هوش مصنوعی LFM3: یادگیری مدل‌های کوچک روی دستگاه

هوش مصنوعی LFM3 روز ۲۷ اکتبر ۲۰۲۶ معرفی شد و نشان می‌دهد که آینده هوش مصنوعی فقط در مدل‌های غول‌پیکر خلاصه نمی‌شود. شرکت Liquid AI در این خانواده شش مدل با وزن باز عرضه کرده است که همه از یک ستون فقرات مشترک به نام LFM3-1.7B-Base ساخته شده‌اند و در رده حدود دو میلیارد پارامتر قرار می‌گیرند. این خبر برای کسانی که می‌خواهند هوش مصنوعی را یاد بگیرند و در کار واقعی به کار ببرند، یک فرصت عملی است، چون این بار می‌توان با مدلی کوچک، سریع و قابل اجرا روی دستگاه شخصی، مفاهیم مهم را تمرین کرد.

ترند روز در یک نگاه

خانواده LFM3 شش عضو دارد. مدل متنی LFM3-1.7B فقط متن دریافت می‌کند و متن تحویل می‌دهد. مدل بینایی LFM3-VL-2B متن، تصویر و ویدیو را می‌خواند و پاسخ متنی می‌دهد. مدل صوتی LFM3-Audio-2B با متن یا صدا کار می‌کند و خروجی متنی یا گفتاری دارد. مدل همه‌کاره LFM3-Omni-2B متن، تصویر، ویدیو و صدا را با هم می‌پذیرد و متن و گفتار تولید می‌کند. دو مدل تصمیم‌گیری هم در این خانواده هست که به جای تولید متن، برای مجموعه‌ای از پرسش‌ها پاسخ‌های احتمال‌دار و کالیبره‌شده می‌دهند. طبق کارت مدل، مدل متنی ۱٫۷۳ میلیارد پارامتر، پنجره زمینه ۲۵۶ هزار توکن و پشتیبانی از ۱۶ زبان دارد و با مجوز LFM Open License نسخه ۱٫۰ منتشر شده است. مدل‌ها با وزن باز روی هاگینگ فیس، در زمین بازی Liquid AI و از راه رابط برنامه‌نویسی این شرکت در دسترس‌اند.

چرا LFM3 مهم است

اهمیت LFM3 در ترکیب سه ویژگی است: کوچک بودن، چندوجهی بودن و قابل اجرا بودن روی دستگاه. شرکت سازنده می‌گوید مدل متنی در دقت چهار بیت حدود یک گیگابایت حافظه می‌گیرد و معماری تازه آن با ۳۵ درصد پارامتر کمتر از نسل پیشین، یعنی LFM2.5-2.6B، عملکرد بهتری دارد. این اعداد، گزارش خود شرکت است و باید با همان احتیاط خوانده شود، اما پیام کلی روشن است: مدل‌های کوچک امروز برای بسیاری از کارهای روزمره کافی‌اند و نیازی نیست هر کاری به یک مدل عظیم ابری سپرده شود. اجرای محلی یعنی سرعت بیشتر، هزینه کمتر، وابستگی کمتر به اینترنت و کنترل بیشتر بر داده‌ها. برای کسب‌وکارهای کوچک و برای یادگیرندگان، این ترکیب یعنی می‌توان بدون زیرساخت سنگین، هوش مصنوعی را لمس کرد، خطا کرد و اصلاح کرد.

مسیر یادگیری گام‌به‌گام

برای یادگیری LFM3 و مدل‌های کوچک هوش مصنوعی، این ترتیب پیشنهاد می‌شود.

گام یک، آشنایی با مفاهیم پایه. پیش از هر چیز، تفاوت مدل با وزن باز و مدل بسته، معنای پارامتر، پنجره زمینه و کوانتیزاسیون را یاد بگیرید. این مفاهیم توضیح می‌دهند چرا یک مدل دو میلیارد پارامتری می‌تواند روی گوشی یا لپ‌تاپ اجرا شود.

گام دو، کار با مدل آماده. از زمین بازی Liquid AI یا نسخه‌های آماده روی هاگینگ فیس شروع کنید. یک پرسش ساده بپرسید، بعد همان پرسش را با تصویر یا صدا تکرار کنید و تفاوت پاسخ‌ها را ببینید. این تمرین ساده، درک چندوجهی بودن را ملموس می‌کند.

گام سه، اجرای محلی. اگر لپ‌تاپ یا رایانه مناسبی دارید، نسخه سبک مدل متنی را با ابزارهایی مثل llama.cpp یا MLX اجرا کنید. سرعت پاسخ، میزان حافظه مصرفی و کیفیت خروجی را یادداشت کنید. این تجربه، بهترین درس درباره محدودیت‌ها و توانایی‌های مدل‌های کوچک است.

گام چهار، تنظیم دقیق روی داده خودتان. شرکت سازنده دفترچه‌هایی برای تنظیم با نظارت، بهینه‌سازی با ترجیح مستقیم و یادگیری تقویتی گروهی منتشر کرده است و می‌گوید هر مدل این خانواده روی یک کارت گرافیکی قابل تنظیم است. یک مجموعه داده کوچک و مشخص انتخاب کنید، برای نمونه دسته‌بندی پیام‌های مشتریان، و مدل را فقط روی همان کار تنظیم کنید. نتیجه را با مدل پایه مقایسه کنید تا اثر تنظیم دقیق را با چشم ببینید.

گام پنج، ساخت یک نمونه کاربردی. یک ابزار کوچک بسازید که یک کار تکراری را انجام دهد، برای نمونه خلاصه‌سازی گزارش روزانه یا پاسخ پیش‌نویس به پرسش‌های پرتکرار. نمونه‌ای که واقعا استفاده شود، ارزشمندتر از ده تمرین تئوری است.

کاربرد عملی در کار واقعی

در کار واقعی، LFM3 و مدل‌های هم‌رده آن چند کاربرد روشن دارند. در پشتیبانی مشتری، مدل کوچک می‌تواند روی دستگاه یا سرور داخلی، پیام‌ها را دسته‌بندی و پیش‌نویس پاسخ آماده کند، بدون آنکه داده حساس به بیرون برود. در بازرسی و کنترل کیفیت، نمونه‌ای که شرکت سازنده گزارش کرده است آموزنده است: مدل بینایی این خانواده پس از تنظیم روی حدود سه هزار عکس عمومی از پره‌های توربین بادی، در چند ساعت روی یک کارت گرافیکی، دقت دسته‌بندی نقص را بهبود داد. در آموزش و تولید محتوا، مدل صوتی و همه‌کاره می‌تواند محتوای چندرسانه‌ای ساده بسازد یا گفت‌وگوهای آموزشی را پشتیبانی کند. در همه این موارد، اصل ثابت است: کار کوچک و مشخص را به مدل کوچک بسپارید و کارهای پیچیده را همچنان با نظارت انسانی انجام دهید.

چشم‌انداز پیش رو

روند مدل‌های کوچک و روی دستگاه، تازه آغاز شده است. شرکت سازنده از همکاری روز اول با شرکت‌هایی مثل انویدیا، ای‌ام‌دی، آرم، کوالکام و اینتل خبر داده و از آزمایش پیش از انتشار با مرسدس بنز و شاپیفای سخن گفته است. اگر این روند ادامه یابد، در ماه‌های آینده مدل‌های کوچک‌تر و تخصصی‌تر خواهیم دید که روی گوشی و لپ‌تاپ اجرا می‌شوند.

پس امروز یک مدل از خانواده LFM3 را انتخاب کنید، یک کار کوچک و واقعی را با آن انجام دهید و نتیجه را بنویسید. یادگیری هوش مصنوعی از همین قدم‌های کوچک و قابل سنجش ساخته می‌شود.

بهزاد حسین عباسی، بنیانگذار اپراتوری هوش مصنوعی و اپراتوری ابرهوش