Baseten تطلق نموذجي ذكاء اصطناعي لاتخاذ القرارات مجانًا
أعلنت شركة Baseten المتخصصة في البنية التحتية للذكاء الاصطناعي عن إطلاق نموذجي mammoth-1 وelephant-1، المصممين لاتخاذ القرارات وتحليل الخيارات بدلًا من توليد النصوص مثل روبوتات الدردشة التقليدية. وتقول الشركة إن mammoth-1 تصدّر مؤشر Jev Decision Index، فيما يتوفر النموذجان بأوزان مفتوحة للمطورين.
تفاصيل الخبر
في 21 أكتوبر 2026، أعلنت Baseten عن النموذجين الجديدين اللذين طورهما فريق الأبحاث التابع لها Base Labs، بهدف مساعدة أنظمة الذكاء الاصطناعي على اتخاذ قرارات دقيقة وتقدير احتمالات الإجابات. وفيما يلي أبرز التفاصيل:
- mammoth-1: نموذج يضم 27 مليار مُعامل، ويقول مطوروه إنه احتل المركز الأول من بين 208 نماذج في مؤشر Jev Decision Index، محققًا نتيجة 71.24 نقطة، متقدمًا على النموذج الذي جاء في المركز التالي.
- elephant-1: نموذج أصغر يضم 9 مليارات مُعامل، صُمم لتقديم قدرات اتخاذ القرار ضمن حجم مناسب لمجموعة أوسع من التطبيقات. ووفقًا لبيانات المؤشر، حقق 62.65 نقطة.
- طريقة مختلفة في العمل: على عكس نماذج اللغة التوليدية التي تنتج إجابات نصية، تستقبل نماذج اتخاذ القرار معلومات محددة وأسئلة ذات خيارات واضحة، ثم تُخرج احتمالات للإجابات. ويمكن استخدام هذه النتائج لتحديد متى يُنفّذ النظام إجراءً تلقائيًا ومتى يحتاج إلى مراجعة بشرية.
- أوزان مفتوحة: أتاح المطورون أوزان النموذجين بترخيص MIT، ما يسمح للمطورين بتنزيلهما وتشغيلهما وتكييفهما وفق شروط الترخيص.
- نتائج في اختبارات متخصصة: ذكرت Baseten أن elephant-1 حقق نتيجة تقارب 65 نقطة في Artificial Analysis Decision Index، وهي نتيجة تضعه ضمن النماذج المتقدمة في هذا النوع من الاختبارات.
- التدريب على بيانات واسعة: استخدم الفريق 6.21 مليون مثال تدريبي، مع التركيز على تحسين الاستدلال والتصنيف واستخدام الأدوات والسلامة، وتعليم النماذج الامتناع عن الإجابة عندما لا تتوفر لديها ثقة كافية.
ومن المهم الإشارة إلى أن ترتيب النموذجين يستند إلى اختبارات محددة، وأن أبرز النتائج أُعلنت ضمن مواد Baseten البحثية. لذلك، لا تعني هذه النتائج بالضرورة تفوقهما على جميع النماذج في كل المهام أو التطبيقات الواقعية.
الأهداف المستقبلية
تسعى Baseten إلى توسيع استخدام نماذج اتخاذ القرار في التطبيقات التي تحتاج إلى نتائج محددة وقابلة للقياس، بدلًا من الاعتماد على توليد النصوص في كل خطوة. وتشمل توجهاتها المستقبلية:
- دعم وكلاء الذكاء الاصطناعي: مساعدة الوكلاء على تصنيف الطلبات وتقييم الخيارات وتحديد الإجراء الأنسب قبل تنفيذه.
- تحسين موثوقية القرارات: مواصلة تدريب النماذج على التعرف إلى الحالات التي لا تمتلك فيها معلومات كافية، وتقليل الثقة المفرطة في الإجابات غير المؤكدة.
- توسيع التطبيقات العملية: إتاحة استخدام النماذج في مهام مثل تصنيف تذاكر الدعم الفني، وتقييم المحتوى، واسترجاع المعلومات، وأتمتة بعض إجراءات العمل.
- تطوير قدرات متعددة الوسائط: أشارت الشركة إلى إمكانية تدريب إصدارات مستقبلية على فهم الصور والفيديو، بدلًا من الاقتصار على البيانات النصية المستخدمة في الإصدارين الحاليين.
- تسهيل تجربة المطورين: توفير النموذجين عبر واجهات API مستضافة، إلى جانب إتاحة الأوزان المفتوحة للتشغيل والتطوير بصورة مستقلة.
في النهاية، تمثل mammoth-1 وelephant-1 توجهًا نحو نماذج متخصصة في اتخاذ القرارات، قد تكون مفيدة عندما تحتاج التطبيقات إلى تصنيفات أو احتمالات واضحة بدلًا من إجابات مطولة. وستعتمد قيمتهما العملية على أدائهما في المهام الفعلية، وتكاليف التشغيل، ومدى موثوقية نتائجهما خارج الاختبارات المعيارية.
