Contact Information

Alamat: Komplek Rumah Susun Petamburan Blok 1 Lantai Dasar, Tanah Abang - Jakpus 10260

We're Available 24/ 7. Call Now.
Alibaba Rilis Qwen4-Max, Model AI 2,4 Triliun Parameter
SHARE:

Jakarta – Alibaba resmi memperkenalkan Qwen4-Max, model kecerdasan artifisial paling canggih dalam lini Qwen hingga saat ini. Model ini dibekali 2,4 triliun parameter serta kemampuan memahami informasi visual secara native dengan context window mencapai satu juta token. Dengan spesifikasi tersebut, Qwen4-Max dirancang untuk menangani beragam tugas kompleks, mulai dari pekerjaan profesional, proses kreatif, hingga penelitian.

Peluncuran ini menegaskan ambisi Alibaba memperkuat posisinya di pasar model AI global yang semakin kompetitif. Qwen4-Max disebut sebagai lompatan besar dibandingkan generasi sebelumnya, Qwen3.8-Max. Peningkatan itu tidak hanya soal kemampuan, tetapi juga efisiensi biaya dan penggunaan sumber daya komputasi.

Keunggulan Qwen4-Max tercermin dari pencapaiannya di sejumlah benchmark terkemuka, khususnya bidang pemrograman, agentic AI, dan penalaran visual. Model ini berhasil menempati peringkat keenam dalam Code Arena, pemeringkatan yang menguji kemampuan pemrograman berdasarkan tugas dunia nyata. Hasil solid juga diraih dalam pengujian Agents' Last Exam, Vals Index, JobBench, dan Chartography.

Berdasarkan hasil Work360, pengujian internal yang mengukur kemampuan AI menyelesaikan tugas kompleks di 721 bidang spesialisasi industri, Qwen4-Max mencatat performa keseluruhan lebih unggul dari Qwen3.8-Max. Peningkatan ini dicapai dengan penggunaan token 35% lebih sedikit pada mode penalaran High effort. Alhasil, rata-rata biaya untuk setiap tugas ikut dipangkas sekitar 60%.

Di balik peningkatan tersebut, Alibaba menghadirkan arsitektur terbaru Qwen4 yang menyempurnakan desain sparse Mixture-of-Experts (MoE). Penyempurnaan mencakup mekanisme attention, residual connections, dan embeddings. Meski memiliki total 2,4 triliun parameter, Qwen4-Max hanya mengaktifkan 71 miliar parameter untuk setiap token. Jumlah itu 25% lebih sedikit dibandingkan Qwen3.8-Max pada skala parameter yang sama, sehingga biaya inferensi menjadi lebih rendah.

Bagi pengembang yang membutuhkan akses cepat, Qwen4-Max sudah tersedia melalui QwenCloud dengan pilihan Token Plan dan API. Pengguna juga dapat memanfaatkan model ini lewat berbagai platform Alibaba, termasuk QwenWork dan QwenStudio. Untuk input dengan mekanisme Implicit Cache Hit, biaya yang dikenakan sebesar USD 0,075 per satu juta token.

Alibaba juga berencana menghadirkan model-model Qwen4 berukuran lebih kecil dengan open-weight bagi pengembang di seluruh dunia. Langkah ini disebut bakal memperluas adopsi ekosistem Qwen di berbagai segmen. Sebelumnya, Alibaba Cloud juga gencar memperluas jangkauan layanan AI-nya ke pasar global, termasuk lewat ekspansi sejumlah tools canggih.

Qwen4-Max dilengkapi kemampuan Cloud Resource Scheduling yang dirancang mengoptimalkan pengelolaan sumber daya dalam infrastruktur cloud. Melalui mekanisme closed-loop, model ini mampu mengatur dan menyempurnakan proses penjadwalan secara mandiri. Tujuannya menekan biaya sekaligus meningkatkan efisiensi penggunaan sumber daya.

Dalam pengujian, kemampuan tersebut berhasil menurunkan rata-rata biaya pemanggilan model untuk anotasi data sebesar 9%. Selain itu, proses penjadwalan ulang CPU secara offline menjadi lebih dari 14 kali lipat lebih cepat. Capaian ini menunjukkan kontribusi Qwen4-Max pada efisiensi operasional infrastruktur cloud modern.

Tidak terbatas pada pengelolaan infrastruktur, Qwen4-Max juga mendukung pekerjaan profesional dan kebutuhan industri kreatif. Cakupannya meliputi pemodelan 3D, pengembangan gim, hingga pembuatan video berbasis agen AI. Di industri manufaktur otomotif, model ini membantu seluruh tahapan pekerjaan, mulai dari perencanaan lini produksi, perancangan komponen, hingga verifikasi proses pemesinan.

Dalam sebuah demonstrasi, Qwen4-Max berhasil memangkas waktu pemrograman benda kerja secara manual sebesar 95%. Waktu pengerjaan turun dari sekitar 475 menit menjadi hanya 24 menit. Pencapaian ini didukung proses penyempurnaan berulang berdasarkan umpan balik, yang memungkinkan model mendeteksi potensi pemotongan berlebih atau kekurangan material sebelum pemesinan dimulai.

Selain itu, Qwen4-Max mempercepat penerapan forward-deployed engineering (FDE) di berbagai industri, termasuk sektor keuangan, hukum, dan layanan kesehatan. Kemampuan ini memperkuat posisi Alibaba sebagai penyedia solusi AI enterprise. Sejumlah kolaborasi strategis pun terus dijalin untuk mempercepat adopsi AI di kalangan pelaku usaha.

Dirancang untuk menjawab kebutuhan era agentic AI, Qwen4-Max mampu mendukung agen AI menjalankan tugas secara berkelanjutan, bahkan sepanjang waktu. Di bidang sains, kemampuan perencanaan jangka panjang ini membantu menjembatani penelitian berbasis digital dengan eksperimen dunia nyata. Salah satu penerapannya terlihat dalam pengembangan teknologi pendinginan chip generasi berikutnya.

Dalam pengujian tersebut, Qwen4 berhasil menjalankan agen AI selama 48 jam tanpa henti melalui empat putaran proses closed-loop. Proses itu menggabungkan perancangan molekul, sintesis dan pengujian, serta active learning. Melalui rangkaian tersebut, Qwen4 menemukan molekul pendingin yang telah teruji melalui eksperimen.

Kemampuan serupa ditunjukkan Qwen4-Max dalam eksperimen penelitian penyakit Alzheimer. Model ini menunjukkan kemampuan menyeluruh, mulai dari penelitian target, perancangan molekul, hingga evaluasi berbasis komputasi. Sepanjang proses, Qwen4-Max secara mandiri melakukan 454 tool calls dan 3.239 evaluasi metrik untuk merancang serta mengoptimalkan 24 kandidat molekul.

Selain peningkatan kemampuan, Alibaba memastikan aspek keamanan dan tata kelola menjadi bagian penting di setiap tahap pengembangan model. Dalam pelatihan rekayasa perangkat lunak, Alibaba menggabungkan pemeriksaan keamanan kode dengan pengujian fungsionalitas. Langkah ini mengurangi potensi kerentanan secara signifikan, termasuk serangan injeksi, masalah memory safety, dan broken access control.

Untuk memperkuat keamanan siber, Alibaba menyaring data pelatihan berdasarkan tujuan penggunaannya. Materi yang mendukung upaya pertahanan, seperti pendeteksian dan perbaikan kerentanan sistem, tetap dipertahankan. Sebaliknya, konten yang berkaitan dengan tindakan serangan siber dihapus dari data pelatihan. Perlindungan semakin diperkuat lewat kumpulan data khusus keamanan serta penyempurnaan pada tahap pascapelatihan, termasuk mitigasi risiko CBRN.

SHARE:

Waspada Ransomware Citrus Serang Windows Pakai AI

Garmin Approach S72 Resmi di Indonesia, Bawa Berbagai Fitur Terbaru