🤖 ‏ معرفی مدل Inkling-Small: جهش در بهره‌وری مدل‌های MoE

‏آزمایشگاه Thinking Machines مدل جدید Inkling-Small را به عنوان یک مدل باز (Open-weights) از نوع MoE با ۲۷۶ میلیارد پارامتر کل معرفی کرده است که تنها ۱۲ میلیارد پارامتر فعال در هر توکن دارد. این مدل با بهره‌گیری از تکنیک on-policy distillation و دو هفته آموزش RL (یادگیری تقویتی) در حوزه برنامه‌نویسی عاملی، بهینه‌سازی شده است.

⚡ ‏️ این نسخه در بنچمارک‌های حیاتی از مدل قبلی با ۴۱ میلیارد پارامتر فعال پیشی گرفته و به امتیاز ۶۴.۷٪ در Terminal-Bench 2.1، امتیاز ۳۱.۶٪ در HLE و ۸۰.۲٪ در SWE-Bench Verified دست یافته است. 🧠 این مدل با پشتیبانی از ورودی تصویر و صوت، طول بافتار تا ۱ میلیون توکن و عمق استدلال قابل‌تنظیم، بستری قدرتمند برای توسعه‌دهندگان عوامل هوشمند است.

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

#Inkling_Small #on_policy_distillation

🤖 معرفی LFM2.5-2.6B: عامل هوشمند بهینه برای اجرا روی موبایل

‏شرکت Liquid AI مدل جدید LFM2.5-2.6B را با ۲.۶ میلیارد پارامتر معرفی کرده که به طور ویژه برای اجرای محلی (Local) روی دستگاه‌های موبایل و سیستم‌های کلاینت بهینه‌سازی شده است. این مدل با بهره‌گیری از ۳۴ تریلیون توکن آموزشی و پنجره بافت (Context Window) بزرگ ۱۲۸ هزار توکنی، توانایی بالایی در برنامه‌ریزی، فراخوانی ابزارها و اجرای وظایف چندمرحله‌ای بدون نیاز به API ابری دارد.

‏🔬 فرآیند آموزش این مدل شامل یک مرحله پیشرفته On-policy Distillation است که در آن دانش مدل‌های متخصص در حوزه‌های ریاضی، کدنویسی و استفاده از ابزار، به این مدل فشرده منتقل شده است. خروجی نهایی در محیط‌های عملیاتی مانند Hermes Agent و OpenClaw تست شده و در بسیاری از بنچمارک‌های «پیروی از دستورات» و «استفاده از ابزار»، مدل‌های بزرگ‌تری نظیر سری Gemma و Qwen را با اختلاف معناداری پشت سر می‌گذارد.

‏🔗 liquid.ai

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی

📩 ارتباط با ما

#LFM2_5 #On_policy_distillation