متا «موز گلیمر» را برای عامل‌های هوش مصنوعی محلی روی دستگاه‌های شخصی راه‌اندازی کرد

Muse Glimmer عامل‌های هوش مصنوعی را مستقیماً روی سخت‌افزار مصرفی می‌آورد

Meta Superintelligence Labs، بخش پژوهشی پیشرفته هوش مصنوعی این شرکت، در ۱۰ اوت Muse Glimmer را به‌عنوان یک مدل عامل‌محور با وزن‌های باز راه‌اندازی کرد که برای اجرا مستقیم روی دستگاه‌های شخصی طراحی شده و وزن‌های آن را تحت مجوز سهل‌گیرانه Apache 2.0 منتشر کرد. وزن‌های باز به توسعه‌دهندگان اجازه می‌دهد پارامترهای زیربنایی یک مدل را دانلود کنند، در حالی که «عامل‌محور» به سامانه‌هایی اشاره دارد که با ورودی محدود انسانی و با استفاده از ابزارها، وظایف چندمرحله‌ای را تکمیل می‌کنند. این مدل از Muse Spark، مدل بزرگ‌تر و بسته متا، تقطیر شده و روی مک یا رایانه شخصی با یک واحد پردازش گرافیکی مصرفی (GPU) اجرا می‌شود.

این شرکت توضیح داد:

“Muse Glimmer یک مدل ۳۰ میلیارد پارامتری است که برای گردش‌کارهای عامل محلیِ همیشه‌فعال بهینه‌سازی شده است.”

Muse Glimmer وظایف را از ابتدا تا انتها انجام می‌دهد، از ابزارهای نرم‌افزاری استفاده می‌کند، کد می‌نویسد، چندین گام استدلالی را دنبال می‌کند و وقتی یک اقدامِ امتحان‌شده شکست می‌خورد، بازیابی می‌شود. این مدل متن و تصویر را پردازش می‌کند، داده‌هایی در بیش از ۱۰۰ زبان را مدیریت می‌کند و بنا به گفته متا، در قیاس با Gemma4-31B و Qwen3.6-27B در معیارهای عامل‌محور، کدنویسی، چندوجهی، ایمنی و استدلال، برای رده اندازه خود عملکرد قدرتمندی داشته است.

عامل‌های هوش مصنوعی با چت‌بات‌های متعارف تفاوت دارند زیرا می‌توانند وظایف را اجرا کنند، از ابزارهای بیرونی بهره ببرند و در طول گردش‌کارهای طولانی با درجات مختلفی از خودمختاری تصمیم‌گیری کنند.

متا یک مدل ۳۰ میلیارد پارامتری را به کمتر از ۲۰ گیگابایت فشرده می‌کند

اجرای مدلی با اندازه Muse Glimmer روی سخت‌افزار مصرفی مستلزم آن بود که متا در حالی که کارایی را در وظایف قابل‌انجام توسط عامل‌های هوش مصنوعی حفظ می‌کند، نیازهای حافظه را کاهش دهد. یک مدل ۳۰ میلیارد پارامتری با دقت کامل از ۵۵ گیگابایت فراتر می‌رود، اما کوانتیزه‌سازی ۴-بیتی ــ که داده‌های مدل را در قالب عددی فشرده‌تری ذخیره می‌کند ــ مدل زبانی را به کمتر از ۲۰ گیگابایت کاهش داد و اجزای آن را در محدوده ۲۴ یا ۳۲ گیگابایت جا داد.

یک مدل همراه کوچک‌تر که در کنار Muse Glimmer عرضه می‌شود، بخش‌های بعدی متن را پیش‌بینی می‌کند و به مدل اصلی اجازه می‌دهد چندین پیش‌بینی را هم‌زمان راستی‌آزمایی کرده و سریع‌تر پاسخ دهد. این تکنیک که «رمزگشایی حدسی» (speculative decoding) نام دارد، در آزمایش‌های شرکت سرعت تولید را ۳.۱ برابر روی RTX 5090، ۱.۸ برابر روی M5 Max و ۱.۵ برابر روی M4 Max افزایش داد.

حرکت به سمت عامل‌های محلی هم‌زمان با افزایش هزینه‌کرد متا و بازسازماندهی تیم‌ها پیرامون محصولات خودمختار هوش مصنوعی و چرخه‌های توسعه سریع‌تر رخ می‌دهد. هزینه‌های سرمایه‌ای برای سال ۲۰۲۶ انتظار می‌رود به ۱۳۰ تا ۱۴۵ میلیارد دلار برسد؛ بازه‌ای که نسبت به ۱۲۵ تا ۱۴۵ میلیارد دلار، زمانی که شرکت نتایج سه‌ماهه دوم را در ۲۹ ژوئیه گزارش کرد، محدودتر شده است.

حدود ۷,۰۰۰ کارمند در ماه مه به چهار سازمان متمرکز بر هوش مصنوعی منتقل شدند؛ از جمله Applied AI Engineering و تیم Agent Transformation Accelerator، در حالی که حدود ۸,۰۰۰ نفر تعدیل شدند و ۶,۰۰۰ موقعیت شغلی باز بسته شد. متا بعداً به کارکنان منتقل‌شده گفت می‌توانند تصمیم بگیرند که بمانند یا نه.

پردازش محلی وابستگی به دسترسی مداوم به ابر را کاهش می‌دهد

نگه داشتن گردش‌کارهای عامل روی سخت‌افزار شخصی از ارسال هر درخواست به مراکز داده دوردست جلوگیری می‌کند و اجازه می‌دهد وظایف وقتی اتصال محدود است یا در دسترس نیست ادامه پیدا کنند. اجرای محلی همچنین برای کاربردهایی مناسب است که بر زمینه ذخیره‌شده مانند برنامه‌ها، پیام‌ها و فایل‌ها تکیه دارند؛ جایی که مدل در طول نشست‌های طولانی بر داده‌های شخصی عمل می‌کند.

استانداردهای امنیتی هرچه بیشتر اهمیت پیدا می‌کنند، زیرا نرم‌افزارهای خودمختار اجازه می‌گیرند با حساب‌ها، برنامه‌ها و اطلاعات حساس تعامل کنند. مؤسسه ملی استانداردها و فناوری یک ابتکار استانداردهای عامل هوش مصنوعی راه‌اندازی کرد که ارتباط امن بین عامل‌ها، هویت‌های دیجیتال قابل‌اعتماد، کنترل‌های دسترسی و استانداردهای فنی مشترک را پوشش می‌دهد.

متا تأکید کرد:

“اجرای مدل‌ها به‌صورت محلی به شما امکان می‌دهد هوش مصنوعی را همه‌جا و هر زمان، با یا بدون اتصال اینترنت، استفاده کنید.”

فراتر از مدل‌های محلی، متا وارد پلتفرم‌هایی شده است که حول تعاملات میان عامل‌های نرم‌افزاری مستقل ساخته شده‌اند. این شرکت در ماه مارس Moltbook را خریداری کرد؛ یک شبکه اجتماعی عامل‌های هوش مصنوعی که تا ژوئن، از میان نزدیک به ۲.۹ میلیون حساب ثبت‌شده، بیش از ۲۰۶,۰۰۰ عاملِ تأییدشده توسط انسان داشت و هم‌بنیان‌گذاران آن را به Meta Superintelligence Labs آورد.

Muse Glimmer با تلاش گسترده‌تر متا برای هوش مصنوعیِ در دسترسِ همگان هم‌راستا است

مارک زاکربرگ، مدیرعامل متا، جداگانه در ۱۰ اوت راهبردی را تشریح کرد تا ابرهوش شخصی را به‌طور گسترده توزیع کند و نسخه‌های رایگان را به میلیاردها نفر ارائه دهد. زاکربرگ در ویدیویی در اینستاگرام که همان روز منتشر شد گفت متا همچنین وزن‌های Muse Spark 1.2 را باز خواهد کرد و این اقدام را در قالب مقاله‌ای ۶,۵۰۰ کلمه‌ای به‌عنوان پاسخی به انتشارهای وزن‌باز از سوی توسعه‌دهندگان چینی مطرح کرد.

پشتیبانی از مدل‌های هرچه توانمندتر همچنان به محاسبات متمرکز گسترده برای آموزش نیاز دارد، حتی اگر مدل نهایی روی دستگاه خود کاربر اجرا شود. متا یک توافق پنج‌ساله با Nebius امضا کرد به ارزش تا ۲۷ میلیارد دلار، شامل ۱۲ میلیارد دلار ظرفیت اختصاصی و گزینه‌هایی برای ۱۵ میلیارد دلار دیگر.

توسعه‌دهندگان اکنون می‌توانند وزن‌های Muse Glimmer را دانلود کنند، در حالی که پشتیبانی بهینه‌شده برای llama.cpp، MLX و ExecuTorch ــ نرم‌افزارهایی که برای اجرای کارآمد مدل‌های هوش مصنوعی روی سخت‌افزارهای مختلف استفاده می‌شوند ــ در روزهای آینده انتظار می‌رود. متا همچنین با AMD، Arm، Dell، Intel و Nvidia برای بهینه‌سازی عملکرد در دستگاه‌ها همکاری می‌کند.