‏NorKa: مدل اوپن‌ویت برای کار با کامپیوتر

NorKa یه خانواده مدل اوپن‌ویت (یعنی وزن‌های مدل رو می‌شه دانلود و خودت اجرا کرد) هست که برای computer use ساخته شده؛ یعنی مدل به صفحه نگاه می‌کنه، تصمیم می‌گیره کجا کلیک کنه یا چی تایپ کنه و کارهای چندمرحله‌ای رو روی دسکتاپ انجام می‌ده. سه سایز داره: Pro، Mini و Nano. کنارش یه harness متن‌باز هم از Beo AI منتشر شده که حلقه‌ی اجرای ایجنت رو مدیریت می‌کنه.

این harness یه حلقه‌ی observe-think-act اجرا می‌کنه: از صفحه اسکرین‌شات می‌گیره، مدل فکر می‌کنه قدم بعدی چیه، بعد یه اکشن مثل کلیک یا فشار دادن کلید انجام می‌ده و دوباره اسکرین‌شات می‌گیره. این همون معماری‌ایه که سیستم‌های بسته‌ی لب‌های بزرگ هم دارن. فرقش اینه که اینجا هم مدل و هم harness بازن، یعنی می‌تونی کل مسیر رو ببینی، تغییر بدی یا روی سرور خودت بالا بیاری.

تو بنچمارک OSWorld Verified (که می‌سنجه ایجنت تو یه سیستم‌عامل واقعی کارهایی مثل مدیریت فایل و جابه‌جایی بین اپ‌ها رو انجام می‌ده یا نه) نسخه‌ی Nano با ۹ میلیارد پارامتر ۷۸.۹، Mini با ۳۵ میلیارد پارامتر ۸۵ و Pro با ۳۹۷ میلیارد پارامتر ۸۸ گرفته. Pro یه مدل mixture-of-experts هست، یعنی تو هر بار اجرا فقط ۱۷ میلیارد پارامترش فعال می‌شه. نتایج WebArena Verified هم همین الگوی نزدیک به هم رو نشون می‌ده.

نویسنده می‌گه نکته‌ی اصلی همین فاصله‌ی حدوداً ۱۰ امتیازیه با وجود اختلاف ۴۴ برابری تو تعداد پارامتر، که تو بیشتر خانواده‌های مدل خیلی بیشتره. Nano اونقدر کوچیکه که می‌شه روی سخت‌افزار معمولی اجراش کرد و سازنده‌هاش حتی از اجرا روی دستگاه‌هایی در حد گوشی حرف زدن. یعنی برای ابزارهای اتوماسیون لوکال یا کارهایی که نمی‌خوای اسکرین‌شات‌ها به API بیرونی برن، گزینه‌ی واقعی داری.

به گفته‌ی نویسنده، NorKa مدل چت یا استدلال عمومی نیست و فقط برای کار با رابط گرافیکی تنظیم شده. همین تخصصی بودن باعث شده با پارامتر خیلی کمتر به مدل‌های عمومی بزرگ مثل Kimi K3.1 Pro (یه مدل ۳ تریلیون پارامتری که همون هفته اومد) برسه. نویسنده اینو بخشی از یه روند بزرگ‌تر می‌دونه: لب‌ها دارن به‌جای یه مدل همه‌کاره، مدل‌های تخصصی می‌دن.

راه‌اندازیش با گرفتن وزن‌ها از Hugging Face و اجرا با همون harness انجام می‌شه. ولی نویسنده هشدار می‌ده که امتیاز ۸۸ یعنی حدود ۱۲ درصد کارها تو محیط کنترل‌شده‌ی بنچمارک شکست می‌خورن و محیط واقعی شلوغ‌تره. پس برای کارهایی که به فایل، پرداخت یا اکشن‌های برگشت‌ناپذیر دست می‌زنن، باید بررسی انسانی یا منطق جایگزین بذاری.

نکات کلیدی:

• سه سایز داره: Pro با ۳۹۷ میلیارد پارامتر (۱۷ میلیارد فعال)، Mini با ۳۵ میلیارد و Nano با ۹ میلیارد پارامتر.
• امتیازها تو OSWorld Verified: Pro ۸۸، Mini ۸۵ و Nano ۷۸.۹.
• harness متن‌باز از Beo AI حلقه‌ی اسکرین‌شات، فکر و اکشن رو مدیریت می‌کنه.
• Nano روی سخت‌افزار معمولی قابل اجراست و Pro چند GPU پرحافظه یا یه سرویس inference لازم داره.
• با امتیاز ۸۸ هنوز حدود ۱۲ درصد کارها شکست می‌خورن، پس تو production بررسی انسانی لازمه.