ميتا تطلق "Muse Glimmer" كنموذج ذكاء اصطناعي وكيل مفتوح المصدر

تعلن Meta عن إطلاق Muse Glimmer، النموذج الجديد من مختبرات Meta للذكاء الفائق، مع إتاحة أوزان النموذج بموجب ترخيص Apache 2.0 ذي شروط الاستخدام المرنة.
يضم نموذج Muse Glimmer 30 مليار مُعامل، وقد تم تطويره لدعم سير عمل وكلاء الذكاء الاصطناعي المحليين الذين يعملون بصورة مستمرة. وبفضل حجمه المناسب، يمكن تشغيله على أجهزة "ماك" والحواسيب الشخصية باستخدام وحدة معالجة رسومات واحدة للمستهلكين، ما يتيح مجموعة متنوعة من الاستخدامات، بدءاً من الوكلاء المحليين واستدعاء الوظائف، وصولاً إلى البرمجة محلياً وتقييم النماذج اللغوية الكبيرة باستخدام منهجية "النموذج كحَكَم" (LLM-as-a-Judge). ويحقق النموذج أداءً قوياً في حالات الاستخدام الرئيسية للأنظمة الوكيلة، كما يقدم نتائج متقدمة في الاختبارات المعيارية مقارنةً بالنماذج الرائدة المماثلة في الحجم.

وقد حققت النماذج الأساسية قدرات لافتة في مجالات الاستدلال، وتوليد التعليمات البرمجية، واستخدام الأدوات، إلا أن معظم تطبيقاتها لا تزال تعتمد على البنية التحتية السحابية والاتصال بالشبكة. ويتيح تشغيل النماذج محلياً الاستفادة من قدرات الذكاء الاصطناعي في أي زمان ومكان، سواء مع توفر اتصال بالإنترنت أو من دونه. وأصبح هذا النهج أكثر قابلية للتطبيق، إذ أثبت مجتمع المصادر المفتوحة أنه عند تدريب النماذج الأصغر حجماً بكفاءة يمكنها أن تقترب من مستويات أداء النماذج الرائدة في مهام محددة. وقد تم تطوير Muse Glimmer خصيصاً لتلبية هذه الاستخدامات المحلية.
واستمراراً لنهجنا طويل الأمد في مشاركة الأبحاث الأساسية في مجال الذكاء الاصطناعي، نعلن اليوم عن إتاحة الأوزان المفتوحة لنموذج Muse Glimmer عبر منصة Hugging Face مصحوبة بوثائق شاملة للمطورين تمكّنهم من البدء في بناء وتشغيل وكلائهم الذكيين بسهولة. وقد تم تصميم Muse Glimmer ليتوافق مع الأدوات التي يعتمد عليها المطورون في أعمالهم اليومية، ومن المقرر إطلاق تكاملات محسّنة مع llama.cpp وMLX وExecuTorch خلال الأيام المقبلة. وستتيح هذه التكاملات للمطورين الانتقال بسرعة من تنزيل النموذج إلى تشغيل وكيل ذكي فعّال خلال دقائق.

نموذج Muse Glimmer

يتطلب الوكيل الذكي المصمم لإدارة جدولك، وصياغة مراسلاتك، وتنظيم ملفاتك، والتعرف إلى أسلوب عملك، وصولاً معمقاً إلى سياقك الشخصي. كما يعتمد نجاحه على تكامل عدد من القدرات الأساسية التي تعمل بصورة متناسقة، بما في ذلك القدرة على تنفيذ المهام طولة الأمد، واستدعاء الأدوات واستخدامها بدقة، وفهم البيانات متعددة الوسائط، وإدارة الذاكرة ضمن سياقات طويلة، والالتزام بالتعليمات وتنفيذها على نحو دقيق.
جاء تصميم Muse Glimmer استجابةً للحاجة إلى تحقيق التوازن بين قوة الأداء وقيود الذاكرة والقدرة الحاسوبية في الأجهزة المحلية. ولهذا الغرض، اعتمدنا بنية مدمجة، وابتكرنا منهجية متقدمة لتقطير المعرفة تتيح نقل قدرات الاستدلال الخاصة بالوكلاء من نموذج معلّم أكبر منه بكثير، إلى جانب إجراء تحسينات على آليات الاستدلال، بما في ذلك التكميم، لضمان الوصول إلى أزمنة الاستجابة المطلوبة. وقد تطلّب تحقيق ذلك المرور بالمراحل التالية:
مرحلة التدريب المسبق: قامت ميتا بتدريب نموذج Muse Glimmer باستخدام مخرجات Muse Spark، بالاعتماد على أسلوب تقطير قيم اللوجيت، مع الاستفادة من مزيج بيانات مماثل لذلك المستخدم في تدريب النموذج المعلّم.
مرحلة التدريب الوسيط: درّبنا النموذج على بيانات ذات سياقات أطول ومهام أكثر تعقيداً تعتمد على الوكلاء، إلى جانب مسارات استدلال أكثر ثراءً، مع دمجها بالبيانات الواقعية.
مرحلة ما بعد التدريب: تم الجمع بين الضبط الدقيق الخاضع للإشراف ومزيج من التقطير وفق السياسات والتعلّم المعزّز، وذلك عبر مجالات متعددة تشمل الاستخدامات العامة، والاستدلال، والبرمجة، والمهام القائمة على الوكلاء.
تم تقييم Muse Glimmer وفقاً للمعايير المنصوص عليها في إطار عمل Meta لتوسيع نطاق الذكاء الاصطناعي المتقدم. كما خضع للتقييم بشأن إمكانية طرحه بأوزان مفتوحة عبر جميع الفئات ذات الصلة.

مصمم للوكلاء: إمكانيات Muse Glimmer

يتطلب بناء وكلاء فعّالين تكامل قدرات أساسية لتحقيق أهداف المستخدم. ولذلك يتم تدريب Muse Glimmer وتقييمه وفقاً للمعايير التالية:

● القدرة على إتمام المهام الوكيلة بصورة شاملة: أظهر Muse Glimmer أداءً قوياً في اختبارات قياس إنجاز المهام من البداية إلى النهاية، بما في ذلك DeepSearch QA وMCP-Atlas و𝛕-Bench وSWE-Bench. وتركز هذه الاختبارات على تقييم قدرته على العمل ضمن هياكل تشغيلية محددة، وكتابة الأكواد البرمجية وتصحيحها، فضلًا عن الاستجابة للطلبات متعددة الجولات ومعالجتها حتى الوصول إلى النتيجة النهائية.

● موثوقية استخدام الأدوات: يتعامل النموذج بكفاءة مع مجموعة واسعة من استدعاءات الوظائف، ويستدعي الأدوات وفق مخططات دقيقة ومتسقة على امتداد مسارات العمل الطويلة والمعقدة.

● الاستدلال متعدد المراحل: يتميز Muse Glimmer بقدرته على ربط مراحل الاستدلال عبر مراحل زمنية طويلة، مع الحفاظ على اتساق الخطط وترابطها ضمن مسارات العمل المعقدة ومتعددة المراحل.

● التعامل مع حالات الفشل: عند حدوث خطأ أثناء استدعاء إحدى الأدوات أو عند تلقي نتيجة غير متوقعة، يكون النموذج مدرّباً على تشخيص المشكلة ومعالجتها وإعادة تنفيذ المحاولة، بدلاً من إنهاء العملية أو التوقف عن العمل.

● القدرة على معالجة المدخلات والاستدلال متعدد الوسائط: يتيح مُشفّر إدراكي مخصص للنموذج فهم النصوص والصور المدمجة ضمن المحادثة، مما يمكّن وكلاء الذكاء الاصطناعي من تحليل لقطات الشاشة والمخططات والوثائق وفهمها ضمن سياق الحوار.

● التوافق مع أطر تنسيق الوكلاء: يتوافق Muse Glimmer مع OpenClaw وغيره من أنماط تنسيق وكلاء الذكاء الاصطناعي.

● إمكانية التحكم في مستوى الجهد: يتيح Muse Glimmer ضبط مستويات الاستدلال المختلفة لاختيار التوازن الأنسب بين جودة النتائج وسرعة الاستجابة.

● متعدد اللغات: تم تدريب Muse Glimmer  على بيانات بأكثر من 100 لغة.

الأداء

أجرينا تقييماً شاملاً لنموذج Muse Glimmer عبر مجموعة واسعة من الاختبارات المعيارية، بهدف قياس القدرات المتنوعة اللازمة لضمان أداء فعّال للوكلاء المستقلين. وبالمقارنة مع Gemma4-31B وQwen3.6-27B، يحقق نموذج Muse Glimmer أداءً قوياً ضمن فئة النماذج المماثلة له من حيث الحجم، وذلك عبر عدد من أبرز المعايير المستخدمة على نطاق واسع لتقييم النماذج اللغوية الكبيرة (LLM). 

مُحسَّن للتشغيل المحلي

إن تحقيق أقصى استفادة من الوكيل المحلي تتطلب أن يكون سريع الاستجابة. فالوكيل الذي يستغرق دقائق للرد أو التخطيط لخطوته التالية يُعيق سير العمل الفعلي. ولذلك، طبّقنا تحسينين رئيسيين لتمكين نموذج Muse Glimmer من العمل بسرعات عملية على أجهزة المستخدمين دون المساس بجودة الأداء.

ملاءمة النموذج للعمل على جهازك. عند تشغيل نموذج يضم 30 مليار مُعامل بدقة كاملة، فإنه يحتاج إلى أكثر من 55 جيجابايت من الذاكرة، وهي سعة تفوق بكثير ما تُوفره أي وحدة معالجة رسومات مخصصة للمستهلكين. ولمعالجة ذلك، نستخدم تقنيات التكميم لضغط أوزان النموذج إلى دقة تقارب 4 بت، مما يُقلّص حجم نموذج اللغة إلى أقل من 20 جيجابايت. ويُتيح ذلك توفير مساحة كافية للذاكرة التشغيلية للنموذج (أو ما يُعرف بذاكرة التخزين المؤقت)، بالإضافة إلى مُشفِّر إدراكي مسؤول عن فهم الصور، ونموذج مسودة يُستخدم في فك الترميز التخميني، بحيث تعمل جميعها بشكل متزامن ضمن سعة ذاكرة تبلغ 24 أو 32 جيجابايت. وقد تحققنا من أن تأثير عملية الضغط هذه بسيط جداً، إن لم يكن معدوماً، على أداء مهام الوكلاء.

توليد أسرع عبر فك الترميز التخميني: تُولِّد نماذج اللغة عادةً النص رمزاً واحداً في كل مرة، وهو ما قد يبدو بطيئاً خلال سلاسل الاستدلال الطويلة أو عند تنفيذ استدعاء أدوات على مراحل متتالية. ويأتي نموذج Muse Glimmer مزوداً بنموذج "مسودة" خفيف يعتمد على تقنية DFlash، وهو نموذج شبكي صغير مرافق يقترح مجموعات من الرموز دفعة واحدة. ثم يتحقق النموذج الرئيسي من هذه المقترحات بشكل متوازٍ، ويعتمد الرموز الصحيحة ويصحح الخاطئة. وتُتيح هذه التقنية لنموذج Muse Glimmer توليد النص بسرعة أعلى بكثير من أسلوب التوليد التقليدي القائم على معالجة رمز واحد في كل مرة، مع الحفاظ على جودة المخرجات نفسها دون تغيير. كما نوفر نسخاً مُكمَّمة من نموذج الصياغة للحد من استهلاك الذاكرة.

النتيجة: أجرينا اختبارات أداء لنموذج K-Quant-17GB الخاص بنا إلى جانب نموذج المسودة المكمل بتقنية DFlash، وذلك على أجهزة MacBook M4-Max وM5-Max بالإضافة إلى RTX-5090. ويتميز النموذج بسرعة كافية لتوفير محادثات سلسة وتفاعلاً سريع الاستجابة مع الوكلاء، مع إجراء جميع عمليات المعالجة على جهازك.

ابدأ باستخدام نموذج Muse Glimmer اليوم

أصبح نموذج Muse Glimmer متوفر الآن، ويمكنك تنزيل أوزان النموذج من منصة Hugging Face. وخلال الأيام القادمة، ستتمكن من تشغيله محلياً عبر شركاء مثل Ollama وبرنامج LM Studio وUnsloth وtorchtitan، أو نشره باستخدام أطر عمل للحوسبة الطرفية، بما في ذلك llama.cpp وExecuTorch وMLX، أو تشغيله على نطاق واسع باستخدام vLLM وSGLang، أو البدء بسرعة عبر شركاء مثل Together AI وFireworks AI وOpenRouter. كما يمكنك تخصيص نموذج Muse Glimmer ليناسب احتياجاتك واستخداماتك الخاصة، والاستفادة من إطار TorchTitan للتدريب ضمن PyTorch لمزيد من تخصيص النموذج وتطوير قدراته.

ونتعاون أيضاً مع شركائنا، بما في ذلك AMD وArm وDell وIntel وNVIDIA، لتحسين أداء النموذج وتعزيز كفاءته عبر مختلف الأجهزة والمنصات. بالإضافة إلى ذلك، نطرح مجموعة من الموارد والوثائق الإرشادية التي تمنح المطورين الأدوات والمعرفة اللازمة للبدء في استخدام نموذج Muse Glimmer وبناء الوكلاء بصورة مسؤولة. ويشمل ذلك إرشادات حول إعداد أطر تشغيل مخصصة، مما يجعل عملية بناء ونشر الوكلاء الشخصيين أكثر سهولة، بدءاً من اليوم الأول. للمزيد من المعلومات والاطلاع على الموارد اللازمة للبدء في بناء الوكلاء باستخدام نموذج Muse Glimmer، يمكنك زيارة مركز Meta لمطوري الذكاء الاصطناعي.

يمثّل هذا العمل امتداداً لإرث Meta الحافل في مجال أبحاث الذكاء الاصطناعي المتاحة بشكل مفتوح، مع توسيع نطاقه ليشمل الذكاء الاصطناعي الوكيل وإتاحة قدراته المحلية أمام المطورين. وكعادتنا دائماً، نرحب بآراء مجتمع المطورين وملاحظاتهم، ونتطلع بحماس إلى رؤية ما سيبتكرونه باستخدام هذا النموذج ذي الأوزان المفتوحة.

يمكنكم متابعة آخر الأخبار عبر حساب سيدتي على منصة إكس