‏OUI-1: ساخت آنی رابط کاربری با دیفیوژن

OUI-1 یه مدل دیفیوژنیه که Mindstudio معرفیش کرده؛ به‌جای این‌که مثل ChatGPT یا Claude کد رابط کاربری رو کلمه به کلمه بنویسه، از یه نسخه‌ی پر از نویز شروع می‌کنه و کل صفحه رو یهویی، تو ۴۸ مرحله denoising (یعنی مرحله‌به‌مرحله نویز رو از یه طرح اولیه پاک کردن تا برسی به نتیجه‌ی نهایی)، آماده می‌کنه. این مدل fine-tune شده‌ی نسخه‌ی دیفیوژن Gemma گوگله و ۴ میلیارد پارامتر داره.

نکته‌ی مهم اینه که OUI-1 به‌جای HTML یا یه JSON حجیم، خروجیش رو با فرمت فشرده‌ای به اسم Open UI Lang می‌نویسه؛ همین فشردگی احتمالاً کمک می‌کنه مدل سریع‌تر و مطمئن‌تر به جواب برسه. نتیجه این می‌شه که تولید یه صفحه‌ی کامل، فارغ از این‌که چقدر پیچیده باشه، حدود یه ثانیه طول می‌کشه؛ در حالی که مدل‌های معمولی هرچی خروجی بلندتر باشه، زمان بیشتری می‌بره.

برای اجراش لوکال، تو تست نویسنده یه سرور اوبونتو با یه GPU ۸۰ گیگ VRAM و ابزار vLLM استفاده شده. بعد از لود شدن مدل، حدود ۷۷ گیگ از VRAM اشغال شده (وزن خود مدل فقط ۲۸ تا ۲۹ گیگ بوده و بقیه‌ش رو KV cache و سربار اجرا خورده). یه CLI به اسم Open UI هم هست که یه پروژه‌ی Next.js آماده می‌سازه تا به سرور لوکال وصل بشه.

رو صفحه‌های ساده مثل فرم تماس، پنل تنظیمات، صفحه‌ی محصول یا یه داشبورد تک‌نموداری، خروجی تمیز و قابل‌استفاده می‌ده؛ حتی تونسته یه المان تعاملی وصل به یه ابزار بیرونی (مثلاً پرسیدن وضعیت هوا) بسازه، نه فقط یه ماکاپ ثابت. اما وقتی درخواست شلوغ‌تر بشه، مثلاً یه داشبورد با نمودار میله‌ای و جدول با هم، مدل تو تبدیل خروجی به فرمت درست گیر می‌کنه و ارورهایی مثل فیلد ناقص یا ناهماهنگی نوع داده می‌ده.

نکات کلیدی:

• OUI-1 یه مدل دیفیوژنی ۴میلیاردپارامتریه، fine-tune شده‌ی Gemma دیفیوژن گوگل
• خروجی رو با فرمت Open UI Lang می‌نویسه، نه HTML یا JSON
• تولید هر صفحه تو ۴۸ مرحله denoising و حدود یه ثانیه طول می‌کشه
• اجرای لوکالش حدود ۷۷ گیگ VRAM می‌خواد (وزن مدل تنها ۲۸ تا ۲۹ گیگ)
• رو صفحه‌های چندجزئی و شلوغ (چند نمودار و جدول با هم) دچار ارور parser می‌شه