کیفیت فارسی روی کار شما
جدول‌های عمومی فقط نقطه شروع‌اند. چند مدل را روی نمونه واقعی کار شما، مثل پرسش، سند و نامه، میسنجیم و نتیجه را با هم مرور میکنیم.
مدلهای هوش مصنوعی لوکال که روی سرور شما راه می‌اندازیم
هر مدلی که وزن‌هایش منتشر شده باشد روی سختافزار خودتان اجرا میشود؛ از DeepSeek، Qwen، Kimi و GLM چینی تا Gemma و Mistral. مدل را بعد از سنجیدن چند گزینه روی کار فارسی خود شما انتخاب میکنیم، با مجوزی که استفاده تجاری‌تان را پوشش بدهد.
مدل لوکال یعنی چه
مدل لوکال (مدل باز) مدلی است که سازنده‌اش فایل وزن‌ها را منتشر کرده تا هر کسی روی سختافزار خودش اجرایش کند؛ برخلاف چت جی پی تی (ChatGPT) یا Claude که فقط از راه سرویس سازنده در دسترس‌اند. داده شما از سرور بیرون نمی‌رود و قطعی اینترنت بینالملل کار را متوقف نمی‌کند. پیش از انتخاب دو چیز را میسنجیم: کیفیت فارسی مدل روی کار خود شما، و شرایط مجوزش برای استفاده تجاری.
مدل را چطور انتخاب میکنیم
اندازه به نسبت سختافزار
مدل کوچک‌تری که سریع و درست پاسخ بدهد، از مدل بزرگی که به‌زحمت جا میشود و کند است بهتر است.
مجوز تجاری
مجوز هر مدل را میخوانیم. بعضی آزادند (MIT و Apache 2.0)، بعضی برای سرویسدهی گسترده یا شرکتهای خیلی بزرگ شرط دارند و بعضی فقط غیرتجاریاند.
نرمافزار اجرا
بررسی میکنیم مدل روی vLLM، llama.cpp یا MLX اجرا میشود؛ بعضی مدلهای تازه هنوز همه‌جا پشتیبانی نمی‌شوند.
بهترین مدلهای باز در آزمون فارسی
Open Persian LLM Leaderboard تنها جدول به‌روز آزمون فارسی مدلهای زبانی است: ۲۱ آزمون، از ادبیات فارسی و ضرب‌المثل تا قانون و هنجارهای اجتماعی ایران (داده تا ۲۸ شهریور ۱۴۰۵). میانگین ساده ۲۱ آزمون را ما حساب کرده‌ایم و رتبه رسمی جدول نیست.
| مدل | سازنده | میانگین آزمون فارسی | اندازه | سختافزار مناسب |
|---|---|---|---|---|
| Gemma 4 31B | ۷۸٫۶؛ بالاتر از GPT-4o با ۷۶٫۳ | ۳۱ میلیارد پارامتر | یک RTX 5090 در ۴ بیت، یا یک Mac Studio | |
| Qwen3.8-27B | Alibaba (Qwen) | ۷۶٫۱؛ بهترین نمره ادبیات فارسی | ۲۸ میلیارد پارامتر | یک RTX 5090 در ۴ بیت، یا یک Mac Studio |
| Gemma 4 26B-A4B | ۷۰٫۷ | ۲۶ میلیارد، ۴ میلیارد فعال | یک کارت ۲۴ تا ۳۲ گیگابایتی، DGX Spark یا Ryzen AI Max | |
| Llama 4 Scout | Meta | ۶۹٫۰ | ۱۰۹ میلیارد، ۱۷ میلیارد فعال | یک RTX PRO 6000 یا Mac Studio M5 Max |
| Gemma 4 E4B | ۵۹٫۰ | حدود ۴٫۵ میلیارد مؤثر | Mac mini یا یک کارت ۸ گیگابایتی |
Command A+ از Cohere فارسی را جزو ۴۸ زبان آموزشش آورده و نسل قبلش (Command A) در همین جدول ۷۰٫۰ گرفته است. برای بقیه مدلها، از جمله همه مدلهای بزرگ چینی، نمره فارسی منتشرشدهای پیدا نکردیم؛ آن‌ها را روی کار خود شما میسنجیم.
مدلهای بزرگ؛ ۲۰۰ میلیارد پارامتر و بیشتر
اندازه، مجوز و تاریخ از کارت رسمی هر مدل در Hugging Face، بازبینی‌شده در ۳۰ مهر ۱۴۰۵. «فعال» یعنی پارامترهایی که برای هر کلمه به کار می‌روند؛ در مدلهای MoE این عدد سرعت را تعیین میکند و اندازه کل، حافظه لازم را.
| مدل | سازنده | اندازه کل / فعال | مجوز | حافظه در ۴ / ۸ بیت | سختافزار مناسب |
|---|---|---|---|---|---|
| DeepSeek-V4.1-Flash | DeepSeek، چین | ۵۵۲ میلیارد به‌اضافه حافظه Engram با ۱۹۶ میلیارد / ۸ تا ۱۶ میلیارد | MIT | حدود ۴۶۰ / ۹۲۰ گیگابایت (فایل رسمی حدود ۵۱۰) | سرور هشت‌کارتی H200 یا B200 |
| DeepSeek-V4-Pro | DeepSeek، چین | ۱٫۶ تریلیون / ۴۹ میلیارد | MIT | حدود ۹۹۰ / ۱۹۸۰ گیگابایت | سرور هشت‌کارتی B200 به بالا، یا کلاستر Mac Studio |
| DeepSeek-V4-Flash | DeepSeek، چین | ۲۸۴ میلیارد / ۱۳ میلیارد | MIT | حدود ۱۷۰ / ۳۴۰ گیگابایت | یک Mac Studio M5 Ultra یا سرور چهارکارتی |
| Kimi K3 | Moonshot AI، چین | ۲٫۸ تریلیون / ۱۰۴ میلیارد | مجوز Kimi K3؛ برای سرویسدهی گسترده شرط دارد | حدود ۱۶۷۰ / ۳۳۴۰ گیگابایت | سرور هشت‌کارتی B300 یا MI355X در ۴ بیت |
| Kimi K2.7 Code | Moonshot AI، چین | ۱ تریلیون / ۳۲ میلیارد | MIT اصلاح‌شده | حدود ۶۲۰ / ۱۲۳۰ گیگابایت | سرور هشت‌کارتی H200، یا دو Mac Studio ۵۱۲ گیگابایتی |
| Qwen3.8-2.4T-A95B | Alibaba، چین | ۲٫۴ تریلیون / ۹۵ میلیارد | مجوز Qwen3.8-Max؛ برای سرویسدهی گسترده شرط دارد | حدود ۱۴۷۰ / ۲۹۴۰ گیگابایت | سرور هشت‌کارتی B300 یا MI355X |
| Qwen3.5-397B-A17B | Alibaba، چین | ۳۹۷ میلیارد / ۱۷ میلیارد | Apache 2.0 | حدود ۲۴۰ / ۴۸۰ گیگابایت | Mac Studio ۵۱۲ گیگابایتی یا سرور چهارکارتی H200 |
| GLM-5.2 و GLM-5.3 | Z.ai، چین | ۷۴۴ میلیارد / ۴۰ میلیارد | نسخه ۵٫۲ با MIT؛ نسخه ۵٫۳ با شرطی که فقط شامل شرکتهای بسیار بزرگ میشود | حدود ۴۵۰ / ۹۰۰ گیگابایت | سرور هشت‌کارتی H200، یا Mac Studio ۵۱۲ گیگابایتی در ۴ بیت |
| MiMo-V2.6 (Pro و Flash) | Xiaomi، چین | نسخه Pro با ۱ تریلیون / ۴۲ میلیارد؛ نسخه Flash با ۳۰۹ / ۱۵ میلیارد | MIT | نسخه Pro حدود ۶۱۰ / ۱۲۳۰ و نسخه Flash حدود ۱۹۰ / ۳۷۰ گیگابایت | نسخه Pro روی سرور هشت‌کارتی؛ نسخه Flash روی یک Mac Studio M5 Ultra |
| MiniMax-M3 | MiniMax، چین | حدود ۴۲۸ میلیارد / ۲۳ میلیارد | مجوز MiniMax Community؛ استفاده تجاری با اعلام و نشان «Built with MiniMax M3» | حدود ۲۵۶ / ۵۱۲ گیگابایت | Mac Studio ۵۱۲ گیگابایتی یا سرور چهارکارتی H200 |
| Tencent Hy3 | Tencent، چین | ۲۹۵ میلیارد / ۲۱ میلیارد | Apache 2.0 | حدود ۱۸۰ / ۳۶۰ گیگابایت | یک Mac Studio M5 Ultra یا سرور چهارکارتی |
| Ling-3.1-flash | Ant Group، چین | ۵۶۰ میلیارد / ۲۵ میلیارد | MIT | حدود ۳۴۰ / ۶۹۰ گیگابایت | سرور هشت‌کارتی H200 |
| Muse Spark Open | Meta، آمریکا | ۸۱۶ میلیارد / ۴۲ میلیارد | مجوز Muse؛ نشان «Built with» و شرط سرویسدهی گسترده | حدود ۴۹۰ / ۹۹۰ گیگابایت | چهار Mac Studio M5 Ultra (آزمایش اپل) یا سرور هشت‌کارتی |
| Nemotron 3 Ultra | NVIDIA، آمریکا | ۵۵۰ میلیارد / ۵۵ میلیارد | OpenMDW-1.1 (آزاد) | حدود ۳۴۰ / ۶۷۰ گیگابایت | سرور هشت‌کارتی H200 یا B200 |
| Mistral Large 3 | Mistral، اروپا | ۶۷۵ میلیارد / ۴۱ میلیارد | Apache 2.0 | حدود ۴۰۵ / ۸۱۰ گیگابایت | سرور هشت‌کارتی H200 |
| Command A+ | Cohere، کانادا | ۲۱۸ میلیارد / ۲۵ میلیارد | Apache 2.0 | حدود ۱۳۰ / ۲۶۰ گیگابایت | دو کارت H100 یا یک Mac Studio M5 Ultra |
ستون حافظه برآورد ماست و فقط وزن‌ها را حساب میکند (پارامتر کل × بیت ÷ ۸ × ۱٫۲)؛ زمینه بلند و کاربران هم‌زمان حافظه بیشتری می‌خواهند. بسیاری از فایل‌های رسمی از قبل ۸ یا ۴ بیتی‌اند.
مدلهای میان‌اندازه؛ ۲۰ تا ۱۳۰ میلیارد پارامتر
| مدل | سازنده | اندازه کل / فعال | مجوز | حافظه در ۴ / ۸ بیت | سختافزار مناسب |
|---|---|---|---|---|---|
| Qwen3.8-27B | Alibaba، چین | ۲۸ میلیارد | Apache 2.0 | حدود ۱۷ / ۳۳ گیگابایت | یک RTX 5090 یا Mac mini M5 Pro |
| Qwen3.6-35B-A3B | Alibaba، چین | ۳۶ میلیارد / ۳ میلیارد | Apache 2.0 | حدود ۲۲ / ۴۳ گیگابایت | یک RTX 5090 یا Mac mini M5 Pro |
| Qwen3.5-122B-A10B | Alibaba، چین | ۱۲۵ میلیارد / ۱۰ میلیارد | Apache 2.0 | حدود ۷۵ / ۱۵۰ گیگابایت | یک RTX PRO 6000، DGX Spark یا Mac Studio M5 Max |
| Gemma 4 31B و 26B-A4B | Google، آمریکا | ۳۱ میلیارد؛ ۲۶ میلیارد / ۴ میلیارد | Apache 2.0 | حدود ۱۹ / ۳۸ و ۱۵ / ۳۱ گیگابایت | یک RTX 5090 یا Mac Studio |
| gpt-oss-120b و gpt-oss-20b | OpenAI، آمریکا | ۱۱۷ / ۵ میلیارد؛ ۲۱ / ۴ میلیارد | Apache 2.0 | حدود ۷۰ / ۱۴۰ و ۱۳ / ۲۵ گیگابایت | نسخه ۱۲۰ میلیاردی روی RTX PRO 6000، DGX Spark یا Ryzen AI Max؛ نسخه ۲۰ میلیاردی روی یک کارت ۱۶ گیگابایتی |
| Mistral Small 4 | Mistral، اروپا | ۱۱۹ میلیارد / ۶٫۵ میلیارد | Apache 2.0 | حدود ۷۱ / ۱۴۳ گیگابایت | یک RTX PRO 6000 یا Mac Studio M5 Max |
| Mistral Medium 3.5 | Mistral، اروپا | ۱۲۸ میلیارد | MIT اصلاح‌شده؛ برای شرکت با درآمد ماهانه بیش از ۲۰ میلیون دلار حقی نمی‌دهد | حدود ۷۷ / ۱۵۴ گیگابایت | دو RTX PRO 6000 یا Mac Studio M5 Ultra |
| Muse Glimmer 30B | Meta، آمریکا | ۳۰ میلیارد | Apache 2.0 | حدود ۱۸ / ۳۶ گیگابایت | یک RTX 5090 یا Mac Studio |
| Nemotron 3.5 Super VL | NVIDIA، آمریکا | ۱۲۰ میلیارد / ۱۲ میلیارد | OpenMDW-1.1 | حدود ۷۴ / ۱۴۹ گیگابایت | یک RTX PRO 6000 یا DGX Spark |
| GLM-4.7-Flash | Z.ai، چین | ۳۰ میلیارد / ۳ میلیارد | MIT | حدود ۱۹ / ۳۷ گیگابایت | یک RTX 5090 یا Mac mini M5 Pro |
| Seed-OSS-36B | ByteDance، چین | ۳۶ میلیارد | Apache 2.0 | حدود ۲۲ / ۴۳ گیگابایت | یک RTX 5090 یا RTX PRO 5000 |
| ERNIE-4.5-21B-A3B | Baidu، چین | ۲۲ میلیارد / ۳ میلیارد | Apache 2.0 | حدود ۱۳ / ۲۶ گیگابایت | یک کارت ۲۴ گیگابایتی |
| Kolibri-1 | Aleph Alpha، آلمان | ۷۸ میلیارد / ۳٫۵ میلیارد | Apache 2.0 | حدود ۴۷ / ۹۴ گیگابایت | یک RTX PRO 6000 یا Mac Studio M5 Max |
| Granite 4.2 30B | IBM، آمریکا | ۲۹ میلیارد | Apache 2.0 | حدود ۱۸ / ۳۵ گیگابایت | یک RTX 5090 |
مدلهای کوچک؛ تا ۱۵ میلیارد پارامتر
برای لپ‌تاپ، Mac mini، رایانه‌های کوچک و کارهای ساده و پرتکرار مثل دسته‌بندی، خلاصه کوتاه و استخراج اطلاعات.
| مدل | سازنده | اندازه | مجوز | حافظه در ۴ / ۸ بیت | نکته |
|---|---|---|---|---|---|
| Gemma 4 12B | Google، آمریکا | ۱۲ میلیارد؛ متن، تصویر و صدا | Apache 2.0 | حدود ۷ / ۱۴ گیگابایت | آموزش‌دیده روی بیش از ۱۴۰ زبان |
| Gemma 4 E4B و E2B | Google، آمریکا | حدود ۴٫۵ و ۲٫۳ میلیارد مؤثر | Apache 2.0 | حدود ۵ / ۱۰ و ۳ / ۶ گیگابایت | آزمون فارسی ۵۹٫۰ و ۵۰٫۵ |
| Qwen3.5-9B، 4B و 2B | Alibaba، چین | ۹٫۷، ۴٫۷ و ۲٫۳ میلیارد | Apache 2.0 | از حدود ۱٫۴ تا ۱۲ گیگابایت | متن و تصویر |
| MiMo-V2.6-Distill-Qwen-9B | Xiaomi، چین | ۹٫۴ میلیارد | MIT | حدود ۶ / ۱۱ گیگابایت | نسخه کوچک‌شده MiMo شیائومی |
| Ministral 3 (14B، 8B و 3B) | Mistral، اروپا | ۱۴، ۹ و ۴ میلیارد | Apache 2.0 | از حدود ۲ تا ۱۷ گیگابایت | متن و تصویر |
| Phi-4 و Phi-4-mini | Microsoft، آمریکا | ۱۵ و ۳٫۸ میلیارد | MIT | حدود ۹ / ۱۸ و ۲ / ۵ گیگابایت | استدلال و ریاضی |
| Granite 4.2 (8B و 3B) | IBM، آمریکا | ۸٫۸ و ۳٫۷ میلیارد | Apache 2.0 | حدود ۵ / ۱۱ و ۲ / ۴ گیگابایت | کارهای سازمانی سبک |
| MiniCPM5-2B | OpenBMB، چین | ۲٫۵ میلیارد | Apache 2.0 | حدود ۱٫۵ / ۳ گیگابایت | برای دستگاه‌های کوچک |
مدلهای برنامه‌نویسی
| مدل | سازنده | اندازه کل / فعال | مجوز | حافظه در ۴ / ۸ بیت | سختافزار مناسب |
|---|---|---|---|---|---|
| Qwen3-Coder-Next | Alibaba، چین | ۸۰ میلیارد / ۳ میلیارد | Apache 2.0 | حدود ۴۸ / ۹۶ گیگابایت | یک RTX PRO 6000 یا Mac Studio M5 Max |
| Qwen3-Coder-30B-A3B و 480B-A35B | Alibaba، چین | ۳۰ / ۳ میلیارد؛ ۴۸۰ / ۳۵ میلیارد | Apache 2.0 | حدود ۱۸ / ۳۷ و ۲۸۸ / ۵۷۶ گیگابایت | نسخه ۳۰ میلیاردی روی یک RTX 5090؛ نسخه ۴۸۰ میلیاردی روی Mac Studio ۵۱۲ گیگابایتی یا سرور هشت‌کارتی |
| Kimi K2.7 Code | Moonshot AI، چین | ۱ تریلیون / ۳۲ میلیارد | MIT اصلاح‌شده | حدود ۶۲۰ / ۱۲۳۰ گیگابایت | سرور هشت‌کارتی H200 یا دو Mac Studio ۵۱۲ گیگابایتی |
| Devstral Small 2 | Mistral، اروپا | ۲۴ میلیارد | Apache 2.0 | حدود ۱۴ / ۲۹ گیگابایت | یک RTX 5090 |
| Devstral 2 | Mistral، اروپا | ۱۲۵ میلیارد | MIT اصلاح‌شده؛ برای شرکت با درآمد ماهانه بیش از ۲۰ میلیون دلار حقی نمی‌دهد | حدود ۷۵ / ۱۵۰ گیگابایت | دو RTX PRO 6000 یا Mac Studio M5 Ultra |
Qwen3.8-27B، GLM-5.3 و DeepSeek-V4 هم در برنامه‌نویسی قوی‌اند؛ مقایسه آن‌ها برای اجرا روی سرور خودتان را در مقاله جداگانه‌ای نوشته‌ایم.
گفتار، تصویر، سند و جست‌وجو
| کار | مدل | مجوز | وضعیت فارسی |
|---|---|---|---|
| تبدیل گفتار به متن، دسته‌ای | Whisper large-v3 و v3-turbo، با نسخه‌های فارسی‌شده | Apache 2.0 و MIT؛ نسخه‌های فارسی CC-BY-4.0 یا MIT | Whisper پایه در آزمون FLEURS فارسی حدود ۳۶ درصد خطای کلمه دارد؛ نسخه‌های فارسی‌شده مهر ۱۴۰۵ به گفته سازندگانشان خطای بسیار کمتری دارند |
| تبدیل گفتار به متن، زنده | nemotron-asr-streaming-farsi، بر پایه مدل NVIDIA | OpenMDW-1.1 | به گزارش سازنده، ۸٫۸ درصد خطای کلمه روی کل آزمون FLEURS فارسی؛ فقط فارسی |
| تبدیل گفتار به متن، چندزبانه | Meta Omnilingual ASR | Apache 2.0 | خطای حرف ۳٫۴ درصد برای فارسی در جدول رسمی Meta |
| تبدیل متن به گفتار | Piper (صداهای fa_IR) و MOSS-TTS v1.5 | MIT و Apache 2.0 | تنها گزینه‌های فارسی با مجوز تجاری آزاد؛ بهترین صداهای فارسی سنجیده‌شده (OmniVoice و Higgs) فقط غیرتجاریاند |
| خواندن تصویر و سند (OCR) | Qwen3-VL، DeepSeek-OCR-2، PaddleOCR-VL و GLM-OCR | Apache 2.0 و MIT | هیچ‌کدام دقت OCR فارسی منتشر نکرده‌اند؛ روی اسکن‌های خود شما میآزماییم |
| جست‌وجو در اسناد (embedding) | bge-m3، multilingual-e5-large و Nemotron-3.5-Embed | MIT و OpenMDW-1.1 | bge-m3 در آزمون فارسی FaMTEB نمره ۵۹٫۱ دارد؛ Nemotron-3.5-Embed فارسی را جزو زبان‌های سنجیده‌شده‌اش آورده |
| ساخت تصویر | FLUX.2 klein 4B، Qwen-Image-2512 و ERNIE-Image | Apache 2.0 | هیچ‌کدام نوشتن متن فارسی درون تصویر را تضمین نمی‌کند |
نمره‌های خطای گفتار از منابع و زیرمجموعه‌های مختلف آمده‌اند و با هم قابل مقایسه نیستند؛ هر مدل گفتار را روی صدای خود شما میسنجیم.
از اولین تماس تا سامانه‌ای که کار میکند
سختافزار را بعد از سنجیدن مدل روی کار خود شما انتخاب میکنیم، نه از روی جدول. پیشفاکتور فقط وقتی صادر میشود که معلوم باشد چه مدلی، برای چند نفر و با چه سرعتی باید کار کند.
- ۰۱
گفتوگوی اول
کار، تعداد کاربران، داده، محل نصب و سخت‌افزاری را که از قبل دارید مرور میکنیم.
- ۰۲
سنجش روی کار شما
چند مدل باز را روی نمونه کار واقعی‌تان میسنجیم و حافظه و سرعت لازم را از روی همان نتیجه حساب میکنیم.
- ۰۳
پیشفاکتور مکتوب
پیکربندی دقیق، مدل پیشنهادی، زمان تحویل و شرایط پشتیبانی را مکتوب میدهیم. قیمت را فقط در پیشفاکتور اعلام میکنیم.
- ۰۴
نصب و راه‌اندازی
سختافزار را نصب میکنیم، مدل را راه می‌اندازیم و دستیار را به سامانه‌هایتان وصل میکنیم. یک بار هم سامانه را با قطع اینترنت بینالملل میآزماییم.
- ۰۵
تحویل و نگهداری
مستندات و آموزش تیم شما را تحویل میدهیم و بعد، طبق قرارداد، نگهداری و بهروزرسانی مدلها را بر عهده می‌گیریم.
چطور با ما در تماس باشید
فرم را پر کنید یا در واتس‌اپ پیام بدهید. هرچه این‌ها روشن‌تر باشد، پیشفاکتور دقیق‌تر است:
- کاری که مدل باید انجام دهد (پاسخ از اسناد، کدنویسی، خلاصهسازی، پردازش تصویر یا صدا)
- تعداد کاربرانی که هم‌زمان با سامانه کار می‌کنند و زمان پاسخی که می‌پذیرید
- مدل یا خانواده سخت‌افزاری که در نظر دارید، اگر از پیش می‌دانید
- محل نصب: اتاق سرور سازمان، مرکز داده، یا سخت‌افزاری که از قبل دارید
- حساسیت داده و اینکه سامانه باید کاملاً بدون اینترنت کار کند یا نه
حداکثر تا یک روز کاری پاسخ میدهیم.
ژرف
دستیار هوش مصنوعی ژرف را همین حالا امتحان کنید
درباره دستیار فارسی، اتوماسیون اسناد یا اینکه از کجا شروع کنید، بپرسید.
پرسش‌های متداول درباره مدلهای لوکال
کدام مدل برای فارسی بهتر است؟
در آزمون عمومی Open Persian LLM Leaderboard، مدلهای Gemma 4 31B (میانگین ۷۸٫۶) و Qwen3.8-27B (۷۶٫۱) بهترین مدلهای باز هستند و هر دو روی یک کارت ۳۲ گیگابایتی یا یک Mac Studio اجرا میشوند. برای مدلهای بزرگ چینی مثل DeepSeek و Kimi نمره فارسی منتشرشدهای نیست. انتخاب نهایی را با آزمایش روی کار خود شما انجام میدهیم.
نصب DeepSeek روی سرور خودمان چه سخت‌افزاری می‌خواهد؟
به نسخه بستگی دارد. DeepSeek-V4-Flash با ۲۸۴ میلیارد پارامتر حدود ۱۷۰ گیگابایت فایل دارد و روی یک Mac Studio M5 Ultra یا سرور چهارکارتی اجرا میشود. DeepSeek-V4.1-Flash حدود ۵۱۰ گیگابایت است و سرور هشت‌کارتی H200 یا B200 می‌خواهد. DeepSeek-V4-Pro با ۱٫۶ تریلیون پارامتر به سرورهای بزرگ‌تر یا کلاستر نیاز دارد.
مدل لوکال به خوبی چت جی پی تی یا Claude است؟
نه همیشه. بزرگترین مدلهای باز در بعضی آزمونها به مدلهای بسته نزدیک شدهاند، ولی مدلی که روی سختافزار مقرونبهصرفه جا میشود معمولاً کوچکتر است. برای کارهای مشخص مثل پاسخ از اسناد، خلاصهسازی و استخراج اطلاعات، مدل لوکال اغلب کافی است؛ این را روی کار واقعی شما میسنجیم و نتیجه را صریح میگوییم.
مجوز مدلهای باز برای استفاده تجاری مشکلی ندارد؟
بیشتر مدلهایی که پیشنهاد میکنیم مجوز آزاد MIT یا Apache 2.0 دارند. بعضی، مثل Kimi K3، Muse، MiniMax-M3 و Mistral Medium 3.5، برای سرویسدهی گسترده یا شرکتهای خیلی بزرگ شرط دارند و چند مدل تصویر و صدا فقط غیرتجاریاند. مجوز را پیش از پیشنهاد میخوانیم و در پیشفاکتور مینویسیم.
بهروزرسانی مدلها چطور انجام میشود؟
مدل را نصبشده تحویل میدهیم و نسخهاش را ثابت نگه میداریم تا رفتار سامانه بیخبر عوض نشود. وقتی مدل بهتری منتشر شود، آن را با همان مجموعه آزمون کار شما میسنجیم و فقط اگر بهتر بود، از مسیر داخلی جایگزین میکنیم.
قیمت چقدر است؟
قیمت را روی سایت اعلام نمیکنیم، چون به پیکربندی، تعداد، بازار روز و نوع تحویل بستگی دارد. بعد از گفتوگوی اول و سنجش روی کار شما، پیشفاکتور مکتوب میدهیم که مدل دقیق سختافزار، زمان تحویل و شرایط پشتیبانی را هم دارد.
آیا بدون اینترنت بینالملل کار میکند؟
بله، اگر مدل، نرمافزار اجرا، دستیار، ورود کاربران و ابزار پایش همه داخل شبکه شما باشند. هر جزئی که به سرویس خارجی وابسته باشد، در قطعی از کار میافتد؛ برای همین پیش از تحویل، سامانه را با قطع عمدی اینترنت بینالملل میآزماییم.
از کاری شروع کنید که مدل باید انجام بدهد
چند نمونه از کار واقعی‌تان را بفرستید. چند مدل را رویش میسنجیم و میگوییم کدام مدل، روی چه سخت‌افزاری، با چه مجوزی؛ و اگر هیچ مدل لوکالی کافی نبود، همین را صریح میگوییم.