مدل تازهی مینیمکس ام۳.۱ فلش از دیپسیک و اوپوس ۵ در یک معیار کلیدی کسبوکار جلو زد
شرکت چینی هوش مصنوعی مینیمکس، مدل تازهای با نام ام۳.۱ فلش (M3.1 Flash) منتشر کرده که بهطور خاص برای گردشکارهای پیچیدهی سازمانی، توسعهی نرمافزار و وظایف مبتنی بر کنترل کامپیوتر طراحی شده است. نکتهی برجستهی این مدل، قیمت پایین آن در کنار عملکرد قوی در برخی معیارهای کسبوکاری است؛ اما در کنار این نقاط قوت، نرخ بالای توهم (hallucination) این مدل، نگرانیهایی را نیز بههمراه آورده است.
زمینه و پسزمینه
مینیمکس ام۳.۱ فلش را جایگزین نسخهی قبلی خود، ام۳، معرفی کرده و مدعی شده این مدل تازه نزدیک به سه برابر سریعتر از نسخهی قبل است و هزینهی کلی استفاده از عاملهای هوش مصنوعی را تا ۷۰ درصد کاهش میدهد. طبق آزمایش مستقل موسسهی آرتیفیشیال آنالیسیس (Artificial Analysis)، امتیاز «شاخص هوش» این مدل در بالاترین سطح استدلال به ۴۲ رسیده است؛ رشدی ۱۳ واحدی نسبت به مدل قبلی که امتیاز ۲۹ داشت. مهمتر از آن، هزینهی هر وظیفه در این شاخص از حدود ۰.۵۱ دلار به ۰.۲۲ دلار کاهش یافته، یعنی کاهشی نزدیک به ۵۷ درصد.
در مقایسه با رقبا، مدلهایی مانند جیالام ۵.۳ فلش و دیپسیک وی۴.۱ فلش نیز امتیازهای مشابهی (به ترتیب ۴۲ و ۴۵) کسب کردهاند، اما با هزینهی هر وظیفه حدود ۰.۲۸ و ۰.۲۶ دلار. در مقابل، مدل جمینای ۳.۸ فلش گوگل با امتیاز ۴۱، هزینهی هر وظیفهاش به ۱.۲۴ دلار میرسد؛ یعنی چندین برابر گرانتر از مینیمکس. در آزمون دشوار «آخرین امتحان بشریت» (Humanity’s Last Exam)، مینیمکس ام۳.۱ فلش به امتیاز ۴۸ درصد رسیده، در حالی که نسخهی قبلی تنها ۳۹ درصد را کسب کرده بود.
تحلیل
در معیارهای اختصاصی کسبوکار که خود مینیمکس آنها را طراحی کرده، نتایج تا حدی متفاوت است. در آزمون «اتوماسیون-بنچ» که گردشکارهای فروش، بازاریابی، عملیات، پشتیبانی، مالی و منابع انسانی را ارزیابی میکند، ام۳.۱ فلش امتیاز ۶۲.۲ کسب کرده که اندکی بالاتر از دیپسیک وی۴.۱ فلش (۶۰.۵) است و به گفتهی شرکت، بهطور قابلتوجهی از نتایج مدلهای جیپیتی-۵.۶ سول و کلود اوپوس ۵ پیشی گرفته، هرچند مینیمکس عدد دقیق این دو رقیب را منتشر نکرده است. در آزمون تخصصی «بنکر-تول-بنچ» که گردشکارهای مالی چندمرحلهای را میسنجد، این مدل با امتیاز ۷۶.۲ با کلود اوپوس ۵ برابر شده است.
در زمینهی کدنویسی، نتایج نشان میدهد که مینیمکس در آزمون دیپاسدبلیوئی با ۷۳.۷ درصد، اندکی از کلود اوپوس ۵ (۷۴ درصد) و جیپیتی-۵.۶ سول (۷۳ درصد) عقب است، و دیپسیک با ۷۷ درصد همچنان پیشتاز باقی میماند. در آزمونهای مرتبط با کنترل کامپیوتر (OSWorld 2.0) و امنیت سایبری (CyberGym)، مینیمکس به ترتیب امتیازهای ۶۱.۷ و ۸۲.۲ را ثبت کرده است. این نتایج نشان میدهد که مینیمکس در بسیاری از وظایف عملی سازمانی، به سطح رقبای بزرگتر و گرانتر نزدیک شده، بدون اینکه هزینهی مشابهی داشته باشد.
اما مهمترین نگرانی دربارهی این مدل، در آزمون «آرتیفیشیال آنالیسیس آمنیشینس» (AA-Omniscience) که میزان توهم مدلها را میسنجد، آشکار میشود. مینیمکس ام۳.۱ فلش توانسته در ۵۶ درصد موارد پاسخ درست ارائه دهد (در مقایسه با ۴۳ درصد دیپسیک و ۲۸ درصد جیالام ۵.۳ فلش)، اما نرخ توهم آن ۹۳ درصد گزارش شده است. این عدد به این معناست که از میان پاسخهایی که مدل آنها را نادرست یا ناقص ارائه داده، ۹۳ درصد بهطور کامل اشتباه بودهاند، نه پاسخهای نیمهدرست یا امتناع از پاسخ. به بیان دیگر، مدل تقریباً به هر سوالی پاسخ میدهد، حتی زمانی که اطمینان کافی ندارد، که همین موضوع نرخ توهم را بالا میبرد.
از نظر قیمتگذاری، مینیمکس ام۳.۱ فلش یکی از ارزانترین گزینههای بازار است: هر یک میلیون توکن ورودی ۰.۱۵ دلار و هر یک میلیون توکن خروجی ۰.۶ دلار هزینه دارد؛ که نسبت به نسخهی قبلی (۰.۳ و ۱.۲ دلار) نیمی از هزینه را کاهش داده است. در مقایسه، مدلهای گرانتر مانند کلود اوپوس ۵.۵ به ۴ دلار برای ورودی و ۲۰ دلار برای خروجی هر میلیون توکن میرسند؛ یعنی دهها برابر گرانتر از مینیمکس. این مدل از طریق پلتفرم رسمی مینیمکس، اشتراک «ام پلن» و اپلیکیشن دسکتاپ «مینیمکس کد» در دسترس است، و شرکت اعلام کرده وزنهای این مدل را در تاریخ ۲۳ اکتبر منتشر خواهد کرد.
نکتهی جالب دیگر این است که یک نسخهی اولیه از این مدل، پیش از معرفی رسمی، بهطور ناشناس و با نام رمز «خرگوش فضایی» (Space Bunny) فعالیت میکرده و بیش از ۲۰۰ تریلیون توکن را پردازش کرده است؛ رویهای که شرکتهای هوش مصنوعی گاهی برای آزمایش بیسروصدای مدلهای تازه در محیط واقعی از آن استفاده میکنند، پیش از اینکه هویت مدل را علنی کنند.
در مجموع، مینیمکس ام۳.۱ فلش نشان میدهد که رقابت در بازار مدلهای هوش مصنوعی اکنون نهتنها بر سر هوشمندی خالص، بلکه بهطور فزاینده بر سر نسبت هزینه به کارایی است. برای کسبوکارهایی که بهدنبال گردشکار ارزان و سریع هستند، این مدل گزینهی جذابی بهنظر میرسد؛ اما برای کاربردهای دانشمحور که دقت اطلاعات اهمیت حیاتی دارد، نرخ بالای توهم این مدل هشدار واضحی است که نیاز به راستیآزمایی، بازیابی اطلاعات و نظارت انسانی را گریزناپذیر میکند.
از منظر فنی، مینیمکس بخشی از سرعت بالای این مدل را به افزایش «اسپارسیتی» (sparsity) در معماری آن نسبت میدهد؛ روشی که در آن تنها بخش کوچکی از پارامترهای مدل در هر مرحله از پردازش فعال میشود، بهجای آنکه کل شبکهی عصبی برای هر درخواست فعال شود. همین رویکرد باعث شده مدل بتواند با وجود حجم بالای پارامتر، سرعت پردازش بیش از ۲۰۰ توکن بر ثانیه و میانهی سرعت خروجی بالاتر از ۱۷۰ توکن بر ثانیه را ارائه دهد؛ ارقامی که آن را برای کاربردهای زمانحساس مانند دستیارهای گفتگوی زنده یا عاملهای خودکاری که باید سریع تصمیم بگیرند، مناسب میکند.
مینیمکس همچنین اعلام کرده که برنامه دارد نسخهی قدرتمندتری با نام «پرو» از این مدل را نیز در آینده منتشر کند، اگرچه هنوز تاریخ مشخصی برای آن اعلام نشده است. این موضوع نشان میدهد که شرکت استراتژی دوگانهای را دنبال میکند: یک مدل ارزان و سریع برای گردشکارهای حجیم روزمره، و در کنار آن یک مدل قدرتمندتر برای وظایفی که به استدلال عمیقتر نیاز دارند. این الگو شبیه به استراتژی شرکتهایی مانند گوگل و اوپنایآی است که مدلهای «فلش» یا «سریع» را در کنار مدلهای اصلی و گرانتر خود عرضه میکنند.
در نهایت، باید در نظر داشت که این نتایج بر پایهی آزمایشهای استاندارد بهدست آمدهاند و لزوماً نشاندهندهی عملکرد واقعی در استقرارهای عملیاتی و تولیدی نیست. تنظیمات ارزیابی میان مدلهای مختلف نیز میتواند متفاوت باشد، به این معنا که مقایسهی مستقیم امتیازها همیشه کاملاً دقیق نیست. با این حال، ترکیب قیمت پایین، سرعت بالا و عملکرد قابلقبول در بسیاری از معیارهای کسبوکاری، مینیمکس ام۳.۱ فلش را به یکی از گزینههای قابلتوجه برای شرکتهایی تبدیل کرده که بهدنبال کاهش هزینههای عملیاتی استفاده از هوش مصنوعی هستند.
منبع: VentureBeat