اینترن‌ال‌ام کد تصمیم‌گیری بدون پاسخ متنی را منتشر کرد

اینترن‌ال‌ام کد تصمیم‌گیری بدون پاسخ متنی را منتشر کرد

اینترن‌ال‌ام کد مدلی را منتشر کرده که به‌جای نوشتن پاسخ، میان گزینه‌های مشخص انتخاب می‌کند و احتمال آن‌ها را برمی‌گرداند.

پژوهش ژرف۶ مهر ۱۴۰۵۷ دقیقهمنبع: InternLM

برای سامانه‌ای که باید درخواست را به صف مناسب بفرستد، این خروجی می‌تواند کاربردی‌تر از یک توضیح طولانی باشد؛ اما عدد اطمینان هنوز به آزمون نیاز دارد. راهنمای پروژه نشان می‌دهد که حتی عوض شدن محیط اجرای مدل می‌تواند اعتبار تنظیم قبلی احتمال‌ها را تغییر دهد. در بخش مالی این گزارش، برنامه مرکز داده لامبدا، آمار سود صنعت چین و صورت‌جلسه تازه‌منتشرشده بانک ژاپن سه تصویر جدا از سرمایه‌گذاری و فشار قیمت‌ها می‌دهند. هیچ‌یک شاهد موفقیت این مدل نیستند؛ همان‌طور که سرعت یک آزمون، صرفه‌جویی واقعی یک کسب‌وکار را ثابت نمی‌کند.

تحلیل ژرف

اینترن‌ال‌ام در ۲۶ سپتامبر کد آموزش، اجرا و ارزیابی Intern-Decision را منتشر کرد؛ مدلی که برای جواب دادن به پرسش‌های دارای گزینه، لازم نیست جمله بنویسد. خروجی آن انتخاب و احتمال است، نه توضیحی که برنامه دیگری باید از میان واژه‌هایش پاسخ را پیدا کند. اهمیت خبر برای تیمی که می‌خواهد درخواست مشتری را دسته‌بندی کند، همین تفاوت است. ولی حذف متن، مسئله اعتماد را حل نمی‌کند: اگر برنامه بر اساس عدد اطمینان مدل کاری را خودکار انجام دهد، باید بداند آن عدد در عمل چقدر قابل اتکاست. این گزارش انتشار کد در شنبه را بررسی می‌کند، نه عرضه‌ای تازه در صبح دوشنبه.

طبق معرفی پروژه، مدل می‌تواند شرح وضعیت و در صورت نیاز تصویر را بگیرد و به چند پرسش ساختاریافته، در یک عبور محاسباتی پاسخ دهد. خانواده آن سه اندازه ۰٫۸، ۲ و ۴ میلیارد پارامتری دارد. گزینه‌ها از پیش مشخص‌اند و محاسبه احتمال به همان پاسخ‌های مجاز محدود می‌شود. برداشت ژرف این است که در کارهایی مثل انتخاب صف رسیدگی، ساختار روشن خروجی می‌تواند اتصال مدل به نرم‌افزار را ساده‌تر کند. این برداشت به معنی بهتر بودن چنین مدلی برای نوشتن، گفت‌وگو یا هر نوع استدلال نیست؛ مسئله‌ای محدود را باید با معیار همان مسئله سنجید.

انتخاب درست و اطمینان درست دو چیز متفاوت‌اند. در یک مثال فرضی، سامانه ممکن است اغلب صف مناسب را انتخاب کند، اما برای پرونده‌های دشوار هم اطمینان زیادی نشان دهد. آن‌وقت مسئول پشتیبانی نمی‌تواند از روی عدد مدل بفهمد کدام پرونده به بازبینی نیاز دارد. کالیبراسیون یعنی بررسی و تنظیم رابطه این عدد با نتیجه واقعی؛ برای مثال، آیا گروهی از پاسخ‌های با اطمینان مشابه واقعاً به همان اندازه درست از آب درمی‌آیند؟ احتمال خروجی را نباید گواه صحت هر پاسخ منفرد دانست. حتی احتمال خوب هم جای اجازه دسترسی، سقف اختیار یا مسئول تصمیم را نمی‌گیرد.

جدول پروژه برای مدل ۴ میلیاردی، دقت ۹۰٫۰۲ درصد را نشان می‌دهد، اما این عدد میانگین ساده هفت مجموعه آزمون است، نه نسبت پاسخ‌های درست در کل نمونه‌های یک محیط واقعی. خود راهنمای ارزیابی این مجموعه‌ها را ابزار بررسی هنگام توسعه می‌داند، نه آزمون مستقل و دست‌نخورده. این قید ارزش انتشار را از بین نمی‌برد؛ جای استفاده از عدد را روشن می‌کند. می‌توان با آن مسئله‌های سخت‌تر را پیدا کرد و روش اجرا را بررسی کرد. نمی‌توان بدون داده تازه نتیجه گرفت که مدل در درخواست‌های فارسی، مدارک ناخوانا یا دسته‌بندی‌های اختصاصی یک شرکت همان دقت را خواهد داشت.

برای سرعت نیز زمینه آزمون تعیین‌کننده است. در آزمایش محلی اعلام‌شده روی RTX 4090 با دقت عددی BF16، ورودی ۲۸۹ توکنی و سه فیلد تصمیم، میانگین تأخیر مدل ۴ میلیاردی ۴۴٫۱۶ میلی‌ثانیه و خط مبنای Jev برابر ۱۰۹٫۷۰ میلی‌ثانیه بوده است. این‌ها اندازه‌گیری تیم پروژه‌اند و ژرف آن‌ها را مستقلاً اجرا نکرده است. انتظار در صف، انتقال داده، بار هم‌زمان و رسیدگی به خطا در یک خدمت واقعی می‌توانند بخش دیگری از زمان باشند. از همین آزمایش کوتاه نمی‌توان کاهش مشخص هزینه هر درخواست یا برتری پایدار در هر سخت‌افزار را استخراج کرد.

گزارش اطمینان هم محدودیت روشنی دارد. پروژه یک آزمایش مقدماتی ۹۶ موردی منتشر کرده که بخشی از موارد آن به هم وابسته‌اند؛ بنابراین ۹۶ مشاهده مستقل در اختیار نداریم. برای مدل ۴ میلیاردی، خطای مورد انتظار کالیبراسیون در این آزمون از ۰٫۲۱۳ به ۰٫۰۸۹ کاهش یافته است. تنظیم از نوع دماست: شدت احتمال‌ها را تغییر می‌دهد، بی‌آنکه لزوماً گزینه برنده عوض شود. داده خصوصیِ تعیین این تنظیم منتشر نشده است. پس بازاجرای ارزیابی با ضریب آماده، با بازسازی مستقل روندی که آن ضریب را به دست آورده یکسان نیست.

راهنمای جداگانه بازآزمایی، نکته مهم دیگری را آشکار می‌کند: جدول دقت و اطمینان با XTuner تهیه شده، اما جدول سرعت از اجرای بومی Hugging Face می‌آید. تفاوت محاسبات عددی می‌تواند احتمال‌ها و گاهی انتخاب مدل را تغییر دهد؛ ضریب آماده کالیبراسیون نیز به اجرای XTuner مربوط است. در نتیجه تیمی که اجرای دیگری را انتخاب می‌کند نباید همان ضریب را بی‌بررسی معتبر بداند. این جزئیات از خود رتبه جدول کاربردی‌تر است، چون نشان می‌دهد چه چیزی باید همراه مدل ثبت شود: فقط نام و وزن‌ها کافی نیست، روش اجرا هم بخشی از آزمایش است.

برای یک تیم ایرانی، آزمایش مفید می‌تواند از درخواست‌های واقعی و بی‌نام پشتیبانی آغاز شود: مثلاً انتخاب میان «پیگیری سفارش»، «اصلاح فاکتور» و «ارجاع به مسئول». این نمونه پیشنهادی ژرف است، نه کاربرد اثبات‌شده محصول. پیش از آزمون باید هزینه فرستادن پرونده به صف اشتباه و وقت بازبین روشن باشد. سپس دقت انتخاب، اطمینان و حجم ارجاع انسانی را جدا ثبت کرد. آستانه‌ای که صف بازبینی را خلوت می‌کند شاید خطاهای پرهزینه را بیشتر کند. همچنین مجموعه‌ای که برای تنظیم آستانه استفاده شده نباید دوباره به‌عنوان شاهد مستقل موفقیت معرفی شود؛ در آن صورت آزمون عملاً پاسخ خودش را دیده است.

در بخش زیرساخت، لامبدا در ۲۷ سپتامبر برنامه ساخت مرکز داده در شهرستان میزِ اوکلاهما را اعلام کرد. برآورد شرکت، ۵۰۰ میلیون دلار مالیات طی ده سال با نرخ‌های فعلی، تا هزار شغل ساخت‌وساز و تا صد شغل دائمی است. این ارقام پیش‌بینی‌اند، نه پول پرداخت‌شده یا شغل ایجادشده امروز. شرکت همچنین متعهد شده تمام هزینه برق را بپردازد و از خنک‌کاری مدار بسته استفاده کند. این خبر از تعهد به توسعه ظرفیت حکایت دارد؛ نه از بازده خریدار خدمات پردازشی و نه از رابطه تجاری با اینترن‌ال‌ام. برای قضاوت مالی باید اجرای پروژه و هزینه واقعی تأمین منابع را دنبال کرد.

آمار امروز اداره ملی آمار چین، سود صنایع بزرگ مشمول گزارش در ژانویه تا اوت را ۵٫۲۷۱۹۸ تریلیون یوان و رشد آن را بر مبنای قابل مقایسه ۱۵٫۷ درصد اعلام می‌کند؛ رشد سالانه سود در خود اوت ۴٫۲ درصد بوده است. سود گروه رایانه، ارتباطات و تجهیزات الکترونیکی ۱۰۹٫۹ درصد بالا رفته، ولی این گروه فقط هوش مصنوعی نیست. حساب‌های دریافتنی کل صنایع نیز ۹ درصد افزایش یافته‌اند. رشد سود و وصول پول یک مفهوم نیستند؛ از این دو رقم به‌تنهایی هم نمی‌توان بحران نقدینگی نتیجه گرفت. پوشش گزارش، بنگاه‌های صنعتی با درآمد سالانه فعالیت اصلی حداقل ۲۰ میلیون یوان است، نه همه کسب‌وکارهای چین.

بانک ژاپن نیز امروز صورت‌جلسه نشست ۳۰ و ۳۱ ژوئیه را منتشر کرد، نه تصمیم تازه‌ای درباره نرخ بهره. اعضا در آن نشست، تقاضای قطعات و مواد مرتبط با هوش مصنوعی را یکی از ریسک‌های افزایش قیمت دانسته‌اند. یک عضو میان اثر احتمالیِ تثبیت‌کننده فناوری بر قیمت‌ها در بلندمدت و فشار سرمایه‌گذاری و تقاضا بر قیمت‌ها در چند سال نزدیک تفاوت گذاشته است. بحث ادامه افزایش مشروط نرخ بهره نیز در شرایط نزدیک شدن تورم زیربنایی به ۲ درصد مطرح شده بود. این سند نشان می‌دهد هزینه گسترش هوش مصنوعی وارد بحث سیاست پولی شده؛ اما دیدگاه ژوئیه را نباید پیش‌بینی تازه سپتامبر یا اعلام زمان افزایش بعدی نرخ خواند.

این اسناد را نباید شاهد یک ادعای واحد گرفت: آزمون مدل، برنامه سرمایه‌گذاری و آمار کلان به پرسش‌های متفاوت جواب می‌دهند. درباره Intern-Decision باید ارزیابی مستقل روی داده تازه، کیفیت احتمال‌ها در اجرای منتخب و هزینه خطا پس از استقرار را دنبال کرد. برای لامبدا، تحقق برنامه از تکرار مالیات پیش‌بینی‌شده مهم‌تر است؛ برای داده‌های چین و ژاپن، باید دوره آماری و زمان تصمیم را از تاریخ انتشار جدا نگه داشت. انتشار کد فرصتی برای سنجش ایجاد می‌کند. تا وقتی انتخاب درست و اطمینان قابل اتکا در کار واقعی کنار هم اثبات نشده‌اند، پاسخ سریع‌تر به‌خودی‌خود مجوز تصمیم خودکار نیست.

منابع و اسناد

  1. Intern-Decision
    InternLM، ۴ مهر ۱۴۰۵
  2. Reproducing evaluation tables / 评测复现指南
    InternLM، ۴ مهر ۱۴۰۵
  3. Lambda to build new data center in Mayes County, Oklahoma, generating half a billion dollars in tax revenue over next decade
    Lambda، ۵ مهر ۱۴۰۵
  4. 2026年1—8月份全国规模以上工业企业利润增长15.7%
    National Bureau of Statistics of China، ۶ مهر ۱۴۰۵
  5. Minutes of the Monetary Policy Meeting on July 30 and 31, 2026
    Bank of Japan، ۶ مهر ۱۴۰۵

برچسب‌هااینترن‌ال‌اممدل‌های تصمیم‌گیرکالیبراسیونزیرساخت هوش مصنوعیسود صنعتیبانک ژاپن

مطالب مرتبط

یک فرایند را با ما در میان بگذارید

اگر این مطلب به فرایندی واقعی در سازمان شما مربوط است، از صفحه خدمات شروع کنید یا با ما تماس بگیرید.