متا با موس گلیمر به متن‌باز برگشت؛ هوش مصنوعی رایگان روی کامپیوتر خانگی

متا بعد از بیش از یک سال سکوت در انتشار مدل‌های متن‌باز، با موس گلیمر بازگشته است؛ مدلی سی‌میلیاردپارامتری که روی یک کارت گرافیک خانگی اجرا می‌شود و مجوز کاملاً رایگان Apache 2.0 دارد.

بخش ۱: چرا بازگشت متا به متن‌باز مهم است؟

متا در یک سال گذشته با انتقادهای زیادی درباره‌ی کیفیت خانواده‌ی مدل‌های لاما روبه‌رو بود و بعد از عملکرد ضعیف لاما چهار در مقایسه با رقبا، تیم هوش مصنوعی این شرکت بازسازی شد. مارک زاکربرگ در یادداشتی طولانی از دولت‌ها خواسته بود موانع قانونی پیش‌روی توسعه‌ی هوش مصنوعی متن‌باز را کاهش دهند، و انتشار موس گلیمر اولین گام عملی متا در همین راستا محسوب می‌شود.

برخلاف رویکرد بسته‌ترِ برخی رقبا که در مقاله‌ی اوپن‌ای‌آی چیست به آن پرداخته‌ایم، متا این‌بار مجوز محدودکننده‌ی نسخه‌های قبلی لاما را کنار گذاشته و موس گلیمر را با مجوز کاملاً باز Apache 2.0 عرضه کرده؛ یعنی بدون سقف کاربر، بدون محدودیت تجاری و بدون نیاز به مجوز جداگانه از متا.

بخش ۲: موس گلیمر دقیقاً چیست؟

موس گلیمر نسخه‌ی تقطیرشده و فشرده‌ی مدل پرچمدار داخلی متا با نام موس اسپارک است. هدف اصلی طراحان این مدل، ساختن نسخه‌ای کوچک‌تر اما کارآمد بوده که بتواند وظایف عامل‌محور مثل جست‌وجوی آنلاین، تحلیل داده و کدنویسی را بدون نیاز به اتصال دائمی به سرورهای ابری انجام دهد. تاریخ دانش این مدل تا اوایل ژانویه ۲۰۲۶ به‌روز است و ورودی آن می‌تواند ترکیبی از متن و تصویر باشد، هرچند خروجی فقط به‌صورت متنی ارائه می‌شود.

همان‌طور که در مقاله‌ی مرز میان توهم هوش مصنوعی و مهندسی واقعی بررسی کرده‌ایم، بسیاری از ادعاهای بازاریابی درباره‌ی مدل‌های جدید نیاز به راستی‌آزمایی دارند؛ اما در مورد موس گلیمر، انتشار وزن‌های کامل مدل روی هاگینگ‌فیس این امکان را می‌دهد که هر پژوهشگری خودش نتایج را تکرار و بررسی کند.

بخش ۳: مشخصات فنی موس گلیمر

از نظر معماری، موس گلیمر یک ترنسفورمر علّی و چگال با سی میلیارد پارامتر است که از توجه گروهی (Grouped-Query Attention) با سی‌ودو سرِ پرسش و تنها دو سرِ کلید-مقدار بهره می‌برد. پنجره‌ی زمینه‌ی این مدل بیش از ۱۳۱ هزار توکن است و واژه‌نامه‌ای با بیش از دویست هزار توکن دارد که پشتیبانی از چندین زبان از جمله فارسی را تسهیل می‌کند. بخش بینایی مدل نیز از یک رمزگذار تصویری با حدود ۱.۸ میلیارد پارامتر تشکیل شده که می‌تواند تا ۴۰۹۶ توکن بصری از هر تصویر استخراج کند.

روش آموزش موس گلیمر

فرایند آموزش این مدل در سه مرحله انجام شده است: نخست، تقطیر دانش (Distillation) از مدل بزرگ‌تر موس اسپارک در دوره‌ی پیش‌آموزش؛ سپس گسترش پنجره‌ی زمینه همراه با داده‌های تخصصی عامل‌محور در میان‌آموزش؛ و در نهایت، ترکیب یادگیری نظارت‌شده و یادگیری تقویتی روی حوزه‌های استدلال، کدنویسی و انجام وظایف چندمرحله‌ای.

بخش ۴: اجرای محلی؛ چطور یک مدل ۳۰ میلیاردی روی کارت گرافیک خانگی جا می‌شود؟

راز اصلی اجرای این مدل روی سخت‌افزار مصرفی در فشرده‌سازی وزن‌ها به عمق چهار بیت نهفته است. با این روش، حجم حافظه‌ی موردنیاز از حدود پنجاه‌وپنج گیگابایت به کمتر از بیست گیگابایت کاهش می‌یابد؛ یعنی مدل می‌تواند در ۲۴ گیگابایت حافظه‌ی گرافیکی با کاهش کیفیت تنها یک درصد، یا در ۳۲ گیگابایت با کاهشی نزدیک به صفر اجرا شود.

علاوه بر فشرده‌سازی، متا از یک روش پیش‌بینی گفتاری به نام DFlash استفاده کرده که با پیش‌نویسی بلوک‌های شانزده‌توکنی، سرعت رمزگشایی را روی کارت گرافیک RTX 5090 حدود سه‌برابر افزایش می‌دهد و آن را از حدود ۷۵ توکن در ثانیه به بیش از ۲۳۳ توکن در ثانیه می‌رساند. این یعنی کاربران می‌توانند این مدل را روی یک کارت گرافیک مصرفی معمولی یا مک‌بوک‌های مجهز به تراشه‌ی M4 یا M5 مکس، بدون نیاز به اینترنت اجرا کنند.

بخش ۵: نتایج بنچمارک؛ موس گلیمر در برابر جما ۴ و کوئن ۳.۶

در آزمون‌های عامل‌محور، موس گلیمر عملکرد قابل‌توجهی از خود نشان داده است. برای نمونه در بنچمارک MCP Atlas، امتیاز ۷۵.۵ کسب کرده در برابر ۵۴.۲ برای جما چهار سی‌ویک‌میلیاردی و ۶۲.۵ برای کوئن سه‌وشش. در آزمون DeepSearch QA نیز امتیاز ۷۴.۶ گرفته و در آزمون کدنویسی SWE-Bench Pro به ۵۱.۲ رسیده است. در آزمون استدلال ریاضی AIME 2026 هم نمره‌ی ۹۴.۷ را ثبت کرده که رقم بسیار بالایی برای مدلی در این اندازه به‌شمار می‌رود.

با این حال، همان‌طور که در مقاله‌ی پتانسیل‌ها و محدودیت‌های واقعی هوش مصنوعی اشاره کرده‌ایم، هیچ مدلی در همه‌ی زمینه‌ها برتر نیست. در آزمون OSWorld-Verified که کنترل مستقیم رابط کاربری کامپیوتر را می‌سنجد، موس گلیمر با امتیاز ۶۵.۹ همچنان از کوئن با امتیاز ۷۵.۶ عقب‌تر است؛ نشان‌دهنده‌ی این‌که کنترل بصری کامپیوتر همچنان نقطه‌ضعف این مدل محسوب می‌شود.

بخش ۶: چرا متا این‌بار مدل را رایگان کرد؟

استراتژی پشت این تصمیم کاملاً حساب‌شده است. برخلاف شرکت‌های تک‌محصولی مثل اوپن‌ای‌آی و انتروپیک که درآمدشان مستقیماً از فروش دسترسی به مدل‌ها تأمین می‌شود، متا از تبلیغات، دسترسی به داده‌ی کاربران و فروش سخت‌افزارهایی مثل عینک‌های هوشمند ری‌بن که تنها در سال ۲۰۲۵ بیش از هفت میلیون دستگاه از آن‌ها فروخته شده، درآمد کسب می‌کند.

به همین دلیل، رایگان‌کردن یک مدل قدرتمند برای متا نه‌تنها هزینه‌بر نیست، بلکه به‌گفته‌ی تحلیلگران، یک «سلاح رایگان» برای فشار آوردن به رقبایی محسوب می‌شود که مدل کسب‌وکارشان بر پایه‌ی فروش همان چیزی است که متا اکنون به‌رایگان ارائه می‌کند.

بخش ۷: تأثیر بر بازار هوش مصنوعی ابری؛ تهدیدی برای اوپن‌ای‌آی و گوگل؟

وقتی قابلیت‌های پیشرفته‌ی هوش مصنوعی ارزان و در دسترس‌همه می‌شود، بخشی از تقاضای مصرف‌کنندگان و توسعه‌دهندگان به‌طور طبیعی از سرویس‌های ابری پولی به سمت اجرای محلی و رایگان جابه‌جا خواهد شد. این روند می‌تواند فشار قابل‌توجهی بر مدل درآمدی شرکت‌هایی بیاورد که هزینه‌ی خدمات‌شان بر اساس تعداد توکن مصرفی محاسبه می‌شود.

البته این به‌معنای پایان مدل‌های ابری بزرگ نیست؛ بلکه بیشتر نشانه‌ی یک تقسیم‌بندی تازه در بازار است: مدل‌های بزرگ و بسیار قدرتمند برای وظایف پیچیده در ابر باقی می‌مانند، در حالی‌که وظایف روزمره، حساس به تأخیر یا نیازمند حریم خصوصی بالا، به سمت اجرای محلی حرکت می‌کنند.

گوگل با جما و علی‌بابا با کوئن پیش‌تر وارد همین میدان شده بودند، اما ورود متا با یک مدل رقابتی و در عین حال کاملاً بدون محدودیت تجاری، فشار رقابتی روی این دو شرکت را نیز افزایش می‌دهد. حالا سه غول فناوری در حال رقابت بر سر بهترین مدل رایگانِ قابل‌اجرا روی سخت‌افزار مصرفی هستند، رقابتی که در نهایت به سود کاربران نهایی و توسعه‌دهندگان کوچک‌تر تمام می‌شود.

بخش ۸: کاربردهای عملی برای کسب‌وکارها و توسعه‌دهندگان ایرانی

برای صنایعی مثل سلامت، حقوق و تولید که مسئله‌ی حفظ داده در داخل سازمان اهمیت بالایی دارد، موس گلیمر گزینه‌ی جذابی است؛ چراکه هیچ داده‌ای به سرورهای خارجی ارسال نمی‌شود. همان‌طور که در مقاله‌ی اهمیت هوش مصنوعی در کسب‌وکار توضیح داده‌ایم، دسترسی نداشتن به اینترنت پرسرعت یا نگرانی درباره‌ی تحریم و محدودیت دسترسی به سرویس‌های ابری، یکی از چالش‌های اصلی کسب‌وکارهای ایرانی برای استفاده از هوش مصنوعی بوده؛ مدل‌هایی مثل موس گلیمر می‌توانند بخشی از این مانع را برطرف کنند.

توسعه‌دهندگانی که می‌خواهند دستیارهای هوشمند محلی بسازند، می‌توانند از راهنمای نوشتن پرامپت برای مبتدیان برای طراحی بهتر درخواست‌ها استفاده کنند و در کنار آن، از آموزش‌های چت‌جی‌پی‌تی برای یادگیری اصول کلی کار با مدل‌های زبانی بهره ببرند؛ چراکه بسیاری از تکنیک‌های پرامپت‌نویسی مستقل از برند مدل، قابل استفاده هستند.

بخش ۹: چگونه موس گلیمر را دانلود و اجرا کنیم؟

وزن‌های مدل به‌صورت رایگان روی هاگینگ‌فیس در دسترس قرار دارند و هر کاربری با یک کارت گرافیک ۲۴ گیگابایتی به بالا یا مک‌بوکی با تراشه‌ی M4/M5 مکس می‌تواند آن را دانلود و اجرا کند. برخلاف سرویس‌های ابری، نیازی به ثبت‌نام، کلید API یا پرداخت هزینه به ازای هر درخواست نیست؛ تنها هزینه، برق مصرفی سیستم شماست. مجوز Apache 2.0 نیز اجازه می‌دهد از این مدل حتی در محصولات تجاری بدون پرداخت حق امتیاز استفاده شود.

نصب معمولاً از طریق ابزارهایی مثل llama.cpp یا Ollama انجام می‌شود که وزن‌های فشرده‌شده به عمق چهار بیت را مستقیماً می‌خوانند و نیازی به دانش عمیق برنامه‌نویسی ندارند. برای کاربران مبتدی‌تر، رابط‌های گرافیکی متن‌باز نیز امکان چت مستقیم با مدل را بدون خط فرمان فراهم می‌کنند. نکته‌ی مهم این‌جاست که چون تمام پردازش روی دستگاه خود کاربر انجام می‌شود، هیچ گفت‌وگویی برای آموزش مدل یا تحلیل رفتار کاربر به سرورهای متا ارسال نمی‌شود؛ موضوعی که برای کاربران حساس به حریم خصوصی جذابیت زیادی دارد.

برای مقایسه‌ی بهتر جایگاه موس گلیمر در میان مدل‌های روز، مطالعه‌ی مقاله‌ی مقایسه‌ی چت‌جی‌پی‌تی و دیپ‌سیک نیز خالی از لطف نیست؛ چراکه روند رقابت فشرده‌ی مدل‌های چینی و آمریکایی، دقیقاً همان فضایی است که موس گلیمر هم اکنون وارد آن شده است.

سوالات متداول درباره‌ی موس گلیمر

آیا موس گلیمر واقعاً رایگان است؟

بله، وزن‌های این مدل با مجوز Apache 2.0 منتشر شده‌اند که یکی از بازترین مجوزهای متن‌باز محسوب می‌شود و حتی استفاده‌ی تجاری بدون پرداخت حق امتیاز را مجاز می‌داند.

چه سخت‌افزاری برای اجرای موس گلیمر لازم است؟

حداقل یک کارت گرافیک مصرفی با ۲۴ گیگابایت حافظه یا یک مک‌بوک مجهز به تراشه‌ی M4 یا M5 مکس کافی است؛ نسخه‌ی فشرده‌شده‌ی مدل با کیفیتی نزدیک به نسخه‌ی اصلی روی این سخت‌افزارها اجرا می‌شود.

موس گلیمر با کدام مدل‌ها رقابت می‌کند؟

این مدل عمدتاً با مدل‌های هم‌رده‌ی خودش یعنی جما چهار گوگل و کوئن سه‌وشش علی‌بابا مقایسه شده و در اغلب آزمون‌های عامل‌محور از هر دوی آن‌ها جلوتر است.