مدل Muse Glimmer متا روی یک کامپیوتر معمولی اجرا می‌شود

شرکت متا از مدل هوش مصنوعی جدیدی با نام Muse Glimmer رونمایی کرده است، مدلی کم‌حجم که به گفته این شرکت به اندازه‌ای سبک طراحی شده که می‌تواند برای انجام وظایف مبتنی بر عامل‌های هوش مصنوعی تنها با استفاده از یک رایانه و یک واحد پردازش گرافیکی (GPU) اجرا شود.

به گزارش گروه ترجمه خبرگزاری برنا به نقل از انگجت، متا اعلام کرده است که Muse Glimmer یک مدل بهینه‌شده و کوچک‌شده است که بر پایه مدل بسته Spark ۱.۲ این شرکت توسعه یافته و هدف آن ارائه قابلیت‌های هوش مصنوعی پیشرفته در کنار کاهش نیاز به حافظه و توان پردازشی سخت‌افزار‌های محلی است.

این شرکت در توضیح رویکرد خود اعلام کرده است:Muse Glimmer را با هدف ایجاد توازن میان قابلیت‌های مدل و محدودیت‌های حافظه و توان محاسباتی سخت‌افزار‌های محلی طراحی کردیم.

اجرای مدل روی رایانه شخصی

یکی از مهم‌ترین ویژگی‌های Muse Glimmer امکان اجرای آن روی سخت‌افزار‌های محلی است. متا اعلام کرده است که کاربران می‌توانند فایل‌های مربوط به وزن‌های مدل را به‌صورت رایگان دریافت کرده و مدل را روی رایانه شخصی خود اجرا کنند.

وزن‌های مدل پارامتر‌های عددی هستند که مدل هوش مصنوعی در جریان آموزش یاد می‌گیرد و هنگام تولید پاسخ یا انجام وظایف از آنها استفاده می‌کند.

متا این وزن‌ها را به همراه مستندات مربوط به توسعه‌دهندگان در پلتفرم Hugging Face در دسترس عموم قرار داده است. این شرکت همچنین اعلام کرده است که نسخه‌های بهینه‌شده برای اجرا در llama.cpp و سایر محیط‌ها نیز عرضه خواهند شد؛ به‌گونه‌ای که کاربران بتوانند پس از دریافت مدل تنها در چند دقیقه آن را به یک عامل هوش مصنوعی عملیاتی تبدیل کنند.

مناسب برای عامل‌های هوش مصنوعی

Muse Glimmer برای انجام وظایف عامل‌محور (Agentic) طراحی شده است؛ به این معنا که می‌تواند به جای صرفا تولید پاسخ متنی مجموعه‌ای از اقدامات را برای رسیدن به یک هدف انجام دهد از جمله کاربرد‌های مورد اشاره متا می‌توان به زمان‌بندی فعالیت‌ها و مدیریت فایل‌ها اشاره کرد.

این مدل از قابلیت‌هایی مانند استفاده از ابزارها، استدلال چندمرحله‌ای، بازیابی پس از شکست در انجام یک وظیفه و دریافت ورودی‌های چندوجهی پشتیبانی می‌کند. همچنین به گفته متا Muse Glimmer با چارچوب‌های مختلفی که برای هماهنگی و مدیریت عامل‌های هوش مصنوعی مورد استفاده قرار می‌گیرند، سازگار است.

عملکرد قابل‌توجه با وجود ابعاد کوچک

متا مدعی است که Muse Glimmer با وجود اندازه کوچک عملکرد قابل‌توجهی در برخی آزمون‌های ارزیابی هوش مصنوعی دارد.

این مدل در بنچمارک‌هایی از جمله DeepSearch QA، MCP-Atlas و SWE-Bench مورد ارزیابی قرار گرفته است. SWE-Bench توانایی مدل‌های هوش مصنوعی در انجام وظایفی مانند نوشتن، اصلاح و اشکال‌زدایی کد را ارزیابی می‌کند.

متا همچنین اعلام کرده است که Muse Glimmer با داده‌هایی از بیش از ۱۰۰ زبان آموزش داده شده است.

حرکت متا به سمت اجرای محلی هوش مصنوعی

عرضه Muse Glimmer در شرایطی انجام شده است که اجرای مدل‌های هوش مصنوعی روی رایانه‌های شخصی و دستگاه‌های محلی به یکی از روند‌های مهم صنعت تبدیل شده است.

این رویکرد به کاربران اجازه می‌دهد مدل را بدون وابستگی کامل به زیرساخت‌های ابری شرکت‌های بزرگ اجرا کنند و در برخی کاربردها، کنترل بیشتری بر داده‌ها و فرایند پردازش داشته باشند.

مدل جدید متا از این نظر شباهت‌هایی با برخی مدل‌های توسعه‌یافته توسط شرکت‌های چینی از جمله DeepSeek دارد. این مدل‌ها قابلیت اجرا روی سخت‌افزار‌های محلی را فراهم کرده‌اند و با رویکرد‌های بازتری در زمینه دسترسی و استفاده از مدل‌های هوش مصنوعی عرضه شده‌اند.

مارک زاکربرگ، مدیرعامل متا در یادداشتی که همزمان با معرفی Muse Glimmer منتشر شده درباره این رویکرد گفته است: به جای متمرکز کردن ابرهوش باید آن را به‌طور گسترده توزیع کنیم و به هر فرد امکان دهیم آن را هدایت کند.

تلاش متا برای بازتر کردن اکوسیستم هوش مصنوعی

عرضه Muse Glimmer را می‌توان بخشی از تلاش متا برای حرکت بیشتر به سمت مدل‌های قابل اجرا و قابل استفاده در محیط‌های محلی دانست. به‌ویژه در شرایطی که رقابت میان شرکت‌های بزرگ هوش مصنوعی بر سر ارائه مدل‌های قدرتمند، کم‌هزینه و قابل اجرا روی سخت‌افزار‌های شخصی افزایش یافته است.

عملکرد مدل‌های هوش مصنوعی متا از جمله خانواده Muse Spark، در مقایسه با برخی رقبای مطرح از جمله مدل‌های شرکت‌های OpenAI و Anthropic با انتقاد‌هایی مواجه بوده است. در چنین شرایطی Muse Glimmer می‌تواند تلاشی برای افزایش دسترسی به فناوری هوش مصنوعی متا جذب توسعه‌دهندگانی که به اجرای محلی مدل‌ها علاقه‌مند هستند و حرکت به سمت اکوسیستم بازتر باشد.

موضوع اجرای محلی و دسترسی باز به مدل‌های هوش مصنوعی طی ماه‌های اخیر نیز اهمیت بیشتری پیدا کرده است؛ چرا که شرکت‌های فناوری تلاش می‌کنند در کنار توسعه مدل‌های قدرتمند ابری مدل‌هایی را ارائه کنند که امکان اجرا روی سخت‌افزار‌های کاربران و زیرساخت‌های محلی را داشته باشند.

انتهای پیام/