متا از مدل هوش مصنوعی Muse Ember رونمایی کرده است که برای اجرای سریع و کم‌هزینه وظایف عامل‌های هوشمند طراحی شده است. این مدل با پنجره متنی یک میلیون توکنی و قیمت پایه ۰.۱۰ دلار به‌ازای هر میلیون توکن ورودی، در اختیار توسعه‌دهندگان قرار گرفته است.
به گزارش Testing Catalog، متا مدل جدیدی با نام Muse Ember را معرفی کرده که کوچک‌ترین و بهینه‌ترین عضو خانواده مدل‌های هوش مصنوعی Muse محسوب می‌شود. این مدل برخلاف سیستم‌های بزرگ‌تر که برای استدلال‌های بسیار پیچیده و حل مسائل دشوار توسعه یافته‌اند، روی اجرای مکرر وظایف مشخص و پرتعداد تمرکز دارد.
مدل Muse Ember برای فعالیت‌هایی مانند فراخوانی ابزارها، انجام بخش‌های کوچک برنامه‌نویسی، مسیریابی درخواست‌ها، استخراج اطلاعات و تحلیل اسناد طولانی طراحی شده است. برای مثال، یک عامل هوش مصنوعی می‌تواند از این مدل برای خواندن فایل‌ها، اجرای آزمایش‌های نرم‌افزاری، اصلاح بخش مشخصی از کد و ثبت اطلاعات در سرویس‌های مختلف استفاده کند.
یکی از ویژگی‌های مهم این محصول، پشتیبانی بومی از ورودی‌های چندرسانه‌ای است. Muse Ember می‌تواند متن، تصویر، صوت و ویدیو را پردازش کند؛ بنابراین بررسی اسکرین‌شات‌ها، نمودارها، اسناد اسکن‌شده، یادداشت‌های صوتی و محتوای جلسات نیز در محدوده کاربردهای آن قرار می‌گیرد.
پنجره متنی یک میلیون توکنی و خروجی ۵۱۲ هزار توکنی
هوش مصنوعی Muse Ember به پنجره متنی یک میلیون توکنی مجهز شده است و می‌تواند در هر درخواست تا ۵۱۲ هزار توکن خروجی تولید کند. چنین ظرفیتی به توسعه‌دهندگان اجازه می‌دهد مجموعه بزرگی از فایل‌های یک پروژه یا اسناد طولانی را در اختیار مدل قرار دهند و بدون تقسیم مداوم محتوا، از آن برای انجام وظایف مختلف کمک بگیرند.
این قابلیت برای عامل‌های هوشمند اهمیت زیادی دارد؛ زیرا چنین سیستم‌هایی معمولا در طول اجرای یک وظیفه، اطلاعات متعددی را دریافت و پردازش می‌کنند. ظرفیت متنی گسترده‌تر می‌تواند نیاز به خلاصه‌سازی مکرر یا حذف بخشی از اطلاعات قبلی را کاهش دهد.
قیمت Muse Ember در مقایسه با رقبا
یکی از مهم‌ترین دلایل معرفی این مدل، هزینه پایین پردازش آن است. متا قیمت استفاده از Muse Ember را برای هر یک میلیون توکن ورودی ۰.۱۰ دلار و برای هر یک میلیون توکن خروجی ۰.۵۰ دلار تعیین کرده است. هزینه توکن‌های ورودی ذخیره‌شده در حافظه کش نیز به ۰.۰۰۴ دلار می‌رسد.
متا ادعا می‌کند این مدل در نسبت هوشمندی به هزینه، از Claude Haiku 5.5 و GPT-6 Luna عملکرد اقتصادی‌تری دارد. برای نمونه، در آزمون Artificial Analysis Intelligence Index و با بیشترین سطح استدلال، Muse Ember امتیاز ۳۵.۸ را با هزینه تخمینی ۰.۱۳۶ دلار برای هر وظیفه ثبت کرده است. در همین شرایط، Claude Haiku 5.5 به امتیاز ۳۶.۲ با هزینه ۰.۴۱۱ دلار رسیده و GPT-6 Luna نیز امتیاز ۲۷.۸ را با هزینه ۰.۱۵۲ دلار کسب کرده است. البته عملکرد مدل در تمام آزمون‌ها برتر نیست. برای مثال، امتیاز آن در FrontierCode 2.0-AA برابر با ۲۷.۲ بوده که از امتیاز ۳۴.۹ آنتروپیک پایین‌تر است. این تفاوت نشان می‌دهد هزینه کمتر لزوما به معنای برتری در تمام وظایف نیست.
جایگاه Muse Ember در خانواده مدل‌های متا
Muse Ember نخستین مدلی است که با استفاده از Muse Wonder Full آموزش داده شده است. متا برای محصولات هوش مصنوعی خود نقش‌های متفاوتی در نظر گرفته است؛ Muse Wonder برای دشوارترین مسائل و برنامه‌ریزی‌های پیچیده، Muse Spark برای برنامه‌نویسی و گردش کار عامل‌های هوشمند و Muse Ember برای اجرای مکرر وظایف در مقیاس بزرگ طراحی شده‌اند.
مقایسه این مدل با Muse Spark 1.3 نیز جالب توجه است. براساس ارزیابی متا، Muse Ember در شاخص هوش مصنوعی Artificial Analysis امتیاز ۳۶ را کسب کرده، درحالی‌که امتیاز نسخه Spark 1.3 به ۳۷ می‌رسد. بااین‌حال، هزینه تخمینی اجرای هر وظیفه از ۲.۳۹ دلار به حدود ۰.۱۴ دلار کاهش پیدا می‌کند. این اختلاف نشان می‌دهد متا برای اجرای وظایف پرتعداد، به‌جای استفاده همیشگی از مدل‌های بزرگ‌تر، روی مدل‌های کوچک و تخصصی سرمایه‌گذاری کرده است.
همکاری با شرکت‌های فناوری و ملاحظات امنیتی
متا پیش از عرضه عمومی، Muse Ember را در اختیار مجموعه‌ای از شرکای تجاری ازجمله Box، Cline، اوراکل، کلادفلر و You.com قرار داده است. این مجموعه‌ها کاربردهای مختلفی برای مدل آزمایش کرده‌اند.
برای مثال، Box از Muse Ember در بررسی ریسک قراردادها و ارزیابی رزومه متقاضیان استفاده کرده است. Cline نیز این مدل را گزینه‌ای کم‌هزینه برای عامل‌های فرعی برنامه‌نویسی و تحلیل اسناد می‌داند. کلادفلر و You.com هم به سرعت پردازش و تاخیر پایین آن در آزمایش‌های خود اشاره کرده‌اند.
مدل Muse Ember را می‌توان بخشی از راهبرد متا برای کاهش هزینه استفاده از عامل‌های هوش مصنوعی دانست. این مدل قرار نیست در تمام وظایف جایگزین مدل‌های بزرگ‌تر شود؛ بلکه هدف آن انجام سریع و اقتصادی کارهایی است که یک عامل هوشمند بارها در طول فعالیت خود تکرار می‌کند. اگر عملکرد اعلام‌شده در آزمایش‌های مستقل نیز تایید شود، Muse Ember می‌تواند استفاده گسترده‌تر از عامل‌های هوش مصنوعی را برای توسعه‌دهندگان و کسب‌وکارها از نظر اقتصادی امکان‌پذیرتر کند.