گروه آنت مدل هوش مصنوعی با ۱۲۴ میلیارد پارامتر را راه‌اندازی کرد که از غول یک تریلیون خود پیشی می‌گیرد

گروه آنت با Ling-3.0-Flash، یک مدل با وزن‌های باز ۱۲۴ میلیارد پارامتر که تنها ۵.۱ میلیارد پارامتر را برای هر توکن فعال می‌کند، دنیای هوش مصنوعی را شگفت‌زده کرده است و در معیارها از پیشینی خود با یک تریلیون پارامتر پیشی می‌گیرد. این یک دستاورد است که کارایی محاسباتی و هزینه‌های پیاده‌سازی عوامل هوش مصنوعی را دوباره تعریف می‌کند.

• Ling-3.0-Flash از معماری MoE با ۱۲۴B پارامتر کل و تنها ۵.۱B فعال برای هر توکن استفاده می‌کند و در وظایف کلیدی به اندازه یا بهتر از Ling-2.6-1T عمل می‌کند.
• این مدل تحت مجوز MIT در دسترس است و دارای پنجره زمینه بومی ۲۶۲.۰۰۰ توکن است که به یک میلیون هدف‌گذاری شده و برای عوامل تولید با فرکانس بالا طراحی شده است.

گروه آنت، غول فین‌تک پشت Alipay، Ling-3.0-Flash را در ۲۳ ژوئیه ۲۰۲۶ راه‌اندازی کرد. این مدل توسط آزمایشگاه inclusionAI آنها توسعه یافته و به چالش می‌کشد که در هوش مصنوعی بزرگ‌تر همیشه بهتر است.

Ling-3.0-Flash دارای ۱۲۴ میلیارد پارامتر کل است، اما تنها حدود ۵.۱ میلیارد پارامتر را در حین استنتاج فعال می‌کند. این معماری ترکیب کارشناسان (MoE) اجازه می‌دهد که تنها یک زیرمجموعه از شبکه عصبی برای هر ورودی درگیر شود، به گفته Cryptobriefing.

عملکردی که مقیاس را به چالش می‌کشد

در شاخص تحلیل هوش مصنوعی، این مدل امتیاز ۳۸ را کسب کرده و به اندازه یا بهتر از پیشینی خود Ling-2.6-1T که یک تریلیون پارامتر کامل داشت، عمل می‌کند. این باعث می‌شود که این مدل تقریباً هشت برابر کوچکتر از نظر تعداد کل پارامترها باشد، اما در معیارهایی که برای پیاده‌سازی‌های تولید مهم هستند، رقابتی است.

دستاورد اصلی در وظایف مرکزی استدلال و پیگیری دستورالعمل‌ها نهفته است. این معماری استدلال ترکیبی را با MoE ترکیب می‌کند و کارایی را بدون قربانی کردن کیفیت به دست می‌آورد.

طول زمینه نیز پیشرفت کرده است: پنجره بومی ۲۶۲.۰۰۰ توکن است و برنامه‌هایی برای گسترش به یک میلیون وجود دارد. مکانیزم توجه ترکیبی از لایه‌های توجه دلتا کیمی و توجه چندسر پنهان است که به عنوان رویکرد ترکیبی-خطی شناخته می‌شود.

این طراحی نیازهای حافظه و محاسبات را در حین رشد زمینه قابل مدیریت نگه می‌دارد. گروه آنت این تکنیک را به عنوان بنیادی برای پشتیبانی از وظایف پیچیده عوامل توصیف می‌کند.

طراحی شده برای عوامل، نه فقط برای چت

Ling-3.0-Flash به طور خاص برای عوامل هوش مصنوعی در سطح تولید که با فرکانس بالا اجرا می‌شوند، طراحی شده است. این جریان‌های کاری نیاز به تولید سریع توکن‌ها، پایبندی قابل اعتماد به دستورالعمل‌ها و مدیریت زمینه طولانی بدون افت کیفیت دارند.

یک کتابخانه عظیم که در آن کتابدار تنها نیاز دارد که پنج کتاب را به طور همزمان بیرون بیاورد، مهم نیست سوال چقدر پیچیده باشد. این استعاره‌ای است که توسعه‌دهندگان برای توضیح رویکرد خود استفاده می‌کنند.

کارایی در استنتاج کلید کاهش هزینه‌ها است. با فعال کردن تنها ۵.۱B پارامتر، محاسبات لازم برای هر درخواست به طور مستقیم کاهش می‌یابد که هزینه عملیات در مقیاس را کاهش می‌دهد.

گروه آنت قبلاً این مدل را در خدمات خود در Alipay آزمایش کرده است. اگرچه ارقام خاصی فاش نشده است، اما شرکت تأکید می‌کند که این مدل برای مدیریت وظایف پیچیده عوامل در تولید بهینه‌سازی شده است.

در دسترس بودن باز و تجاری

این مدل تحت مجوز MIT در Hugging Face منتشر شده است که مجوزی بسیار آزاد در کد باز است. این اجازه می‌دهد که استفاده، تغییر و توزیع تجاری بدون حق امتیاز انجام شود.

همچنین دسترسی رایگان به API از طریق OpenRouter و Kilo تا ۳ آگوست ۲۰۲۶ ارائه شده است. علاوه بر این، از طریق کانال‌های گروه آنت و دروازه هوش مصنوعی Vercel در دسترس است.

مجوز MIT موانع را برای توسعه‌دهندگان و شرکت‌هایی که می‌خواهند آن را در محصولات خود ادغام کنند، حذف می‌کند. این در تضاد با سایر مدل‌های کد باز است که محدودیت‌هایی برای استفاده تجاری اعمال می‌کنند.

تصمیم گروه آنت برای باز کردن مدل به دنبال قرار دادن شرکت به عنوان پیشرو در کارایی است. به گفته گزارش اصلی، این می‌تواند پذیرش هوش مصنوعی را در بخش‌هایی که هزینه‌های استنتاج غیرقابل تحمل است، تسریع کند.

پیامدها برای آینده هوش مصنوعی

اگر یک مدل MoE با ۱۲۴B پارامتر و ۵.۱B فعال می‌تواند به اندازه یا بهتر از خط پایه یک تریلیون پارامتر عمل کند، ساختار هزینه برای پیاده‌سازی هوش مصنوعی قابل کاهش می‌یابد. استنتاج جایی است که شرکت‌های هوش مصنوعی پس از آموزش هزینه می‌کنند.

این پیشرفت می‌تواند دیگر آزمایشگاه‌ها را تحت فشار قرار دهد تا استراتژی‌های مقیاس خود را دوباره بررسی کنند. کارایی به یک عامل رقابتی کلیدی تبدیل می‌شود، نه فقط تعداد پارامترها.

بازار عوامل هوش مصنوعی به طور مستقیم بهره‌مند می‌شود، زیرا زمان‌های پاسخ بحرانی هستند. مدل‌هایی مانند Ling-3.0-Flash اجازه می‌دهند تعاملات سریع‌تر و هزینه‌های قابل پیش‌بینی‌تر داشته باشند.

CryptoBriefing تأکید می‌کند که این یک گام قابل توجه در رقابت کارایی هوش مصنوعی است که پیامدهایی برای کل صنعت دارد. ترکیب سرعت، هزینه پایین و مجوز باز می‌تواند چشم‌انداز هوش مصنوعی را تغییر دهد.

گروه آنت نشان می‌دهد که نوآوری همیشه به معنای ساخت بزرگ‌ترین مدل نیست، بلکه هوشمندترین مدل برای استفاده واقعی است. جامعه توسعه‌دهندگان اکنون می‌تواند با این نسل جدید از هوش مصنوعی کارآمد آزمایش کند.

این محتوا صرفاً برای اطلاع‌رسانی عمومی ارائه شده است و به‌منزله مشاوره مالی، سرمایه‌گذاری، حقوقی یا مالیاتی تلقی نمی‌شود. هرگونه رویداد، جایزه، کمپین آنلاین یا اطلاعات مرتبط که در اینجا ذکر شده است، نباید به‌عنوان توصیه، ترغیب یا دعوت به خرید، فروش، معامله یا هرگونه دادوستد دیگر دارایی‌های رمزارزی تلقی شود. دارایی‌های رمزارزی از نوسان بالایی برخوردار هستند و ممکن است منجر به زیان شوند. دسترسی به خدمات، محصولات و رویدادهای مرتبط با WEEX ممکن است بسته به منطقه جغرافیایی متفاوت باشد. اطمینان از اینکه استفاده شما از این خدمات با قوانین و مقررات محلی مطابقت دارد، بر عهده خود شماست.