‏🚀 بهینه‌سازی مدل‌های استدلالی: خداحافظی با توکن‌های بیهوده

‏بزرگ‌ترین چالش مدل‌های استدلالی جدید، «بیش‌از‌حد فکر کردن» است؛ جایی که مدل در چرخه‌های فکری تکراری گیر می‌افتد و هزاران توکن را بی‌دلیل هدر می‌دهد. مدل جدید Swift-Qwen3.8-27B با هدف رفع این باگ رفتاری توسعه یافته است.

‏مهم‌ترین نتایج این مدل:
‏• کاهش ۵۸ درصدی مصرف توکن‌های فکری در بنچمارک GPQA بدون افت دقت.
‏• بهبود عملکرد در برنامه‌نویسی؛ جهش دقت در LiveCodeBench از ۷۶ به ۸۱ درصد.
‏• صرفه‌جویی چشمگیر در زمان اجرای محلی؛ حذف توکن‌های زائد یعنی سرعت پاسخ‌دهی بسیار بالاتر در سیستم‌های لوکال.

‏این مدل با قابلیت MTP برای Ollama و llama.cpp بهینه‌سازی شده است. کافیست نسخه‌های GGUF را دریافت کرده و در محیط محلی خود تست کنید.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Swift_Qwen3 #GPQA_Diamond