متا مدل هوش مصنوعی رایگانی ساخت که برای اجرا به اینترنت نیاز ندارد

ایده اصلی ساده است: به‌جای اینکه پرسش کاربر به یک مرکز داده ارسال شود و پاسخ از طریق اینترنت برگردد، خود رایانه می‌تواند مدل را اجرا کند و پاسخ را تولید کند. این موضوع علاوه بر کاهش وابستگی به سرویس‌های ابری، می‌تواند برای کاربرانی که روی حریم خصوصی اطلاعات حساس هستند نیز اهمیت داشته باشد.

یک مدل کوچک‌تر از خانواده Muse

Muse Glimmer محصول آزمایشگاه ابرهوش متا است و از مدل بزرگ‌تر Muse Spark الهام گرفته شده است. متا از مدل بزرگ‌تر برای آموزش نسخه‌ای کوچک‌تر استفاده کرده تا بتواند بخشی از قابلیت‌های آن را با نیاز سخت‌افزاری پایین‌تر ارائه کند.

Muse Glimmer فقط به متن محدود نیست و تصویر را نیز به‌عنوان ورودی دریافت می‌کند، هرچند پاسخ نهایی را به شکل متن ارائه می‌دهد. این مدل از بیش از ۱۰۰ زبان پشتیبانی می‌کند و می‌تواند مکالمه‌هایی با بیش از ۱۳۱ هزار توکن را در یک نشست مدیریت کند.

دانش این مدل نیز تا ۴ ژانویه ۲۰۲۶ ادامه دارد؛ بنابراین نباید انتظار داشت درباره اتفاقاتی که بعد از این تاریخ رخ داده‌اند، اطلاعات داخلی داشته باشد.

“”توسعه برند را در اینستاگرام و تلگرام و لینکدین دنبال کنید””

مشکل اصلی سخت‌افزار است

رایگان بودن Muse Glimmer به معنای سبک بودن آن نیست. اگر مدل را در حالت دقت کامل اجرا کنید، حدود ۶۴ گیگابایت حافظه گرافیکی لازم دارد؛ ظرفیتی که حتی در بسیاری از رایانه‌های قدرتمند هم در دسترس نیست.

اینجاست که فشرده‌سازی وارد ماجرا می‌شود. متا نسخه‌های کوانتیزه‌شده مدل را ارائه کرده که با کاهش حجم داده‌ها، اجرای آن را روی سخت‌افزارهای متداول‌تر امکان‌پذیر می‌کنند.

دو نسخه اصلی برای این کار ارائه شده است. K-Quant-Dynamic به حدود ۳۲ گیگابایت حافظه نیاز دارد و افت دقت آن تنها حدود ۰.۲ درصد است. نسخه K-Quant-17GB نیز با نیاز به حدود ۲۴ گیگابایت حافظه، فشار کمتری به سخت‌افزار وارد می‌کند اما افت دقت آن به حدود یک درصد می‌رسد.

در نتیجه، اگر قصد اجرای Muse Glimmer را دارید، احتمالاً باید سراغ سخت‌افزارهای قدرتمند بروید. کارت‌های گرافیکی مانند RTX ۵۰۹۰، RTX ۴۰۹۰ و RTX ۳۰۹۰ از گزینه‌های مناسب برای اجرای آن هستند و رایانه‌های مجهز به تراشه‌های قدرتمند Apple Silicon Max نیز می‌توانند از این مدل استفاده کنند.

سرعتی که فقط به قدرت سخت‌افزار وابسته نیست

متا برای اینکه Muse Glimmer فقط یک مدل بزرگ و سنگین نباشد، از فناوری دیگری به نام DFlash هم استفاده کرده است. این فناوری به مدل اجازه می‌دهد چندین توکن را هم‌زمان پیش‌بینی کند، به‌جای اینکه هر توکن را یکی پس از دیگری تولید کند.

تفاوت در عمل قابل توجه است. در آزمایش انجام‌شده با RTX 5090، سرعت تولید پاسخ از ۷۴.۹ توکن در ثانیه به ۲۳۳.۴ توکن در ثانیه رسیده است. یعنی سرعت خروجی بیش از سه برابر شده است.

از نظر عملکرد نیز Muse Glimmer قرار نیست در همه زمینه‌ها بهترین مدل باشد. این مدل در برنامه‌ریزی و انجام وظایف چندمرحله‌ای عملکرد قدرتمندی دارد و در برخی آزمون‌ها از مدل‌هایی مانند Gemma4 و Qwen3.۶ بهتر ظاهر می‌شود. در مقابل، وقتی پای کنترل مستقیم رایانه و انجام کار در محیط دسکتاپ به میان می‌آید، عملکرد آن ضعیف‌تر است.

هوش مصنوعی بدون اینترنت چرا اهمیت دارد؟

مهم‌ترین ویژگی Muse Glimmer شاید تعداد پارامترها یا سرعت آن نباشد. اجرای محلی به این معناست که کاربر می‌تواند مدل را مستقیماً روی دستگاه خودش داشته باشد و برای هر پرسش مجبور به استفاده از یک سرویس آنلاین نباشد.

این قابلیت برای افرادی که با اطلاعات خصوصی یا حساس کار می‌کنند اهمیت بیشتری پیدا می‌کند. داده‌ها برای پردازش الزاماً نیازی به خروج از دستگاه ندارند و کاربر کنترل بیشتری روی محیط اجرای مدل خواهد داشت.

البته این مزیت در برابر یک مانع جدی قرار دارد: قدرت سخت‌افزار. هرچه مدل بزرگ‌تر و توانمندتر باشد، اجرای محلی آن نیز منابع بیشتری می‌خواهد.

Muse Glimmer در حال حاضر از طریق Hugging Face و LM Studio قابل دریافت است. بنابراین کاربران دارای سخت‌افزار سازگار می‌توانند آن را روی رایانه خود اجرا کنند و تجربه‌ای از یک مدل هوش مصنوعی قدرتمند را بدون وابستگی مستقیم به اینترنت داشته باشند.

متا با این مدل نشان می‌دهد رقابت هوش مصنوعی فقط به ساخت مدل‌های بزرگ‌تر در مراکز داده محدود نیست. بخشی از آینده این فناوری می‌تواند به مدل‌هایی تعلق داشته باشد که به‌جای زندگی در فضای ابری، مستقیماً روی رایانه کاربران اجرا می‌شوند.