتفوق في الدقة على نموذج متناثر نشط بحجم 2.5 مليار: فهو يقوم بحساب أكثر لكل رمز، وهو يفرض عليك دفع ثمن ذلك.

Terminal-Bench 2.1: فجوة الثمانية عشر نقطة

هذه أنظف مقارنة متاحة، لأن كلا المختبرين يُبلغان عن الإصدار نفسه من الاختبار المعياري، والفجوة كبيرة بما يكفي بحيث يُستبعد أن تفسّر ضوضاء أدوات القياس كلَّها.

• فلينت — 54.9% على Terminal-Bench 2.1، شُغِّل على هارنس Terminus 2 مع تفعيل الإنترنت، لكن مع احتساب أي حل يُحصَل عليه عبر الاسترجاع من الويب على أنه فشل.

• Qwen3.8 27B — 73.0% في Terminal-Bench 2.1، وفقًا لبطاقة النموذج الخاصة بـ Alibaba.

ذلك فارق قدره 18.1 نقطة لصالح Qwen، في المعيار الذي يشبه أكثر من غيره العمل الوكيلي في الطرفية — وهو بالضبط المهمة التي يُسوَّق كلا النموذجين لأجلها. وهناك تحفظان يعملان في اتجاهين متعاكسين، ويلزم ذكر كليهما.

الخيار الأول يفضّل {{1}}Flint{{/1}}. فرضت {{2}}Recursive{{/2}} عائقًا ربما لم تفرضه نظيراتها: إذا وجد الوكيل الإجابة على الويب، احتسبت Recursive ذلك خطأً. وكان النموذج المسموح له بالبحث والاستشهاد سيسجّل نتيجة أعلى على نفس أداة الاختبار. ومقدار هذا الارتفاع غير معروف، ولا تنشر Recursive الرقم غير المعاق.

الثاني يتعارض مع أي قراءة نظيفة. سجّل طرف ثالث، PrismML، درجة 69.7 لـ Qwen3.8 27B في Terminal-Bench 2.1 بدلًا من 73.0 لدى Alibaba. وخلاف بمقدار 3.3 نقطة على النموذج والمقياس نفسيهما يشكّل معايرة مفيدة: فهو يخبرك أن الفروق التي تبلغ بضع نقاط في هذا الجدول هي ضوضاء، وأن فرقًا بمقدار 18 نقطة ليس كذلك على الأرجح.

حتى إذا أخذنا رقم Qwen الأدنى، فإن 69.7 مقابل 54.9 يترك فارقًا قدره 14.8 نقطة. والاتجاه ليس محل شك.

LiveCodeBench v6: فجوة ثانية، على معيار أنظف

البرمجة التنافسية هي أقل المعايير التي يبلغ عنها كلا المختبرين حساسيةً لإطار التقييم، لأن النموذج يتلقى مسألة وينتج شيفرة ويقوم حكّم بتشغيلها. لا توجد حلقة وكيل يمكن أن تختلف بشأنها.

• فلينت — 80.3% على LiveCodeBench v6.

• Qwen3.8 27B — 90.3% على LiveCodeBench v6.

تلك فجوة قدرها 10 نقاط، وهي الفجوة التي سأوليها أكبر وزن، تحديدًا لأنها الأصعب في التهرب منها بالتفسير. إن 80.3 الخاصة بـ Flint رقم محترم لنموذج يفعّل 2.5 مليار معلمة. و90.3 الخاصة بـ Qwen رقم قوي لنموذج يفعّل 27 مليارًا. ولا شيء منهما مفاجئ. المغزى هو أن ميزة الكفاءة التي يبيعها Flint ليست مجانية، وهذا الاختبار المعياري هو حيث يظهر الثمن.

المعيار الذي يبدو وكأنه فوز لـFlint، لكنه ليس كذلك

هنا تحديدًا تُخطئ معظم صفحات المقارنة، ويستحق الأمر التمهّل.

يُبلّغ Flint عن 89.7% على SWE-bench Pro v2. ويُبلّغ Qwen3.8 27B عن 61.7% على SWE-bench Pro. عند القراءة السريعة، يبدو ذلك انتصارًا لـFlint بفارق 28 نقطة. لكنه ليس مقارنة على الإطلاق. فـ"v2" معيار مختلف عن ذلك الذي تقدمه Alibaba، بمجموعة مهام مختلفة وبروتوكول تقييم مختلف، ولا يمكن طرح الرقمين من بعضهما. أي صفحة تضع الرقمين في عمودين متجاورين وتعلن فائزًا إنما تخبرك بشيء عن مؤلفها، لا عن النماذج.

الفخ نفسه يقع في الصف التالي. يُبلِغ Flint عن 74.2% على SWE-bench Verified. ولا تنشر Qwen3.8 27B نتيجة على SWE-bench Verified — إذ تُبلِغ بطاقة Alibaba عن SWE-bench Pro، وQwenSWEBench بنسبة 79.0، وDeepSWE 1.1 بنسبة 42.2، وTerminal-Bench 2.1 بنسبة 73.0، وLiveCodeBench v6 بنسبة 90.3، وNL2Repo-Bench بنسبة 42.3. ولا توجد نتيجة Verified يمكن المقارنة بها. الأرقام المتداولة بشأن Qwen3.8 27B على Verified إما أن تكون موروثة من طراز أقدم ضمن العائلة، أو مأخوذة من مصدر ثانوي يتعارض مع بطاقة النموذج بشأن عدة اختبارات أخرى في آن واحد. تعامل معها على أنها غير موثّقة.

ثمة تحفّظ إضافي من جانب Alibaba: فقد استخدمت تشغيلاتها على SWE-bench Pro وQwenSWEBench إطار تشغيل وكيل خارجي بدلًا من نموذج مجرّد، لذا حتى المقارنات مع رقم SWE-bench Pro الخاص بمختبر آخر تظل هشّة. وهذا ليس خاصًا بـAlibaba. فهو حال معايير تقييم البرمجة الوكيلية بشكل عام، ولهذا تحمل صفوف Terminal-Bench وLiveCodeBench وزنًا أكبر هنا مما تحمله صفوف SWE-bench.

حيث يفوز فلينت، وليس الأمر متقاربًا

الدقة ليست المحور الوحيد، بل على المحاور الأخرى ينقلب الترتيب رأسًا على عقب.

• الذاكرة — يعمل Flint ضمن نحو 24 GB، مع نسخة NVFP4 بحجم 22.86 GB على القرص. يحتاج Qwen3.8 27B إلى نحو 55.6 GB بصيغة BF16. أحدهما يتّسع لحاسوب محمول راقٍ أو بطاقة استهلاكية واحدة؛ والآخر يحتاج إلى تخصيص GPU فعلي.

• الحوسبة النشطة لكل توكن — يُفعّل Flint نحو 2.5 مليار معامل. بينما يُفعّل Qwen جميع الـ27 مليارًا. هذه النسبة هي سبب وجود فجوة السرعة، وهي سبب كون Flint أرخص في الخدمة على نطاق واسع.

• السرعة — تدّعي Recursive تحقيق أكثر من 125 رمزًا في الثانية على جهاز MacBook Pro مزوّد بشريحة M4 Pro، وأكثر من 150 على RTX Spark بسعة 64 GB عند السياق القصير. ولا يقع نموذج كثيف بحجم 27B على الحاسوب المحمول نفسه ضمن هذا النطاق. ويُذكر أيضًا أن Qwen3.8 27B بطيء محليًا وشديد الاستهلاك للرموز على نحو غير معتاد — فقد قاس Artificial Analysis نحو 160 مليون رمز إخراج عبر اختبارات مؤشره، وهو ما يمثّل مضاعفًا للتكلفة في أي حلقة وكيل.

• السياق — يدعم كلاهما 262,144 رمزًا أصليًا، ويمتد Qwen إلى 1,000,000 عبر تحجيم YaRN. ويشير إعلان Flint إلى ما يصل إلى 512K. على الورق، هذا تعادل عند النافذة الأصلية؛ أما عمليًا، فتُعد إنتاجية Flint في السياق الطويل الجانب الأضعف، إذ تشير اختبارات مستقلة إلى انخفاض إلى نحو 9 رموز في الثانية قرب 115,000 رمز.

• تعدد الوسائط — يقبل Qwen3.8 27B الصور والفيديو إلى جانب النص، بتخطيط انتباه هجين يتألف من 48 طبقة انتباه خطي من نوع Gated DeltaNet مقابل 16 طبقة انتباه كامل بنسبة 3:1، وهو ما يجعل تقديم نافذة بسعة 262K ميسور التكلفة. أما Flint فهو نصي فقط.

ما الذي تختاره في الواقع

• إذا كان الهدف هو تحقيق أقصى دقة في البرمجة وكانت لديك العتاد المناسب، فإن Qwen3.8 27B هو النموذج الأقوى في كل اختبار أداء يمكن فيه مقارنة الاثنين مقارنةً نزيهة. وهذا أيضًا ما يقوله متوسط الاختبارات الستة الخاص بـ Recursive.

• إذا كان النموذج يجب أن يعمل على حاسوب محمول، أو أن يبقى دون اتصال بالإنترنت، أو أن تُحفظ الشيفرة المصدرية على الجهاز، أو أن يخدم حجمًا كافيًا من الطلبات بحيث تصبح المعاملات النشطة هي العامل المهيمن على التكلفة، فإن Flint يتفوق على المحور الذي يحسم أمر النشر. فوجود نموذج بـ 2.5 مليار معامل نشط يعمل بسرعة 125 رمزًا في الثانية هو منتج مختلف عن نموذج كثيف بـ 27 مليار معامل يحتاج إلى عقدة GPU.

• إذا أردت كليهما، فإنهما يتكاملان جيدًا: النموذج المحلي للأعمال الروتينية والحساسة، والنموذج المستضاف للمهام الصعبة. وهذا التقسيم هو ما تستقر عليه معظم الفرق، وهو النقطة التي تتوقف عندها طبقة التوجيه عن كونها مجرد تفصيل.

Qwen3.8 27B هو النموذج الوحيد في هذه المقارنة الذي يقدّمه OrcaRouter مباشرةً — المعرّف هو qwen/qwen3.8-27bفي قائمة النماذج الحية لدينا، ويقبل النصوص والصور والفيديو بنافذة السياق الكاملة البالغة 262,144 موضعًا. ولأن سعر القائمة لدى المزود يُمرَّر مع دون إضافة هامش، يصبح تغيير السعر من جانب Alibaba ساريًا من جانبنا في اليوم نفسه بدلًا من التجديد التالي. لا يقدّم OrcaRouter نموذج Flint؛ فذاك يُنزَّل كملف. لذا فإن الحل الهجين أعلاه هجين بحق: مسار واحد إلى نموذج مستضاف من فئة النماذج الرائدة، وملف محلي لكل ما يجب ألا يغادر الجهاز.

التجربة التي لم يُجرِها أحد

كل رقم في هذا المقال جاء من مختبر يقيس نموذجه الخاص، باستثناء واحد — خلاف PrismML مع Alibaba بمقدار 3.3 نقاط على Terminal-Bench، وهو التلميح الوحيد المتاح بشأن مدى تحرّك هذه الأرقام عندما يمسك شخص آخر بساعة الإيقاف.

ما من شأنه أن يحسم الأمر بسيط ولم يحدث بعد: نموذجان، وأداة تقييم واحدة، ومجموعة مهام واحدة، وجهاز واحد، وسجلات منشورة. إلى أن يحدث ذلك، فإن الموقف القابل للدفاع هو الموقف الضيق. على المعايير التي يبلغ عنها المختبران بصدق، يُعد Qwen3.8 27B المبرمج الأكثر دقة. وعلى محاور النشر التي تحدد ما إذا كان النموذج قابلاً للتشغيل أصلاً، يُعد Flint الأكثر كفاءة. قال Recursive ذلك أولاً، في منشور إطلاقه الخاص، وهذا هو أكثر شيء جدير بالثقة في الإصدار بأكمله.