‏Mercury Decide؛ مدلی که فقط قضاوت می‌کنه، نه متن نوشتن

مدل Mercury Decide از Inception Labs یه decision model هست، یعنی به‌جای نوشتن پاراگراف، یه context (مثل متن، لاگ یا اسکرین‌شات) و یه سؤال مشخص می‌گیره و فقط یه جواب کوتاه برمی‌گردونه: درست یا غلط، یه دسته، یا یه احتمال. این مدل‌ها رو judge model هم می‌گن. تو آخرین نسخه، ورودی تصویری هم بهش اضافه شده.

تو این مقاله اومده که بخش بزرگی از کار agentها تولید متن خلاقانه نیست، بلکه چک‌های کوچیک و پشت‌سرهمه. صفحه لود شد؟ این تیکت مربوط به پرداخته؟ مرحله قبلی واقعاً تموم شد؟ اجرای یه مدل استدلالی کامل برای هر کدوم از این چک‌ها کند و گرونه. یه مدل قضاوت اختصاصی همین کارو سریع و ارزون انجام می‌ده.

این مدل بر پایه diffusion ساخته شده (یعنی به‌جای نوشتن توکن به توکن، یه پیش‌نویس ماسک‌شده از کل جواب رو تو چند دور موازی صیقل می‌ده). چون گلوگاه inference پهنای باند حافظه‌ست نه قدرت پردازش، انجام کار بیشتر تو هر دور باعث سرعت می‌شه. خروجی هم یه جواب کوتاه ساختاریافته‌ست، پس کار کمتری برای صیقل دادن هست. مدیرعامل Inception یعنی Stefano Ermon از هم‌مخترعان بعضی تکنیک‌های کلیدی diffusion تو تولید تصویر و ویدیوئه.

تو ارزیابی مستقل Vals AI، این مدل تو تأیید ادعا هم‌پای judge modelهای مبتنی بر Gemini بوده و تو LegalBench حدود ۸۷ درصد گرفته در برابر ۷۴ درصد رقیب، با حدود یک‌چهارم هزینه. تو Artificial Analysis Decision Index با نرخ hallucination ۳۲ درصد رتبه سوم مقاومت در برابر hallucination رو گرفته. نویسنده می‌گه برای مدل قضاوت این عدد از دقت خام مهم‌تره، چون مدلی که مطمئن و اشتباه جواب می‌ده از مدلی که می‌گه «مطمئن نیستم» بدتره.

سرعت متوسط یه قضاوت تکی حدود ۰.۱۶ ثانیه‌ست و ۶۴ قضاوت موازی روی یه context حدود ۰.۴ ثانیه طول می‌کشه. یعنی بهترین استفاده‌ش اینه که یه context رو یه بار بدی و کلی سؤال رو با هم بپرسی. پشتیبانی از تصویر هم چک‌هایی مثل درست رندر شدن صفحه یا ظاهر شدن یه المان UI رو بدون نیاز به یه مدل vision-language کامل ممکن می‌کنه.

این مدل کنار Mercury 3 عرضه شده که مدل عمومی diffusion همین شرکته و بیشتر از ۱۰۰۰ توکن در ثانیه روی Nvidia Blackwell تولید می‌کنه. الگوی پیشنهادی اینه که Mercury 3 کارهای سنگین استدلالی رو انجام بده و Mercury Decide تو هر مرحله چک کنه که همه‌چی درست پیش می‌ره. نویسنده یادآوری می‌کنه که قیمت بعد از دوره رایگان OpenRouter ممکنه عوض بشه، کیفیت جواب‌ها به خوب طراحی شدن سؤال‌ها بستگی داره و این مدل جای مدل استدلالی رو نمی‌گیره.

نکات کلیدی:

• جواب ساختاریافته و درصد اطمینان رو تو یه فراخوانی و بدون تولید متن برمی‌گردونه
• نسخه جدید ورودی تصویری هم قبول می‌کنه
• تو LegalBench حدود ۸۷ درصد در برابر ۷۴ درصد مدل قضاوت مقایسه‌شده
• حدود یک‌چهارم هزینه مدل‌های قضاوت مشابه، و فعلاً روی OpenRouter رایگان
• ۰.۱۶ ثانیه برای یه قضاوت و حدود ۰.۴ ثانیه برای ۶۴ قضاوت موازی
• رتبه سوم مقاومت در برابر hallucination با نرخ ۳۲ درصد تو Artificial Analysis Decision Index