متا مدل هوش مصنوعی Muse Ember را معرفی کرد؛ رقیبی ارزان‌تر برای کلاد و GPT-6

شرکت متا از مدل هوش مصنوعی جدیدی به نام Muse Ember رونمایی کرده است که با تمرکز بر اجرای وظایف تکراری، برنامه‌نویسی و مدیریت فرایندهای خودکار طراحی شده است. متا ادعا می‌کند این مدل در مقایسه با Claude Haiku 5.5 و GPT-6 Luna، عملکرد بهتری نسبت به هزینه مصرفی دارد و در برخی آزمون‌ها نیز از رقبای خود امتیاز بالاتری کسب می‌کند.

Muse Ember کوچک‌ترین و به‌صرفه‌ترین عضو خانواده مدل‌های هوش مصنوعی Muse محسوب می‌شود. هدف اصلی آن رقابت مستقیم با مدل‌های بزرگ برای پاسخ‌گویی روزمره نیست؛ بلکه قرار است کارهایی را انجام دهد که عامل‌های هوش مصنوعی (AI Agents) بارها و بارها در جریان یک فرایند کاری تکرار می‌کنند.

Muse Ember چیست و چه کاربردی دارد؟

مدل Muse Ember برای انجام وظایف مشخص و پرتکرار طراحی شده است؛ کارهایی مانند خواندن فایل‌ها، استخراج اطلاعات، نوشتن کد، اجرای آزمایش‌ها و اصلاح خطاهای نرم‌افزاری. این مدل همچنین می‌تواند در فرایندهای کاری چندمرحله‌ای، ابزارهای مختلف را به ترتیب فراخوانی کند و اطلاعات را میان برنامه‌ها و سرویس‌های گوناگون جابه‌جا کند.

برای مثال، یک عامل هوش مصنوعی که وظیفه بررسی اسناد یک شرکت را بر عهده دارد، می‌تواند از Muse Ember برای خواندن قراردادها، استخراج بندهای مهم، مقایسه اطلاعات و ثبت نتیجه در سامانه‌های دیگر استفاده کند.

این رویکرد به متا اجازه می‌دهد از یک مدل قدرتمندتر برای تصمیم‌گیری‌های پیچیده و از Muse Ember برای اجرای تعداد زیادی وظیفه کوچک استفاده کند. به این ترتیب، هزینه پردازش فرایندهای خودکار کاهش پیدا می‌کند.

پنجره متنی یک میلیون توکنی؛ قابلیت مهم Muse Ember

یکی از ویژگی‌های برجسته Muse Ember، پنجره متنی یک میلیون توکنی آن است. پنجره متنی یا Context Window به حجم اطلاعاتی گفته می‌شود که مدل می‌تواند در یک درخواست دریافت کند و هنگام پاسخ‌گویی در نظر داشته باشد.

برای درک بهتر این قابلیت، تصور کنید یک برنامه‌نویس قصد دارد مجموعه بزرگی از فایل‌های یک پروژه نرم‌افزاری را بررسی کند. مدل‌هایی با پنجره متنی محدود ممکن است مجبور شوند اطلاعات را در چند مرحله دریافت کنند؛ اما Muse Ember می‌تواند حجم بسیار بیشتری از اسناد و کدها را در یک نوبت پردازش کند.

این مدل همچنین توانایی تولید حداکثر ۵۱۲ هزار توکن خروجی را دارد؛ ظرفیتی که برای پردازش و تولید محتوای طولانی در فرایندهای خودکار کاربردی است.

متا می‌گوید Muse Ember به‌صورت بومی از ورودی‌های متنی، تصویری، صوتی و ویدئویی پشتیبانی می‌کند. بنابراین می‌تواند علاوه بر اسناد متنی، تصاویر، نمودارها، اسکرین‌شات‌ها و فایل‌های صوتی و تصویری را نیز تحلیل کند.

مقایسه Muse Ember با کلاد و GPT-6 Luna

مهم‌ترین بخش معرفی مدل جدید متا، نتایج آزمون‌های عملکردی آن در مقایسه با دو مدل Claude Haiku 5.5 و GPT-6 Luna است.

متا برای مقایسه این مدل‌ها به نتایج ارزیابی‌های Artificial Analysis اشاره کرده است. در شاخص Intelligence Index، مدل Muse Ember امتیاز ۳۶ را کسب کرده؛ امتیازی که تقریباً با نتیجه Claude Haiku 5.5 برابر است و از امتیاز ۲۸ مدل GPT-6 Luna بیشتر محسوب می‌شود.

اما تفاوت اصلی در هزینه انجام وظایف دیده می‌شود. بر اساس محاسبات منتشرشده، هزینه متوسط هر وظیفه در Muse Ember حدود ۰٫۱۴ دلار است؛ درحالی‌که این رقم برای Claude Haiku 5.5 حدود ۰٫۴۱ دلار برآورد شده است.

این نتایج نشان می‌دهند Muse Ember در بسیاری از آزمون‌های مربوط به عامل‌های هوش مصنوعی و برنامه‌نویسی عملکرد خوبی دارد. بااین‌حال، برتری آن در تمام زمینه‌ها یکسان نیست. برای نمونه، Claude Haiku 5.5 در آزمون FrontierCode 2.0 امتیاز ۳۴٫۹ را به دست آورده که از امتیاز ۲۷٫۲ مدل متا بیشتر است.

این آزمون برای ارزیابی کیفیت کد در وظایف مهندسی واقعی طراحی شده و نشان می‌دهد کلاد همچنان در برخی فعالیت‌های تخصصی برنامه‌نویسی مزیت دارد.

نکته مهم این است که این نتایج به معنی برتری مطلق Muse Ember در تمام کاربردهای هوش مصنوعی نیست. امتیازها به نوع آزمون، تنظیمات استدلال و روش ارزیابی وابسته‌اند و بخشی از داده‌های منتشرشده نیز بر اساس آزمایش‌های داخلی متا به دست آمده‌اند.

قیمت Muse Ember چقدر است؟

متا قیمت‌گذاری Muse Ember را با تمرکز بر کاهش هزینه استفاده از مدل‌های هوش مصنوعی انجام داده است. این مدل از طریق API با هزینه مبتنی بر تعداد توکن‌های ورودی و خروجی در دسترس قرار می‌گیرد.

قیمت اعلام‌شده برای استفاده معمولی به شرح زیر است:

توکن ورودی اطلاعاتی است که کاربر یا برنامه به مدل ارسال می‌کند و توکن خروجی به محتوایی گفته می‌شود که مدل تولید می‌کند. توکن‌های ذخیره‌شده نیز به اطلاعاتی مربوط می‌شوند که برای استفاده مجدد در درخواست‌های بعدی نگهداری شده‌اند و هزینه پردازش کمتری دارند.

این قیمت‌گذاری به‌ویژه برای شرکت‌هایی اهمیت دارد که روزانه هزاران یا حتی میلیون‌ها درخواست خودکار به مدل‌های هوش مصنوعی ارسال می‌کنند. در چنین شرایطی، حتی کاهش اندک هزینه هر درخواست می‌تواند در مقیاس بزرگ صرفه‌جویی قابل‌توجهی ایجاد کند.

البته قیمت پایه برای درخواست‌های معمولی اعلام شده است و استفاده از ورودی‌های بسیار طولانی می‌تواند مشمول تعرفه متفاوتی شود. بنابراین، هزینه واقعی استفاده از مدل به حجم اطلاعات و میزان خروجی موردنیاز بستگی دارد.

Muse Ember در کجا قابل استفاده است؟

متا اعلام کرده است که Muse Ember با شناسه muse-ember-1.0 از طریق دو مسیر اصلی در دسترس قرار گرفته است:

• Meta Model API: توسعه‌دهندگان می‌توانند از طریق API این مدل را در نرم‌افزارها و سرویس‌های خود به کار بگیرند.

• Muse Code: این مدل برای انجام وظایف برنامه‌نویسی و کمک به عامل‌های کدنویسی نیز ارائه شده است.

Muse Ember از Responses API نیز پشتیبانی می‌کند؛ قابلیتی که اتصال آن به ابزارها و برنامه‌های سازگار را ساده‌تر می‌کند.

بنابراین، این مدل در حال حاضر بیشتر برای توسعه‌دهندگان، شرکت‌ها و افرادی کاربرد دارد که قصد دارند قابلیت‌های هوش مصنوعی را در فرایندهای نرم‌افزاری خود به کار بگیرند. متا هنوز آن را به‌عنوان یک چت‌بات عمومی در اپلیکیشن Meta AI عرضه نکرده است.

متا چگونه از Muse Ember برای کاهش هزینه هوش مصنوعی استفاده می‌کند؟

عرضه Muse Ember بخشی از راهبرد متا برای ساخت خانواده‌ای از مدل‌ها با کاربردهای متفاوت است. در این ساختار، مدل‌های بزرگ‌تر وظایف پیچیده‌تر را انجام می‌دهند و مدل‌های کوچک‌تر مسئولیت اجرای کارهای پرتکرار را بر عهده می‌گیرند.

برای مثال، یک مدل قدرتمند می‌تواند مراحل انجام یک پروژه را طراحی کند و سپس Muse Ember صدها وظیفه کوچک مربوط به اجرای آن را انجام دهد. این روش از صرف منابع پردازشی گران‌قیمت برای کارهایی جلوگیری می‌کند که به استدلال بسیار پیچیده نیاز ندارند.

متا همچنین اعلام کرده است که Muse Ember با استفاده از مدل بزرگ‌تر Muse Wonder Full آموزش داده شده است. این موضوع بخشی از رویکرد این شرکت برای انتقال توانایی‌های مدل‌های پیشرفته به مدل‌های کوچک‌تر و کم‌هزینه‌تر محسوب می‌شود.

منابع: