هوش مصنوعی درکس مکس نشان می‌دهد که همه مدل‌های قدرتمند قرار نیست متن تولید کنند و گاهی ارزش یک مدل در این است که به‌جای یک پاسخ طولانی، یک تصمیم شفاف و قابل‌اندازه‌گیری بدهد. در اول نوامبر ۲۰۲۶ خبر انتشار وزن‌های باز درکس مکس نسخه یک، مدل تصمیم شرکت نیس‌ای‌آی، منتشر شد؛ مدلی با ۲۷ میلیارد پارامتر که به یک سؤال مشخص درباره یک متن، یک فایل جیسان یا یک تصویر، احتمال هر گزینه را در یک عبور برمی‌گرداند. پیام عملی این خبر روشن است: نسل تازه ابزارها فقط چت‌بات نیستند و کار با مدل‌های تصمیم، یک مهارت جداگانه و کاربردی است.
درکس مکس یک مدل تصمیم است، نه یک مدل گفت‌وگو. کاربر یک وضعیت می‌دهد، یعنی همان متن یا داده‌ای که باید درباره آن تصمیم گرفته شود، و یک یا چند سؤال تایپ‌دار را مشخص می‌کند: انتخاب میان چند گزینه نام‌دار، یک سؤال بله یا خیر، یا یک امتیاز ترتیبی. مدل برای هر گزینه یک احتمال برمی‌گرداند و چیزی تولید نمی‌کند. همین ویژگی آن را برای مسیریابی درخواست‌ها، دسته‌بندی و بررسی انطباق با سیاست‌ها مناسب می‌کند، چون خروجی عددی را می‌توان ثبت کرد، مقایسه کرد و روی آن آستانه گذاشت.
از نظر فنی، این یک مدل متراکم ۲۷ میلیارد پارامتری است و پنجره آن تا ۲۶۲۱۴۴ توکن می‌رسد، هرچند حد پیش‌فرض هر درخواست ۱۶۳۸۴ توکن است و سر خروجی آن تا ۲۵۵ گزینه را در هر سؤال پشتیبانی می‌کند. وزن‌های باز آن در چند قالب منتشر شده‌اند: وزن‌های بی‌اف‌شانزده، فایل کیو‌هشت صفر و نسخه کیو‌چهار، همراه با شاخه‌هایی از لاما‌دات‌سی‌پی‌پی و اول‌لاما. بر اساس گزارش مارک‌تک‌پست و صفحه مدل در هاگینگ‌فیس، این مدل در شاخص عمومی تصمیم نسخه چهار دهم امتیاز ۶۷ ممیز ۵۲ گرفته است که ۶ ممیز ۲۷ واحد بالاتر از درکس نسخه دو است؛ این عددها خوداظهاری شرکت سازنده‌اند.
نکته مهم دیگر، امکان اجرای محلی است. نسخه کیو‌چهار روی مک‌های اپل سیلیکون با ۲۴ گیگابایت حافظه یا بیشتر اجرا می‌شود و نسخه کیو‌هشت صفر به ۴۸ گیگابایت نیاز دارد. روی کارت گرافیک انویدیا هم اجرای پایتون ممکن است. این یعنی برای آزمایش این مدل، لزوما نباید داده را به یک سرویس میزبانی‌شده فرستاد، هرچند اجرای محلی هم هزینه حافظه و دانلود دارد.
اهمیت درکس مکس در سه نکته خلاصه می‌شود. نخست، تفاوت میان تولید متن و تصمیم‌گیری را روشن می‌کند. یک مدل زبانی معمولی متن می‌سازد و همان متن ممکن است در دو اجرا متفاوت باشد، اما یک مدل تصمیم برای هر گزینه یک عدد می‌دهد و همین عدد، تصمیم را قابل‌تکرار، قابل‌مقایسه و قابل‌حسابرسی می‌کند. در کارهای سازمانی، همین ویژگی تفاوت میان یک نمایش جذاب و یک ابزار قابل‌اعتماد را رقم می‌زند.
دوم، این مدل نشان می‌دهد که وزن‌های باز به‌معنای دسترسی کامل نیستند. درکس مکس تحت مجوز اوپن‌ریل‌ام نیس‌ای‌آی منتشر شده است و این مجوز با یک مجوز متن‌باز کامل فرق دارد. پیش از هر استفاده تجاری باید متن مجوز خوانده شود، چون محدودیت‌هایی درباره درآمد، تأمین مالی و رقابت با سازنده در آن آمده است.
سوم، این ترند جهت بازار را نشان می‌دهد: مدل‌های تخصصی در کنار مدل‌های عمومی بزرگ می‌شوند. برای بسیاری از کارها به یک متن‌ساز عمومی نیاز نیست و یک مدل متمرکزتر، اگر درست به کار گرفته شود، نتیجه بهتر و هزینه کمتری دارد.
اگر می‌خواهید این ترند را به مهارت تبدیل کنید، این مسیر پنج مرحله‌ای را دنبال کنید.
گام اول، تفاوت مدل مولد و مدل تصمیم را با مثال یاد بگیرید. یک سؤال کاری ساده را در نظر بگیرید، مثلاً اینکه یک درخواست پشتیبانی به کدام تیم برود. از یک مدل گفت‌وگو پاسخ متنی بگیرید و سپس همان سؤال را به‌صورت چند گزینه نام‌دار با احتمال بنویسید. مقایسه این دو خروجی نشان می‌دهد که چرا خروجی عددی برای مسیریابی و دسته‌بندی مناسب‌تر است.
گام دوم، طراحی سؤال تایپ‌دار را تمرین کنید. گزینه‌ها را کوتاه، بدون هم‌پوشانی و با نام‌های روشن بنویسید و اگر دو گزینه را نمی‌توان از هم جدا کرد، آنها را ادغام یا بازنویسی کنید. سه مجموعه سؤال برای دسته‌بندی موضوع، بررسی انطباق با یک سیاست ساده، و امتیازدهی به کیفیت یک پاسخ بنویسید.
گام سوم، با یک مجموعه داده کوچک، آستانه تصمیم را یاد بگیرید. بالاترین احتمال را همیشه ملاک قرار ندهید و یک آستانه اطمینان تعیین کنید تا درخواست‌های با اطمینان پایین به بازبینی انسانی بروند. با چند ده نمونه واقعی ببینید آستانه‌های مختلف چه تأثیری بر خطا و حجم بازبینی انسانی دارند.
گام چهارم، اجرای محلی را در مقیاس کوچک تجربه کنید. اگر دستگاه شما حافظه کافی دارد، نسخه سبک‌تر را اجرا کنید و یک درخواست نمونه را امتحان کنید. اگر دستگاه شما مناسب نیست، مستندات رسمی را بخوانید و تفاوت هزینه، سرعت و حریم خصوصی میان اجرای محلی و ابری را یادداشت کنید.
گام پنجم، یک پروژه کوچک واقعی بسازید. یک جریان کاری ساده طراحی کنید که در آن مدل تصمیم ورودی‌ها را دسته‌بندی می‌کند، موارد کم‌اطمینان به انسان ارجاع می‌شوند و همه تصمیم‌ها با احتمال و زمان ثبت می‌شوند.
در کار روزمره، مدل‌های تصمیم در جاهایی می‌درخشند که سرعت، ثبات و قابلیت حسابرسی مهم است. یک تیم پشتیبانی می‌تواند درخواست‌ها را سریع‌تر و یکنواخت‌تر مسیریابی کند، یک تیم محتوا می‌تواند پیش‌نویس‌ها را پیش از انتشار از نظر انطباق با سیاست بررسی کند و یک تیم فروش می‌تواند سرنخ‌ها را بر اساس معیارهای روشن امتیازدهی کند. در همه این موارد، مدل پیشنهاد عددی می‌دهد و انسان برای موارد حساس و کم‌اطمینان تصمیم نهایی را می‌گیرد.
چشم‌انداز این روند هم روشن است. اگر مدل‌های تصمیم باز و قابل‌اجرا روی دستگاه شخصی جا بیفتند، سازمان‌های بیشتری می‌توانند تصمیم‌گیری خودکار را بدون ارسال داده حساس به بیرون انجام دهند. کسی که امروز طراحی سؤال، تعیین آستانه و ارزیابی خطا را یاد می‌گیرد، برای موجی آماده می‌شود که در آن ارزش متخصص هوش مصنوعی در ساختن جریان‌های تصمیم قابل‌اعتماد است.
بهزاد حسین عباسی، بنیانگذار اپراتوری هوش مصنوعی و اپراتوری ابرهوش
