خلاصه اخبار هوش مصنوعی ۲۴ مهر ۱۴۰۵؛ Meta مدل وزن‌باز Muse Spark Open را منتشر کرد

در جمعه ۲۴ مهر ۱۴۰۵، مهم‌ترین خبر روز انتشار Muse Spark Open از سوی Meta است؛ مدلی وزن‌باز با ورودی چندرسانه‌ای و پنجره زمینه یک‌میلیون‌توکنی که در بعضی آزمون‌های ابزارمحور خوب عمل کرده، اما در کدنویسی از چند رقیب عقب مانده است. Microsoft نیز از مدلی بسیار بزرگ خبر داده، هرچند جزئیات فنی آن روشن نیست. در کنار معرفی مدل‌های تازه از IBM و گزارش‌هایی درباره Gemini، ابزارهای کدنویسی و سخت‌افزار اجرای هوش مصنوعی هم تغییراتی داشته‌اند.

۱Meta مدل وزن‌باز Muse Spark Open را با پنجره یک‌میلیون‌توکنی منتشر کرد

Meta نسخه وزن‌باز Muse Spark را با ۸۱۶ میلیارد پارامتر منتشر کرده که در هر توکن ۴۲ میلیارد پارامتر را فعال می‌کند و ورودی متن، تصویر، ویدئو و صدا دارد. مدل در آزمون MCP-Atlas امتیاز ۸۹٫۲ گرفته، اما در Terminal-Bench 2.1 از سه رقیب عقب مانده است؛ اجرای نسخه NVFP4 نیز به چندین GPU قدرتمند یا دو Mac Studio مجهز به M5 Ultra نیاز دارد.

چرا مهم است؟ انتشار وزن‌ها و پنجره زمینه بزرگ می‌تواند برای پژوهشگران و توسعه‌دهندگان جذاب باشد، اما هزینه سخت‌افزاری اجرای مدل همچنان مانعی جدی است.

جزئیات کامل: Meta مدل متن‌باز Muse Spark Open را با پنجره یک‌میلیون‌توکنی منتشر کرد · منبع: MarkTechPost

۲Microsoft از مدل ۲.۸ تریلیون‌پارامتری خبر داد

Microsoft اعلام کرده مدلی با ۲.۸ تریلیون پارامتر ساخته است و بهره‌وری آن را چهار تا ۱۲ برابر DeepSeek می‌داند. نام مدل و جزئیات روش سنجش این بهره‌وری در گزارش موجود نیست.

چرا مهم است؟ ادعای بهره‌وری بالا توجه را جلب می‌کند، اما بدون معیارها و جزئیات فنی ارزیابی مستقل آن ممکن نیست.

جزئیات کامل: مایکروسافت از مدل ۲.۸ تریلیون‌پارامتری هوش مصنوعی خبر داد · منبع: Google News — عرضه مدل‌های جدید

۳IBM مدل‌های Granite Switch 4.1 را برای چت، تصمیم‌گیری و گفتار معرفی کرد

Granite-Switch-4.1-8B و Granite-Switch-4.1-30B قابلیت‌های چت، تصمیم‌گیری و رونویسی گفتار را در یک نقطه پایانی ترکیب می‌کنند؛ این مجموعه شامل آداپتور ایمنی Guardian و Granite-Speech-5.0-Turbo-CTC هم می‌شود. IBM می‌گوید ترکیب این قابلیت‌ها تقریباً به‌اندازه مدل پایه حافظه گرافیکی نیاز دارد؛ شرکت همچنین گزارش داده مدل سفارشی سه‌میلیاردپارامتری Granite در آزمایش Doom، ۶۰ تا ۱۰۰ تصمیم در ثانیه گرفته است.

چرا مهم است؟ ترکیب چند قابلیت در یک نقطه پایانی می‌تواند کار توسعه‌دهندگان را ساده کند، به‌ویژه اگر مصرف حافظه نزدیک به مدل پایه بماند.

جزئیات کامل: IBM مدل‌های Granite Switch 4.1 را برای چت، تصمیم‌گیری و گفتار معرفی کرد · منبع: Hugging Face Blog

۴گزارش: Gemini 4 Argon به مدل‌های پیشرو نزدیک‌تر شده است

The Decoder، Gemini 4 Argon را نزدیک‌ترین مدل Google به مرز هوش مصنوعی در چند ماه اخیر توصیف کرده است. گزارش در دسترس معیارها یا نتایج ارزیابی را شرح نمی‌دهد و اطلاعاتی درباره زمان عرضه یا دسترسی عمومی ارائه نمی‌کند.

چرا مهم است؟ اگر این ارزیابی با شواهد و معیارهای روشن تأیید شود، می‌تواند نشانه‌ای از نزدیک‌ترشدن مدل‌های Google به رقبای پیشرو باشد.

جزئیات کامل: گزارش: Gemini 4 Argon به مرز مدل‌های پیشرو نزدیک‌تر شده است · منبع: Google News — عرضه مدل‌های جدید

۵Copilot در Slack و Teams چند مخزن کد را هم‌زمان بررسی می‌کند

GitHub امکان پرس‌وجو درباره چند مخزن کد را در یک گفت‌وگو با Copilot در Slack و Microsoft Teams فراهم کرده است؛ کاربران می‌توانند درخواست‌های ادغام و فعالیت‌های اخیر را هم در چند مخزن پیگیری کنند. در Slack، پیام‌ها و رشته‌گفت‌وگوهای به‌اشتراک‌گذاشته‌شده نیز می‌توانند زمینه پاسخ باشند و بهبودهای دیگر شامل اشاره به @GitHub در هر جای پیام است.

چرا مهم است؟ این تغییر دسترسی به اطلاعات پروژه را در گفت‌وگوهای تیمی آسان‌تر می‌کند و به تیم‌های توسعه کمک می‌کند زمینه کاری را یک‌جا بررسی کنند.

جزئیات کامل: GitHub Copilot در Slack و Teams حالا چند مخزن را هم‌زمان پوشش می‌دهد · منبع: GitHub Changelog — Copilot

۶لپ‌تاپ‌های RTX Spark؛ توانمند، اما با محدودیت باتری و هوش مصنوعی محلی

بررسی یک‌هفته‌ای لپ‌تاپ‌های مجهز به RTX Spark N1X، با ۲۰ هسته پردازشی و ۶٬۱۴۴ هسته CUDA، نشان می‌دهد بسیاری از برنامه‌های ویندوزی روی معماری Arm روان اجرا می‌شوند، هرچند برخی بازی‌ها و برنامه‌ها سازگاری کامل ندارند. یک آزمایشگر با Asus ProArt P16 حدود پنج تا پنج ساعت و ۴۰ دقیقه شارژدهی ثبت کرده و ارزیابی گزارش این است که هوش مصنوعی محلی فعلاً بیشتر به کار توسعه‌دهندگان می‌آید و ممکن است مصرف انرژی و صدای فن را بالا ببرد.

چرا مهم است؟ این بررسی نشان می‌دهد توان اجرای مدل‌ها روی لپ‌تاپ با ملاحظات عملی مانند شارژدهی، سازگاری نرم‌افزار و مصرف انرژی همراه است.

جزئیات کامل: تراشه RTX Spark انویدیا در لپ‌تاپ‌ها؛ توان بازی و هوش مصنوعی با محدودیت · منبع: The Verge — AI

۷Meta، Muse Spark را برای کدنویسی و کارهای عامل‌محور عرضه کرد

گزارش دیگری از انتشار وزن‌باز Muse Spark خبر می‌دهد و می‌گوید این مدل برای کدنویسی و کارهای عامل‌محور معرفی شده است. این گزارش درباره مجوز، شیوه دسترسی یا معیارهای عملکرد مدل جزئیاتی ارائه نمی‌کند.

چرا مهم است؟ با توجه به کمبود اطلاعات، توسعه‌دهندگان برای سنجش کاربرد مدل باید منتظر جزئیات بیشتر درباره دسترسی و عملکرد بمانند.

جزئیات کامل: متا مدل open-weight موسوم به Muse Spark را برای کدنویسی منتشر کرد · منبع: Google News — Artificial Intelligence

تصویر بزرگ: روند امروز هوش مصنوعی

خبرهای امروز دو مسیر را برجسته می‌کنند: مدل‌های بزرگ‌تر و چندرسانه‌ای، و نزدیک‌ترشدن قابلیت‌های هوش مصنوعی به ابزارهای روزمره کار. Muse Spark Open با پنجره زمینه یک‌میلیون‌توکنی و ورودی چندرسانه‌ای نماینده مسیر نخست است، اما نتایج متفاوتش در آزمون‌ها و نیاز سخت‌افزاری بالا نشان می‌دهد اندازه به‌تنهایی معیار کارآمدی نیست. خبر Microsoft نیز یادآور می‌شود که ادعاهای بهره‌وری بدون روش سنجش روشن، تصویر کاملی نمی‌دهند. در سوی دیگر، ترکیب قابلیت‌های Granite و گسترش Copilot در ابزارهای تیمی بر حرکت به‌سوی دستیارهایی دلالت دارد که در جریان کار جا می‌گیرند؛ در لپ‌تاپ‌ها نیز محدودیت انرژی و سازگاری همچنان تعیین‌کننده است.

چه چیزهایی را دنبال کنیم؟

• جزئیات فنی و شیوه دسترسی به مدل Microsoft، در صورت انتشار.
• معیارهای ارزیابی و اطلاعات عرضه عمومی Gemini 4 Argon.
• اطلاعات بیشتر درباره مجوز و دسترسی به Muse Spark برای کدنویسی.

این گزارش را تحریریه هوش مصنوعی هوش مصنوعی نویا بر اساس ۷ خبر مهم ۲۴ ساعت گذشته تهیه کرده است؛ جزئیات و منبع هر خبر در صفحه همان خبر آمده است.