آزمایشگاه‌های سوپراینتلیجنس متا، Muse Glimmer، یک مدل هوش مصنوعی با 30 میلیارد پارامتر را منتشر کرده است که تحت مجوز آپاچی 2.0 منتشر شده است و برای اجرای عوامل هوش مصنوعی به صورت محلی بر روی پردازنده‌های گرافیکی درجه یک مصرف‌کننده طراحی شده است. این وزنه‌ها در Hugging Face در دسترس هستند و نشان‌دهنده آخرین تلاش این شرکت به اکوسیستم وزن باز است که مدیرعامل مارک زاکربرگ در مقاله‌ای 6500 کلمه‌ای تازه منتشر شده درباره آینده هوش مصنوعی از آن دفاع کرده است.

انتشار در بحبوحه [موج گسترده‌تر پوشش صنعت هوش مصنوعی] (https://aibuzzwire.news) ارائه می‌شود که نحوه ساخت و استقرار سیستم‌های هوشمند توسط توسعه‌دهندگان را تغییر می‌دهد. متا می‌گوید که توسعه‌دهندگان می‌توانند از Muse Glimmer برای کدنویسی محلی، فراخوانی تابع، عوامل مستقل و وظایف ارزیابی LLM-as-a-a-judge بدون ارسال داده‌ها به یک API میزبان ابر استفاده کنند.

برای نمایندگان روی دستگاه ساخته شده است

Meta Muse Glimmer را به عنوان راه‌حلی برای محدودیت عملیاتی خاص معرفی می‌کند: مدل‌های میزبان ابری به دسترسی مداوم به شبکه و زیرساخت مرکزی نیاز دارند که می‌تواند نگرانی‌های تاخیر، هزینه و حفظ حریم خصوصی را ایجاد کند. این شرکت در عوض این مدل را برای بارهای کاری که نیاز به حضور در دستگاه دارند، از جمله عوامل شخصی که نیاز به دسترسی به برنامه‌ها، پیام‌ها، فایل‌ها و سایر زمینه‌های خصوصی دارند، ارائه می‌کند.

این مدل متن و تصاویر درهم را از طریق یک رمزگذار ادراک اختصاصی می پذیرد و به عوامل اجازه می دهد تصاویر، نمودارها و اسناد را به عنوان بخشی از مکالمه تفسیر کنند. متا گزارش می‌دهد که این قابلیت چندوجهی به عوامل اجازه می‌دهد درباره رابط‌های بصری استدلال کنند، ویژگی که برای تیم‌هایی که ابزارهایی را می‌سازند که با نرم‌افزارهای گرافیکی یا صفحات وب تعامل دارند، اهمیت دارد.

Muse Glimmer همچنین از OpenClaw و دیگر الگوهای ارکستراسیون عامل، با داربست های سفارشی که در مستندات توسعه دهنده مدل توضیح داده شده است، پشتیبانی می کند. یک عامل کدگذاری محلی ساخته شده بر روی مدل می تواند تصمیم بگیرد که به کدام مخازن، پایانه ها، محیط های آزمایشی و دستورات دسترسی داشته باشد، هرچند Meta هشدار می دهد که سازمان ها باید دستورات و مخازن موجود را قبل از اندازه گیری موفقیت کار تعریف کنند.

معیار عملکرد در برابر رقبا

تست‌های بنچمارک داخلی متا، Muse Glimmer را از Gemma4-31B گوگل و Qwen3.6-27B علی‌بابا در پنج مورد از هشت بنچمارک عمومی برتری می‌دهد. در مجموع امتیاز عاملی، Muse Glimmer به 74.6 رسید، در مقایسه با 61.7 برای Gemma4-31B و 71.1 برای Qwen3.6-27B.

این مدل 47.6 را در WildClawBench قرار داد، که بالاتر از Gemma4-31B 37.6 و Qwen3.6-27B 43.2 است. در GAIA2، معیاری برای دستیاران هوش مصنوعی عمومی، Muse Glimmer امتیاز 43.3 در مقایسه با 36.4 و 40.0 برای مدل‌های رقیب کسب کرد. OSWorld-Verified، که توانایی یک عامل را برای کار در محیط‌های کامپیوتری واقعی آزمایش می‌کند، بزرگترین شکاف را در این گروه ایجاد کرد: Muse Glimmer در مقابل Gemma4-31B 58.5 به 65.9 رسید.

همه دسته‌بندی‌ها مدل متا را دوست نداشتند. در SkillsBench، Qwen3.6-27B با امتیاز 46.6 پیشتاز شد، جایی که Muse Glimmer امتیاز 44.3 را ثبت کرد. Qwen3.6-27B همچنین در GDPval-AA با 1141 در مقابل Muse Glimmer's 953 پیشتاز بود.

نتایج کدنویسی چشم انداز رقابتی را نشان می دهد

معیارهای کدنویسی Muse Glimmer تصویر رقابتی محدودتری را ارائه می دهند. مدل SWE-Bench Pro با امتیاز 51.2 در مقایسه با 36.9 برای Gemma4-31B و 50.2 برای Qwen3.6-27B پیشتاز بود. با این حال، Qwen3.6-27B در SWE-Bench Verified با 77.2، در مقابل Muse Glimmer's 76.0 پیشی گرفت و ترمینال بنچ 2.1 با 60.7 در مقابل Muse Glimmer's 51.7 پیشتاز شد.

مطالب ارائه شده متا همچنین آموزش تلاش مجدد را برای فراخوانی های شکست خورده ابزار توصیف می کند، رفتاری که به عوامل امکان می دهد به طور خودکار خطاها را بازیابی کنند. این شرکت خاطرنشان می کند که این قابلیت مستلزم کنترل بر روی تلاش های تکراری است، به ویژه در مواردی که یک ابزار می تواند کد منبع را تغییر دهد یا سیستم های خارجی را فراخوانی کند.

چشم انداز وزن باز زاکربرگ

انتشار Muse Glimmer مصادف است با انتشار مقاله طولانی زاکربرگ که چشم انداز خود را برای توسعه هوش مصنوعی بیان می کند. به گزارش رویترز و بلومبرگ، مدیر عامل متا از این مقاله برای حمایت از رویکرد وزن باز استفاده کرد و استدلال کرد که مدل‌های موجود در دسترس از تمرکز قدرت هوش مصنوعی در دستان چند شرکتی جلوگیری می‌کنند.

گزارش شده است که زاکربرگ در مورد خطرات یک نهاد واحد که سیستم های فوق هوشمند را کنترل می کند، هشدار داد و اظهار داشت که چیزی به نام ابرهوش خیرخواهانه منفرد وجود ندارد. این اظهارات استراتژی وزن باز متا را هم به عنوان یک فلسفه فنی و هم یک موضع رقابتی در برابر رقبای مدل بسته مانند OpenAI و Anthropic قرار می دهد.

نیویورک تایمز Muse Glimmer را نسخه ای متن باز از قابلیت های هوش مصنوعی متا توصیف کرد که مصرف کنندگان می توانند در خانه از آن استفاده کنند، در حالی که وال استریت ژورنال خاطرنشان کرد که این مقاله جزئی ترین بیان زاکربرگ از جهان بینی هوش مصنوعی او تا به امروز را نشان می دهد.

ملاحظات عملی برای تیم ها

معیارهای متا عملکرد را در تست‌های استاندارد نشان می‌دهند، اما نشان نمی‌دهند که یک عامل محلی پس از اتصال سازمان به فایل‌ها، تقویم‌ها، سیستم‌های پیام‌رسان یا ابزارهای داخلی خود، چگونه رفتار خواهد کرد. این شرکت اذعان می‌کند که مدل‌های اسکرین‌شات‌خوان می‌توانند آنچه را که می‌بینند تفسیر کنند، اما آزمایش محلی همچنان باید مجوزها، طرح‌بندی‌های نمایش، قالب‌های سند و خطاهای بازگردانده شده توسط ابزارهای متصل را پوشش دهد.

برای سازمان‌هایی که Muse Glimmer را ارزیابی می‌کنند، Meta توصیه می‌کند که دستورات و مخازن موجود در دسترس عامل را قبل از استقرار تعریف کنند. ارزیابی‌های مربوط به ایمنی مدل شامل تست‌های CI Memories و Siren AgentDojo می‌شود، اگرچه این شرکت برای هر کدام از معیارهای متفاوتی استفاده می‌کند.

این نسخه متا را در رقابت مستقیم با خط جما گوگل و مدل های کوئن علی بابا در فضای باز قرار می دهد. با مجوز Apache 2.0 که اجازه استفاده تجاری را می‌دهد، Muse Glimmer می‌تواند پذیرش را در میان توسعه‌دهندگانی که خواهان قابلیت‌های عاملی هستند، بدون هزینه‌های مکرر و معاوضه حریم خصوصی APIهای ابری سرعت بخشد.

از هوش مصنوعی جلوتر بمانید

برای آخرین پیشرفت‌ها در مدل‌های هوش مصنوعی، نسخه‌های با وزن باز و پویایی رقابتی که صنعت را شکل می‌دهد، برای پوشش جامع به [AI Buzz Wire] (https://aibuzzwire.news) مراجعه کنید.

اخبار هوش مصنوعی را بیشتر بخوانید →