دستهبندی نشده
تنسنت مدل غولپیکر Hy4 را متنباز کرد؛ ۷۷۰ میلیارد پارامتر و حافظه یکمیلیون توکنی
شرکت چینی Tencent مدل زبانی بزرگ Hy4 را با ۷۷۰ میلیارد پارامتر و حافظهی یکمیلیون توکنی بهصورت کاملاً متنباز منتشر کرد؛ مدلی که حتی در بهینهسازی سامانهی آموزشی خودش هم نقش داشته است.
لیست مطالب
۱. آغاز رقابت تازه در دنیای مدلهای متنباز
هفتهای که گذشت، یکی از پرسروصداترین رویدادهای اخیر صنعت هوش مصنوعی رقم خورد: شرکت چینی Tencent مدل زبانی جدیدش با نام Hy4 را بهصورت کاملاً متنباز منتشر کرد. این انتشار در ادامهی موجی از مدلهای متنباز چینی رخ میدهد که در ماههای اخیر توجه رسانهها و توسعهدهندگان سراسر جهان را به خود جلب کردهاند. برای آشنایی بیشتر با ریشهی این رقابت و اینکه اصلاً شرکتهایی مثل OpenAI چگونه شکل گرفتند، میتوانید نگاهی به آرشیو کاملتری از تحولات این حوزه در بخش اخبار سایت بیندازید.
روند متنباز کردن مدلهای غولپیکر، بهویژه از سوی شرکتهای چینی، دیگر یک استثنا نیست؛ بلکه به یک استراتژی جدی برای رقابت با غولهای آمریکایی تبدیل شده است. Tencent با انتشار Hy4 نشان داد که منابع لازم برای ساخت مدلهایی در مقیاس صدها میلیارد پارامتر را دارد و تمایلی هم به بسته نگهداشتن آنها ندارد.
شرکتهای بزرگ فناوری چین طی دو سال اخیر بارها ثابت کردهاند که فاصلهی فنی میان آنها و شرکتهای آمریکایی، آنقدرها هم که تصور میشد بزرگ نیست. تنسنت، بایتدنس، علیبابا و دیپسیک هرکدام در بازههای زمانی مختلف مدلهایی منتشر کردهاند که در برخی سنجهها با بهترین مدلهای بستهی غربی رقابت میکنند. انتشار Hy4 را میتوان تازهترین حلقهی همین زنجیره دانست؛ با این تفاوت که اینبار خودِ فرایند ساخت مدل هم بخشی از داستان است.
۲. مشخصات فنی Hy4: از پارامترها تا پنجرهی حافظه
مدل Hy4 روی معماریای بنا شده که در مجموع ۷۷۰ میلیارد پارامتر دارد، اما در هر درخواست تنها حدود ۴۹ میلیارد پارامتر از آن فعال میشود. این طراحی، که در میان مدلهای بزرگ امروزی رایج است، اجازه میدهد مدل بدون نیاز به سختافزار غیرمعقول، سرعت پاسخگویی مناسبی داشته باشد.
ویژگیای که Hy4 را از بسیاری از رقبا متمایز میکند، پنجرهی حافظهی بیش از یکمیلیون توکنی آن است. این یعنی مدل میتواند در یک درخواست، معادل چند کتاب کامل یا مجموعهای عظیم از فایلهای کد و مستندات فنی را همزمان پردازش کند؛ قابلیتی که تا همین چند ماه پیش تنها در اختیار معدودی از مدلهای بستهی پیشرو بود.
۳. مدلی که در ساخت خودش هم دخالت داشت
نکتهای که واکنش زیادی در میان پژوهشگران هوش مصنوعی برانگیخته، این است که Hy4 در بهینهسازی بخشهایی از سامانهی آموزشی و استنتاج خودش نیز مشارکت داشته است. طبق گزارش تیم توسعه، این مشارکت باعث شده توان پردازش سرتاسری سامانه نزدیک به ۳۲ درصد نسبت به حالت پایه افزایش پیدا کند.
بهعبارت دیگر، بخشی از هوش مصنوعی که امروز منتشر شده، محصول همکاری میان مهندسان انسانی و نسخههای پیشین همان مدل بوده است. این روند، که برخی از آن با عنوان «خودبهبودی» یاد میکنند، یکی از موضوعاتی است که در بحثهای مربوط به پتانسیلها و محدودیتهای واقعی هوش مصنوعی اهمیت روزافزونی پیدا کرده است.
۴. نتایج ارزیابی: Hy4 در برابر GLM-5.3 و Kimi K3
در آزمایشی که به گفتهی منابع نزدیک به این پروژه با مشارکت ۱۶۳ کارشناس مستقل روی ۲۰۳ وظیفهی واقعی مهندسی نرمافزار انجام شد، Hy4 با میانگین امتیاز ۲.۹۹ از ۴، از رقبای شناختهشدهای مانند GLM-5.3 (با امتیاز ۲.۹۲) و Kimi K3 (با امتیاز ۲.۹۴) پیشی گرفت.
هرچند فاصلهی امتیازها چندان بزرگ نیست، اما نکتهی مهم این است که Hy4 در کنار امتیاز بالا، هزینهی استفادهی بهمراتب پایینتری هم دارد؛ موضوعی که در تصمیمگیری تیمهای فنی برای انتخاب مدل مناسب، وزن زیادی دارد. کسانی که به تازگی وارد دنیای کار با این مدلها شدهاند و میخواهند بهترین خروجی را از آنها بگیرند، میتوانند از راهنمای نوشتن پرامپت برای مبتدیان شروع کنند.
مقایسهی خلاصهی سه مدل
در نگاه کلی، هر سه مدل Hy4، GLM-5.3 و Kimi K3 در وظایف مهندسی نمرهای نزدیک به هم گرفتهاند، اما تفاوت اصلی در قیمت، پنجرهی حافظه و شرایط لایسنس متنباز میان آنها دیده میشود که Hy4 را در مجموع گزینهای جذابتر برای بسیاری از تیمهای توسعه کرده است.
۵. دسترسی، قیمتگذاری و پلتفرمهای عرضه
کاربران میتوانند از طریق پلتفرمهای WorkBuddy، CodeBuddy، Yuanbao و ima، و همچنین از راه Tencent Cloud TokenHub و سرویس واسط OpenRouter به Hy4 دسترسی داشته باشند. قیمت هر میلیون توکن ورودی حدود ۰.۸۳ دلار و هر میلیون توکن خروجی حدود ۲.۵۰ دلار اعلام شده که در مقایسه با بسیاری از مدلهای بسته، رقمی بسیار پایین محسوب میشود.
Tencent همچنین یک دورهی آزمایشی دو هفتهای رایگان برای WorkBuddy و CodeBuddy در نظر گرفته تا توسعهدهندگان بتوانند پیش از تصمیم نهایی، عملکرد مدل را در پروژههای واقعی خودشان بسنجند.
کاربردهای پیشنهادی این مدل هم دامنهی گستردهای را در بر میگیرد: از برنامهنویسی و کارهای اداری روزمره گرفته تا تحلیل داده، توسعهی بازی و پژوهشهای علمی. همین تنوع کاربرد باعث شده بسیاری از تیمهای فنی، Hy4 را نهفقط یک مدل زبانی معمولی، بلکه یک زیرساخت چندمنظوره برای پروژههای مختلف در نظر بگیرند.
۶. جایگاه Hy4 در نقشهی مدلهای متنباز چین
Hy4 در کنار مدلهایی مانند DeepSeek و Qwen، بخشی از موجی از مدلهای متنباز چینی است که در یک سال اخیر توجه جهانی زیادی جلب کردهاند. شرکتهای چینی با انتشار آزاد این مدلها، در تلاشاند خود را بهعنوان جایگزینی جدی برای مدلهای بستهی آمریکایی معرفی کنند؛ روندی که برخی تحلیلگران آن را ادامهی همان رقابتی میدانند که پیشتر در ماجرای مقایسهی ChatGPT و DeepSeek هم دیده بودیم.
گسترش این مدلها برای کسبوکارهایی که به دنبال کاهش هزینههای عملیاتی هوش مصنوعی هستند نیز اهمیت دارد؛ موضوعی که در تحلیلهای مربوط به اهمیت هوش مصنوعی برای کسبوکارها بارها به آن اشاره شده است.
۷. پیامدها برای OpenAI، Anthropic و بازار جهانی
ورود مدلهایی با کیفیت رقابتی و قیمت پایینتر مانند Hy4، فشار تازهای بر شرکتهای آمریکایی مانند OpenAI و Anthropic وارد میکند تا قیمت خدمات خود را بازبینی کنند یا نسخههای سبکتر و ارزانتری از مدلهای پیشرفتهی خود عرضه کنند. برخی تحلیلگران پیشبینی میکنند که این رقابت در نهایت به نفع کاربران نهایی تمام شود، چرا که هزینهی دسترسی به هوش مصنوعی پیشرفته را در سطح جهانی کاهش میدهد.
در همین حال، عدهای هشدار میدهند که رقابت شدید قیمتی ممکن است انگیزهی سرمایهگذاری بلندمدت روی ایمنی و ارزیابی دقیق مدلها را کم کند؛ نگرانیای که در گفتوگوهای مربوط به تفاوت میان توسعهدهندگان مستقل و مهندسان حرفهای در پروژههای هوش مصنوعی، در مطلب توهم هوش مصنوعی: توسعهدهندهی تنها در برابر مهندس واقعی هم مطرح شده است.
تحلیلگران بازار سرمایه هم این رویداد را زیر نظر دارند. سهام شرکتهای مرتبط با زیرساخت هوش مصنوعی، از تولیدکنندگان تراشه گرفته تا ارائهدهندگان خدمات ابری، معمولاً پس از هر انتشار بزرگ مدل متنباز نوسان محسوسی را تجربه میکنند، چرا که سرمایهگذاران در تلاشاند تأثیر بلندمدت این رقابت را روی سودآوری شرکتهای فعلی این حوزه ارزیابی کنند.
۸. چالشها و نگرانیهای امنیتی مدلهای متنباز غولپیکر
انتشار آزاد مدلی به این بزرگی همیشه با نگرانیهایی هم همراه است. کارشناسان امنیت سایبری معتقدند دسترسی گسترده به وزنهای یک مدل ۷۷۰ میلیارد پارامتری میتواند سوءاستفادهی احتمالی از آن را برای توسعهی ابزارهای مخرب یا اتوماسیون حملات پیچیدهتر کند، هرچند Tencent در اعلامیهی خود بر رعایت چارچوبهای مسئولانهی انتشار تأکید کرده است.
از سوی دیگر، جامعهی متنباز معتقد است شفافیت بیشتر دربارهی وزنها و دادههای آموزشی، در بلندمدت به بهبود ایمنی کلی این فناوری کمک میکند، چون پژوهشگران مستقل بیشتری میتوانند رفتار مدل را بررسی و آسیبپذیریهای آن را شناسایی کنند. کسانی که میخواهند با ابزارهای عملی برای کار روزمره با این مدلها آشنا شوند، میتوانند سری آموزشهای آموزشهای ChatGPT در سایت را هم دنبال کنند.
پرسشهای متداول دربارهی Hy4
مدل Hy4 دقیقاً چند پارامتر دارد؟
مدل Hy4 در مجموع ۷۷۰ میلیارد پارامتر دارد، اما در هر درخواست تنها حدود ۴۹ میلیارد پارامتر از آن بهصورت فعال درگیر پردازش میشود.
آیا Hy4 واقعاً رایگان و متنباز است؟
وزنهای مدل بهصورت متنباز منتشر شدهاند، اما استفاده از آن از طریق پلتفرمها یا API با تعرفهای بسیار پایین (حدود ۰.۸۳ تا ۲.۵۰ دلار به ازای هر میلیون توکن) همراه است.
Hy4 چه تفاوتی با GLM-5.3 و Kimi K3 دارد؟
هر سه مدل در سطح نزدیکی از دقت روی وظایف مهندسی قرار دارند، اما Hy4 با پنجرهی حافظهی بزرگتر و قیمت پایینتر، در مجموع گزینهی جذابتری برای بسیاری از پروژهها بهشمار میرود.
چرا میگویند Hy4 در ساخت خودش نقش داشته؟
تیم توسعه اعلام کرده که از خود مدل برای بهینهسازی بخشهایی از سامانهی آموزشی و استنتاج استفاده شده که در نتیجهی آن، توان پردازش نزدیک به ۳۲ درصد افزایش یافته است.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
