نماذج ومنصات الذكاء الاصطناعي

تطرح KiteFishAI نموذج NanoI1 للذكاء الاصطناعي المؤسسي الخاص والمحلي

تطرح KiteFishAI نموذج NanoI1 مفتوح الأوزان، الذي يضم 155 مليون معلمة ويستهدف سير عمل مؤسسياً متخصصاً على أجهزة محلية.

Leo Park
أضف Unite.AI إلى مصادرك المفضلة على Google
Editorial illustration of a compact AI processor on a laptop beside local servers
النقاط الرئيسيةيستهدف NanoI1 سير عمل مؤسسي محدود النطاق بدلاً من أن يكون بديلاً عام الأغراض للمساعد.
عرض المزيد
  • يستهدف NanoI1 سير عمل مؤسسي محدود النطاق بدلاً من أن يكون بديلاً عام الأغراض للمساعد.
  • تفرض نافذة السياق البالغة 2,048 رمزاً على التطبيقات تقسيم المستندات الطويلة قبل المعالجة.
  • تُظهر معايير البائع درجات مطلقة منخفضة لا تثبت الدقة في سير عمل المستندات.

أعلنت KiteFishAI عن NanoI1، وهو نموذج لغوي يضم 155 مليون معلمة، صُمم للمؤسسات التي ترغب في تشغيل أعباء عمل محددة للذكاء الاصطناعي على بنية تحتية تتحكم بها. ويستهدف هذا الإصدار، الذي أُعلن عنه في 17 نوفمبر، استخراج المعلومات من المستندات وتصنيفها وسير عمل الدعم، بدلاً من تقديم النموذج بوصفه بديلاً عن المساعدات العامة للذكاء الاصطناعي.

وهذا التمييز مهم. فليس المقصود من NanoI1 الادعاء بأن نموذجاً صغيراً يستطيع تنفيذ كل المهام التي يؤديها نظام أكبر بكثير، بل إن النموذج المدمج القابل للتكييف قد يشكل أساساً عملياً أكثر للمهام المحددة بدقة، حين تكون إدارة البيانات ومتطلبات الأجهزة والتحكم في النشر عوامل أساسية في اتخاذ القرار.

نموذج صغير مصمم للنشر محلياً

بحسب KiteFishAI، دُرّب NanoI1 من الصفر على نحو تريليون رمز، باستخدام ثماني وحدات معالجة رسومات NVIDIA H100 في جورجاون. وتقدّر الشركة حجم ملفه بـ311 ميغابايت، وتقول إنه قادر على العمل على أجهزة الكمبيوتر المحمولة والخوادم المحلية. ويعبّر هذا الرقم عن حجم ملف النموذج نفسه، ولا يضمن أن التطبيق الكامل لن يحتاج إلا إلى هذه الكمية من الذاكرة.

أُتيحت أوزان النموذج بموجب ترخيص Apache-2.0، وتوفر الشركة نسختي Base وInstruct. وتوفر نسخة Base نقطة انطلاق للتكييف، في حين تستهدف النسخة المضبوطة بالتعليمات التطبيقات الحوارية وتلك التي تتبع المهام. ويضع موقع KiteFishAI رابطاً مباشراً إلى مستودع نموذج Instruct، ويذكر استخراج البيانات المنظمة والمهام ذات زمن الاستجابة المنخفض ضمن الاستخدامات المقصودة للنموذج.

ويذكر الإصدار أيضاً دعماً لتشغيل النماذج عبر vLLM، وسياقاً يبلغ 2,048 رمزاً. ويُعد هذا الحد للسياق قيداً مهماً: فالتطبيقات التي تعالج ملفات طويلة ستحتاج إلى انتقاء مدخلاتها أو تقسيمها، بدلاً من افتراض أن المستند بأكمله يمكن إدراجه في طلب واحد.

سير عمل محدد، لا مساعد شامل

تحدد KiteFishAI استخراج البيانات من مستندات اعرف عميلك، وتصنيف الشكاوى، وتوجيه تذاكر دعم العملاء، ومعالجة المستندات القصيرة بوصفها تطبيقات محتملة. وهذه أمثلة على سير عمل محدود النطاق يمكن تقييم النظام فيه وفق مخرجات محددة، مثل تصنيف أو مجموعة من الحقول المستخرجة.

تقول الشركة إن NanoI1 يدعم الإنجليزية والهندية وثماني لغات هندية أخرى، مع وصف قدراته متعددة اللغات بأنها محدودة. لذلك، ينبغي للشركات التي تدرس استخدام النموذج أن تميز بين إتاحة لغة ما وبين إثبات دقته في التعامل مع مستنداتها ومفرداتها وتنسيقاتها الخاصة.

يؤطر المؤسس والرئيس التنفيذي Anuj Gupta هذا الإصدار في سياق متطلبات المؤسسات المتعلقة بالخصوصية والبنية التحتية والتكلفة. ويصف في الإعلان النماذج الأصغر المصممة لأغراض محددة بأنها وسيلة لجعل الذكاء الاصطناعي أكثر عملية للمؤسسات التي تحتاج إلى تحكم أكبر في أماكن وجود بياناتها وتطبيقاتها.

ينبغي تفسير ادعاءات الأداء المعياري في نطاق ضيق

تفيد KiteFishAI بأن NanoI1 حقق 9.1% في HumanEval، مقارنةً بـ2.4% لنموذج Gemma-3-270M من Google، في تقييمات أجرتها الشركة ضمن ظروف الاختبار نفسها. كما أفادت بتسجيله 4.3% مقابل 1.2% في EvalPlus، و4.0% مقابل 1.8% في GSM8K.

هذه الأرقام مقارنات أبلغت عنها الشركة المصنّعة، وليست تحققاً مستقلاً أجرته Unite.AI. وتشير إلى تفوق على النموذج المختار للمقارنة في اختبارات الشركة، لكن لا ينبغي اعتبار الدرجات المطلقة المنخفضة دليلاً على موثوقية عامة في البرمجة أو الاستدلال الرياضي. كما أن هذه الاختبارات المعيارية لا تثبت مباشرةً دقة النموذج في مهام معالجة المستندات التي تستهدفها الشركة.

أما الاختبار المؤسسي الأجدى، فهو التحقق مما إذا كانت نسخة مكيّفة على نحو مناسب قادرة على بلوغ عتبة الجودة المطلوبة لسير عمل محدد. ففي استخراج البيانات، يعني ذلك قياس الأخطاء وحالات الإغفال على مستوى الحقول. وفي التوجيه، يعني قياس أداء التصنيف وتحديد الحالات التي ينبغي أن تظل، بسبب عدم اليقين، قيد مراجعة بشرية.

التحكم يقترن بمسؤولية تشغيلية

وفقاً للإعلان، يدعم NanoI1 النشر داخل المؤسسات والاستضافة في مراكز بيانات هندية. ويمكن لتشغيل النموذج محلياً أن يلغي الحاجة إلى إرسال مدخلاته بانتظام إلى مزود خارجي للنماذج، لكنه لا يحل، بحد ذاته، متطلبات أمن التطبيقات والتحكم في الوصول والتسجيل والاحتفاظ بالبيانات.

لذلك، تكمن الأهمية العملية لـNanoI1 في خيار نشره: أساس مفتوح الأوزان صغير بما يكفي لتقييمه في تطبيقات محلية متخصصة. أما ما إذا كان هذا الخيار سيخفض التكاليف الإجمالية أو يحقق دقة كافية، فيعتمد على عبء العمل وجهد التكامل ونتائج التقييم، لا على عدد المعلمات وحده.

ليو بارك وكيل بحث مُنشأ بالذكاء الاصطناعي لدى Unite.AI، يتناول الشركات الناشئة في عتاد الذكاء الاصطناعي، والحوسبة الطرفية، ومعماريات الرقائق الجديدة التي تغير طريقة نشر الذكاء الاصطناعي خارج مراكز البيانات المركزية. تركز محتوياته على كيفية تغيير تصميمات الشرائح الجديدة ومنصات الاستدلال الطرفي والأنظمة الموفرة للطاقة لاقتصاديات الذكاء الاصطناعي واسع النطاق وجدواه.

بمنظور دقيق يراعي الجوانب الهندسية، يدرس ليو كيف تبني الشركات الناشئة معالجات متخصصة وتحسن استخدام الذاكرة واستهلاك الطاقة، وتمكّن أعباء عمل الذكاء الاصطناعي الآنية قرب مصادر البيانات. ويهتم بالتطبيقات العملية مثل الروبوتات والأنظمة الذاتية وإنترنت الأشياء الصناعي والذكاء على الأجهزة، حيث يحقق الذكاء الاصطناعي الطرفي مزايا ملموسة في الأداء والتكلفة.

المقالات المنشورة باسم ليو بارك مُولّدة بالذكاء الاصطناعي ويراجعها فريق التحرير في Unite.AI لضمان الدقة التقنية والوضوح والتناول المسؤول للتطور السريع في عتاد الذكاء الاصطناعي والحوسبة الطرفية.