أعلنت شركة ميتا الأمريكية عن نموذج الذكاء الاصطناعي Muse Spark Open. المصمم لدعم البرمجة وتطوير البرمجيات وتنفيذ المهام المعقدة متعددة الخطوات. مع نافذة سياقية تصل إلى مليون رمز. وإمكانية تشغيله محليًا على أجهزة Mac Studio بالتعاون مع آبل، بحسب المعلومات الواردة في الإعلان.
ويستهدف النموذج مساعدة المطورين على التعامل مع المشروعات البرمجية الكبيرة وتحليل كميات ضخمة من المعلومات. مع توفير خيارات متعددة للتشغيل والتخصيص. بما يمنح المطورين مرونة أكبر في بناء تطبيقات الذكاء الاصطناعي.
816 مليار معامل.. قدرات لمعالجة المهام المعقدة
يضم نموذج Muse Spark Open نحو 816 مليار معامل إجمالي، منها 42 مليار معامل نشط، ويستهدف دعم المطورين في التعامل مع المشروعات البرمجية واسعة النطاق. وتحليل البيانات، وتنفيذ المهام التي تتطلب مراحل متعددة من الاستدلال والتخطيط.
وتتيح النافذة السياقية التي تصل إلى مليون رمز للنموذج معالجة كميات كبيرة من النصوص والبيانات ضمن سياق واحد، ما قد يساعد على فهم قواعد برمجية ضخمة. وتحليل مستندات طويلة، والتعامل مع مشروعات معقدة دون الحاجة إلى تقسيم المحتوى إلى أجزاء صغيرة بالقدر نفسه.
وتكتسب هذه الإمكانية أهمية خاصة في تطوير البرمجيات. إذ يحتاج المطورون إلى تحليل ملفات متعددة وفهم العلاقات بين مكونات المشروع قبل اقتراح التعديلات أو تنفيذ المهام المطلوبة.
تعاون مع آبل لتشغيل النموذج محليًا
يمثل تشغيل النموذج على أجهزة Mac Studio أحد أبرز الجوانب الواردة في الإعلان. إذ جرى تحسينه للعمل باستخدام إطار التعلم الآلي MLX على أجهزة مزودة بمعالجات M5 Ultra، بحسب المعلومات المنشورة.
وتعتمد هذه التجهيزات على الذاكرة الموحدة، التي يمكن أن تصل سعتها إلى 512 جيجابايت في الجهاز الواحد. مع إمكانية الجمع بين جهازي Mac Studio لتوفير ما يصل إلى تيرابايت من الذاكرة الموحدة، وفقًا للمواصفات المذكورة.
ويمكن للتشغيل المحلي أن يمنح المطورين قدرًا أكبر من التحكم في بيئة العمل، ويقلل الاعتماد على الحوسبة السحابية في بعض الاستخدامات. إلا أن تشغيل نموذج بهذا الحجم يظل مرتبطًا بمتطلبات الذاكرة والأجهزة، إلى جانب كفاءة الأداء والتكلفة الفعلية.
دعم منصات متعددة وخيارات متنوعة للتشغيل
يدعم Muse Spark Open عددًا من محركات الاستدلال، من بينها SGLang وvLLM وTensorRT-LLM وHugging Face Transformers وMLX وllama.cpp، كما يمكن تشغيله على منصات عتادية من شركات مختلفة، تشمل آبل وإنفيديا وAMD وإنتل.
ويسمح هذا التنوع للمطورين باختيار بيئة التشغيل المناسبة لطبيعة مشروعاتهم والإمكانات المتاحة لديهم، بدلًا من الارتباط بمنصة واحدة، كما يفتح المجال أمام دمج النموذج في تطبيقات وأدوات تطوير مختلفة.
تخصيص النموذج وتقييمات أمنية قبل الإصدار
أشارت ميتا إلى إمكانية تخصيص النموذج باستخدام أدوات مثل PyTorch وTorchTitan، وإتاحته عبر عدد من منصات واجهات برمجة التطبيقات ومستودعات النماذج، مع إخضاعه لتقييمات أمنية قبل الإصدار.
وتساعد أدوات التخصيص المطورين على تكييف النماذج مع احتياجات محددة، سواء في كتابة الأكواد أو تحليل البيانات أو تنفيذ المهام متعددة الخطوات، بينما تظل نتائج التقييمات الأمنية ومدى توافر النموذج وشروط استخدامه عوامل مهمة عند تحديد مدى ملاءمته للتطبيقات المختلفة.
هل يغيّر النموذج طريقة تطوير تطبيقات الذكاء الاصطناعي؟
يعكس التوجه نحو النماذج الكبيرة القابلة للتشغيل محليًا والتخصيص اهتمامًا متزايدًا بتوفير أدوات أكثر مرونة للمطورين، خصوصًا في مجالات البرمجة والمهام الوكيلة التي تتطلب تنفيذ سلسلة من الخطوات للوصول إلى نتيجة محددة.
لكن حجم النموذج وعدد معاملاته والنافذة السياقية الكبيرة لا تكفي وحدها للحكم على تفوقه؛ إذ يتوقف الأداء الفعلي على جودة النتائج، وسرعة الاستجابة، ومتطلبات التشغيل، والتكلفة، ومدى كفاءة النموذج في تنفيذ المهام المطلوبة.