Muse Wonder؛ مدل هوش مصنوعی مرزی متا برای انجام وظایف شخصی و حرفه‌ای

این خانواده با ترکیب دو قابلیت «حافظه فعال» (Active Memory) و «تمرکز فعال» (Active Focus) طراحی شده است تا اطلاعات مهم درباره کاربران را در طول تعاملات حفظ کند و برای دستیابی به اهداف آن‌ها به فعالیت ادامه دهد. متا این عرضه را گامی مهم در مسیر توسعه ابرهوش شخصی (Personal Superintelligence) می‌داند.

دسترسی

مدل Muse Wonder از طریق Meta Model API و Muse Code در دسترس قرار گرفته است. Muse Wonder Full نیز برای مشترکان Muse Code عرضه شده است. متا قصد دارد در آینده از Muse Wonder برای پشتیبانی از تجربه‌های مختلف در سرویس Muse، تولید خروجی‌های کاربردی و فرایندهایی که به هوش بیشتری نیاز دارند، استفاده کند. همچنین این شرکت برنامه دارد با کمک این مدل، مدل‌های تخصصی‌تری توسعه دهد و در اختیار کاربران Muse قرار دهد.

توسعه مدل‌ها با رویکرد مقیاس‌پذیری

متا می‌گوید ۱۴ ماه پیش، روند بازسازی اساسی فعالیت‌های هوش مصنوعی خود را آغاز کرده است. این فرایند از بازطراحی زیرساخت‌ها و اجزای اصلی شروع شد و اکنون به توسعه مدل‌هایی با قابلیت‌های پیشرفته‌تر رسیده است. عرضه Muse Wonder ادامه رویکرد مقیاس‌پذیری نظام‌مند و قابل‌پیش‌بینی است که پیش‌تر با معرفی Muse Spark تشریح شده بود. این مدل‌ها با توسعه فرایندهای پیش‌آموزش و یادگیری تقویتی (Reinforcement Learning) ساخته شده‌اند و در مرکز داده Prometheus با مقیاس گیگاواتی، آموزش دیده‌اند.

متا از Muse Spark 1.1، جدیدترین مدل استدلالی خود رونمایی کرد

چهار حوزه کلیدی قابلیت‌های Muse Wonder

دانش تخصصی

Muse Wonder و Muse Wonder Full برای حل مسائل واقعی در محیط کار و زندگی روزمره، از جمله بررسی قراردادهای اجاره و تحلیل اطلاعات مالی و سلامت، طراحی شده‌اند. ارزیابی‌های این مدل‌ها حوزه‌هایی مانند حقوق، امور مالی و سلامت را در بر می‌گیرد. برای نمونه، معیار Harvey’s Legal Agent Benchmark توانایی مدل‌ها را در استفاده از اسناد منبع و پیروی از دستورالعمل‌های دقیق برای تولید خروجی‌های حقوقی ارزیابی می‌کند.

حافظه فعال

حافظه فعال به توانایی مدل در حفظ اطلاعات مهم درباره کاربر در طول مکالمات و بازیابی اطلاعات مرتبط با وظیفه فعلی اشاره دارد. هدف این قابلیت آن است که مدل صرفاً به محتوای تعامل جاری متکی نباشد و بتواند تشخیص دهد چه اطلاعاتی از تعاملات پیشین برای انجام کار جدید اهمیت دارد.

تمرکز فعال

تمرکز فعال به توانایی ادامه‌دادن کار تا دستیابی به یک هدف دشوار مربوط است. مدل می‌تواند رویکردهای جایگزین را امتحان کند، موانع را پشت سر بگذارد و خود را با اطلاعات جدید تطبیق دهد. همچنین در صورت نیاز، برای رفع ابهام سؤال می‌پرسد و پیش از انجام اقدامات مهم، از کاربر تأیید می‌گیرد. متا برای ارزیابی این قابلیت از FocusBench و برای سنجش اجرای مستمر وظایف نرم‌افزاری از SWE-Marathon استفاده می‌کند.

برنامه‌نویسی پیشرفته

توسعه نرم‌افزار مستلزم حفظ الزامات پروژه، اعمال تغییرات در بخش‌های مختلف کد و اجرای چرخه‌های مکرر آزمایش و اصلاح است.  Muse Wonder و Muse Wonder Full برای پشتیبانی از این فرایندها آموزش دیده‌اند و پروژه‌هایی از برنامه‌های کوچک تا نرم‌افزارهای پیچیده را هدف قرار می‌دهند.

Muse Wonder Model Card

تعمیم‌پذیری به وظایف ناآشنا

متا تأکید می‌کند که امتیازهای مشابه در بنچمارک‌های استاندارد لزوماً به معنای توانایی یکسان در مواجهه با مسائل جدید نیست. این شرکت عملکرد Muse Wonder Full را در وظایف خارج از توزیع آموزشی (Out-of-Distribution) با Muse Spark 1.3 مقایسه کرده است. بر اساس نتایج گزارش‌شده، عملکرد Muse Wonder Full در وظایف ناآشنا، با درنظرگرفتن عملکرد آن در وظایف هدف آموزش تکمیلی، از روند موردانتظار برای Muse Spark 1.3 بهتر است. متا این تفاوت را به قوی‌تر بودن مدل‌های پایه نسبت می‌دهد؛ ویژگی‌ای که به انتقال بهتر دستاوردهای آموزش تکمیلی به مسائل ناآشنا کمک می‌کند.

ایمنی و هم‌راستایی

ازآنجاکه عامل‌های شخصی ممکن است به پیام‌ها، تقویم‌ها و اسناد خصوصی کاربران دسترسی داشته باشند و از طرف آن‌ها اقدام کنند، حفاظت از اطلاعات و مقاومت در برابر دستورالعمل‌های مخرب اهمیت ویژه‌ای دارد. متا می‌گوید خانواده Muse Wonder با تمرکز بر این دو حوزه آموزش دیده است.

به گفته این شرکت، Muse Wonder تا امروز قوی‌ترین سازوکارهای حفاظتی متا را در برابر سوءاستفاده‌های شیمیایی، زیستی، پرتوی و هسته‌ای (CBRN) و سوءاستفاده‌های سایبری ارائه می‌دهد؛ درعین‌حال، قابلیت‌های پیشرفته سایبری برای کاربردهای دفاعی حفظ شده‌اند. متا همچنین Muse Wonder را هم‌راستاترین مدل خود تا زمان معرفی آن توصیف کرده است.

در مجموع، متا Muse Wonder و Muse Wonder Full را گامی فنی در مسیر توسعه ابرهوش شخصی معرفی می‌کند؛ مسیری که بر ترکیب حافظه، استمرار در اجرای وظایف، دانش تخصصی، تعمیم‌پذیری و سازوکارهای ایمنی استوار است.

بنچمارک‌های Muse Wonder