معرفی مقاله

■ مدل‌های زبانی کوچک (SLM) - آینده‌ی هوش مصنوعی عاملی
■ عنوان اصلی: Small Language Models are the Future of Agentic AI
■ نوشته‌ی تیمی از محققان NVIDIA Research و Georgia Institute of Technology
■ تاریخ انتشار: 12 خرداد 1404

■ چکیده:
«مدل‌های زبانی بزرگ (LLMها) به‌دلیل توانایی‌شان در مکالمه‌های عمومی و عملکرد نزدیک به انسان در طیف گسترده‌ای از وظایف، مورد توجه زیادی قرار گرفته‌اند. با این حال، ظهور سیستم‌های هوش مصنوعی عاملی (Agentic AI) موجی از کاربردها را به همراه داشته است که در آن‌ها مدل‌های زبانی تنها تعداد محدودی از وظایف تخصصی را به‌صورت تکراری و با تنوع اندک انجام می‌دهند. در این مقاله، این دیدگاه را مطرح می‌کنیم که مدل‌های زبانی کوچک (SLMها) برای چنین کاربردهایی کاملاً کافی، از نظر ساختاری مناسب‌تر، و از نظر اقتصادی بسیار مقرون‌به‌صرفه‌تر هستند. به همین دلیل، ما معتقدیم آینده‌ی هوش مصنوعی عاملی به سمت استفاده از SLMها پیش خواهد رفت. این باور بر پایه‌ی توانمندی‌های فعلی SLMها، ساختار رایج سیستم‌های عاملی، و هزینه‌های مرتبط با استقرار مدل‌ها شکل گرفته است.

همچنین بیان می‌کنیم که در مواردی که توانایی گفت‌و‌گوی عمومی اهمیت دارد، استفاده از سیستم‌های عاملی ناهمگن (heterogeneous agentic systems) که به‌طور هم‌زمان از چند مدل مختلف بهره می‌برند، گزینه‌ای طبیعی و منطقی خواهد بود. در ادامه، به موانع احتمالی در مسیر به‌کارگیری SLMها اشاره می‌کنیم و الگوریتمی برای تبدیل عامل‌های مبتنی بر مدل‌های بزرگ به مدل‌های کوچک ارائه می‌دهیم.

دیدگاه ما به‌صورت یک بیانیه‌ی ارزشی مطرح شده است تا اهمیت تأثیرات عملیاتی و اقتصادی حرکت از LLMها به SLMها را در صنعت عامل‌های هوش مصنوعی برجسته کند. هدف ما آغاز گفت‌وگویی درباره‌ی استفاده‌ی مؤثرتر از منابع هوش مصنوعی و کمک به کاهش هزینه‌های آن در شرایط کنونی است.»

🔗 لینک:
https://arxiv.org/pdf/2506.02153v1

Learning With M

Forwarded from سنتز | Synthesis

معرفی مقاله

■ مدل‌های زبانی کوچک (SLM) - آینده‌ی هوش مصنوعی عاملی
■ عنوان اصلی: Small Language Models are the Future of Agentic AI
■ نوشته‌ی تیمی از محققان NVIDIA Research و Georgia Institute of Technology
■ تاریخ انتشار: 12 خرداد 1404

■ چکیده:
«مدل‌های زبانی بزرگ (LLMها) به‌دلیل توانایی‌شان در مکالمه‌های عمومی و عملکرد نزدیک به انسان در طیف گسترده‌ای از وظایف، مورد توجه زیادی قرار گرفته‌اند. با این حال، ظهور سیستم‌های هوش مصنوعی عاملی (Agentic AI) موجی از کاربردها را به همراه داشته است که در آن‌ها مدل‌های زبانی تنها تعداد محدودی از وظایف تخصصی را به‌صورت تکراری و با تنوع اندک انجام می‌دهند. در این مقاله، این دیدگاه را مطرح می‌کنیم که مدل‌های زبانی کوچک (SLMها) برای چنین کاربردهایی کاملاً کافی، از نظر ساختاری مناسب‌تر، و از نظر اقتصادی بسیار مقرون‌به‌صرفه‌تر هستند. به همین دلیل، ما معتقدیم آینده‌ی هوش مصنوعی عاملی به سمت استفاده از SLMها پیش خواهد رفت. این باور بر پایه‌ی توانمندی‌های فعلی SLMها، ساختار رایج سیستم‌های عاملی، و هزینه‌های مرتبط با استقرار مدل‌ها شکل گرفته است.

همچنین بیان می‌کنیم که در مواردی که توانایی گفت‌و‌گوی عمومی اهمیت دارد، استفاده از سیستم‌های عاملی ناهمگن (heterogeneous agentic systems) که به‌طور هم‌زمان از چند مدل مختلف بهره می‌برند، گزینه‌ای طبیعی و منطقی خواهد بود. در ادامه، به موانع احتمالی در مسیر به‌کارگیری SLMها اشاره می‌کنیم و الگوریتمی برای تبدیل عامل‌های مبتنی بر مدل‌های بزرگ به مدل‌های کوچک ارائه می‌دهیم.

دیدگاه ما به‌صورت یک بیانیه‌ی ارزشی مطرح شده است تا اهمیت تأثیرات عملیاتی و اقتصادی حرکت از LLMها به SLMها را در صنعت عامل‌های هوش مصنوعی برجسته کند. هدف ما آغاز گفت‌وگویی درباره‌ی استفاده‌ی مؤثرتر از منابع هوش مصنوعی و کمک به کاهش هزینه‌های آن در شرایط کنونی است.»

🔗 لینک:
https://arxiv.org/pdf/2506.02153v1

hottg.com/learning_with_m/165

1.5K viewsJun 8 at 16:11