در گامی رو به جلو برای دموکراتیزه کردن هوش مصنوعی و پیشبرد علم آزاد، تیم هاگینگ فیس از دو مدل جدید در خانواده SmolVLM رونمایی کرده است: SmolVLM-256M و SmolVLM-500M. این اتفاقی مهم در عرصه هوش مصنوعی به شمار می‌رود، چرا که مدل SmolVLM-256M با تنها ۲۵۶ میلیون پارامتر، عنوان کوچکترین مدل زبان بصری (VLM) در جهان را به خود اختصاص داده است. این دستاورد، نتیجه تمرکز بر کارایی، بهینه‌سازی ترکیبات داده و طراحی‌های نوآورانه است که هدف آن ارائه عملکرد چندوجهی قوی در ابعادی به مراتب کوچک‌تر است.

چرا به سمت مدل‌های کوچک‌تر حرکت می‌کنیم؟

روندهای اخیر در حوزه هوش مصنوعی عمدتاً به سمت ساخت مدل‌های بزرگ‌تر با میلیاردها پارامتر حرکت کرده‌اند، اما پروژه SmolVLM مسیری متفاوت را در پیش گرفته است. هدف اصلی از کوچک‌سازی مدل‌ها، افزایش دسترسی و کاهش مصرف منابع است. مدل‌های کوچکتر، امکان پیاده‌سازی روی سخت‌افزارهای محدودتر را فراهم می‌کنند و نیاز به توان محاسباتی بالا برای آموزش و استنتاج را به شدت کاهش می‌دهند. این امر به ویژه برای توسعه‌دهندگانی که به منابع ابری گران‌قیمت دسترسی ندارند، بسیار حائز اهمیت است و به طور مستقیم به هدف هاگینگ فیس در دموکراتیزه کردن هوش مصنوعی کمک می‌کند.

مدل‌های ۲۵۶M و ۵۰۰M SmolVLM با بهره‌گیری از درس‌هایی که از نسخه ۲B (دو میلیارد پارامتری) آموخته شده بود، با هدف بهبود کارایی و حفظ توانایی‌های چندوجهی طراحی شده‌اند. این بهینه‌سازی‌ها شامل بازنگری در ساختار مدل، مدیریت داده‌های آموزشی و تعادل میان عملکرد و اندازه بوده است.

معرفی مدل‌های ۲۵۶M و ۵۰۰M: قدرت در ابعاد کوچک

این نسخه جدید با چهار چِک‌پوینت (checkpoint) عرضه می‌شود: دو مدل پایه (base models) و دو مدل آموزش دیده با دستورالعمل (instruction fine-tuned) در اندازه‌های ۲۵۶ و ۵۰۰ میلیون پارامتر. این تنوع به توسعه‌دهندگان این امکان را می‌دهد که بسته به نیاز و محدودیت‌های خود، بهترین گزینه را انتخاب کنند.

یکی از ویژگی‌های برجسته این مدل‌ها، قابلیت بارگذاری مستقیم آن‌ها در فریم‌ورک‌های محبوب مانند Transformers، MLX و ONNX است. این سازگاری بالا، ادغام SmolVLM را در پروژه‌های مختلف بسیار آسان می‌کند. همچنین، هاگینگ فیس نسخه‌های نمایشی (demos) برای Transformers و WebGPU (با استفاده از ONNX) ارائه کرده است که به کاربران اجازه می‌دهد تا به سرعت با قابلیت‌های این مدل‌های جدید آشنا شوند و آن‌ها را تجربه کنند.

فراتر از ابعاد: مزایای کلیدی SmolVLM

مدل‌های جدید SmolVLM-256M و SmolVLM-500M تنها به دلیل اندازه کوچکشان مورد توجه نیستند، بلکه مزایای مهم دیگری نیز ارائه می‌دهند که آن‌ها را به ابزاری قدرتمند در اکوسیستم هوش مصنوعی تبدیل می‌کند:

  • کوچکترین VLM جهان: مدل ۲۵۶M با اندازه بی‌سابقه خود، افق‌های جدیدی را برای کاربردهای هوش مصنوعی در محیط‌های کم‌منابع باز می‌کند.
  • عملکرد چندوجهی قوی: علی‌رغم اندازه کوچک، این مدل‌ها توانایی پردازش و درک اطلاعات بصری و متنی را به طور همزمان و با کارایی بالا حفظ کرده‌اند.
  • افزایش کارایی و دسترسی: کاهش نیاز به منابع محاسباتی و سخت‌افزاری گران‌قیمت، دموکراتیزه شدن هوش مصنوعی را تسریع می‌بخشد.
  • پشتیبانی از فریم‌ورک‌های محبوب: سازگاری با Transformers، MLX و ONNX، یکپارچه‌سازی و استفاده از آن‌ها را برای توسعه‌دهندگان آسان می‌سازد.
  • تعهد به متن‌باز بودن: این مدل‌ها به صورت متن‌باز منتشر شده‌اند و با فلسفه هاگینگ فیس برای پیشبرد علم و تکنولوژی باز همسو هستند.

رونمایی از مدل‌های ۲۵۶M و ۵۰۰M SmolVLM گامی مهم در جهت توسعه هوش مصنوعی کارآمدتر، دسترس‌پذیرتر و پایدارتر است. این رویکرد به ما یادآوری می‌کند که قدرت لزوماً در بزرگی نیست و نوآوری می‌تواند با کوچک‌سازی و بهینه‌سازی، تأثیرات شگرفی ایجاد کند.

پرسش‌های پرتکرار

مدل‌های جدید SmolVLM-256M و SmolVLM-500M چه هستند؟

این دو مدل، نسخه‌های جدید و کوچک‌تر از خانواده مدل‌های زبان بصری SmolVLM هستند که توسط هاگینگ فیس عرضه شده‌اند. مدل ۲۵۶M با تنها ۲۵۶ میلیون پارامتر، عنوان کوچکترین VLM جهان را دارد و هر دو بر کارایی و عملکرد چندوجهی در ابعاد کوچک تمرکز دارند.

چرا کوچک‌سازی مدل‌های هوش مصنوعی اهمیت دارد؟

کوچک‌سازی مدل‌ها به افزایش دسترسی به فناوری هوش مصنوعی کمک می‌کند، زیرا امکان پیاده‌سازی آن‌ها روی سخت‌افزارهای کم‌توان‌تر را فراهم می‌کند و نیاز به منابع محاسباتی بالا را کاهش می‌دهد. این امر موجب دموکراتیزه شدن AI و کاهش هزینه‌های توسعه و استنتاج می‌شود.