‏مدل‌های open-weight چقدر از خط مقدم عقبن؟

نویسنده‌ی این مقاله از تجربه‌ی شخصیش شروع می‌کنه: مدل تازه‌ی Fable 5 رو نسبت به مدل‌های قبلی مثل Opus 4.7 برای سؤال‌های روزمره (آشپزی، تناسب اندام، ماشین) جهش جادویی نمی‌بینه. حرف اصلیش اینه که هوش، بازدهی نهایی کاهنده (diminishing marginal returns) داره؛ یعنی بعد از یه نقطه، هوشمندتر شدن مدل دیگه کار روزمره رو بهتر نمی‌کنه. بیشترِ استفاده‌ی روزانه‌ی آدم‌ها از هوش مصنوعی هم از یه مدل باهوش‌تر سود زیادی نمی‌بره.

بعد بحث رو می‌بره سراغ شرکت‌ها. کلی شغل یقه‌سفید هست — وکیل، پرستار، حسابدار، پشتیبان مشتری — که می‌شه از نظر سختی دسته‌بندیشون کرد. نویسنده می‌گه همون قانون اینجا هم صادقه: مدل تازه ممکنه تو بعضی کارها (مثل مهندسی نرم‌افزار جدی) یه جهش باشه ولی تو خیلی کارهای دیگه فرق محسوسی نداشته باشه. به گفته‌ی اون هرچی مدل‌ها بهتر بشن، کارهای بیشتری به اون نقطه‌ی اشباع می‌رسن.

پشت خط مقدم، مدل‌های open-weight قرار دارن؛ یعنی مدل‌هایی که هر کسی با سخت‌افزار مناسب می‌تونه خودش اجراشون کنه. اینا معمولاً خیلی ارزون‌ترن ولی کم‌هوش‌ترن. نویسنده فعلاً فاصله رو حدود چهار ماه روی بنچمارک‌ها فرض می‌کنه. این مدل‌ها تو اندازه‌های مختلف میان (مثلاً خانواده‌ی Gemma 4 گوگل)؛ معمولاً مدل بزرگ‌تر (پارامتر بیشتر) باهوش‌تره، ولی مدل کوچیک‌تر روی دستگاه ارزون‌تری مثل گوشی و لپ‌تاپ اجرا می‌شه.

سؤال محوری مقاله اینه: کی یه مدل در حد Fable 5 اون‌قدر کوچیک می‌شه که رو یه MacBook Air معمولی اجرا بشه؟ نویسنده یه جدول پیش‌بینی داره که هر ردیفش یه سطح قابلیته و هر ستونش مقدار رَمی که یه دستگاه لازم داره. تأکید می‌کنه اینا برابری روی بنچمارکه و برابریِ واقعی تو کار عملی احتمالاً ۶ تا ۱۲ ماه دیرتر میاد.

از نظر نویسنده مصرف‌کننده‌ها زیاد به اجرای مدل روی دستگاه خودشون اهمیت نمی‌دن؛ اونا بیشتر دنبال سادگی، حافظه‌ی خوب و خروجی چندرسانه‌این و حتی تبلیغ هم خیلی اذیتشون نمی‌کنه. ولی تو شرکت‌ها داستان فرق می‌کنه: تصمیم بر اساس بازگشت سرمایه (ROI) گرفته می‌شه، و وقتی هزینه‌ی هوش مصنوعی برای هر کارمند بالاست، انگیزه‌ی قوی‌ای هست که سراغ یه مدل open-weight ارزون یا یه مدل محلی رایگان برن.

نویسنده آخرش یه هشدار هم می‌ده: دسترسی آسون هر کسی به قابلیت‌های امنیت سایبریِ یه مدل رده‌ی Mythos نگران‌کننده‌ست، چون یه عامل بد به‌تنهایی می‌تونه برای کلی آدم دردسر درست کنه.

نکات کلیدی:

• هوش مدل‌ها بالا می‌ره ولی بعد از یه حد، بازدهی‌اش برای کار روزمره کم می‌شه
• مدل‌های open-weight ارزون‌ترن ولی حدود چهار ماه از خط مقدم عقبن
• مدل بزرگ‌تر معمولاً باهوش‌تره، مدل کوچیک‌تر روی دستگاه ارزون اجرا می‌شه
• سؤال اصلی: کی مدلی در حد Fable 5 روی لپ‌تاپ معمولی اجرا می‌شه
• تو شرکت‌ها صرفه‌ی اقتصادی ممکنه تصمیم رو سمت مدل‌های محلی ببره