مدل‌های باز هوش مصنوعی در ۲۰۲۶: DeepSeek، Qwen و Kimi به زبان ساده
خلاصه
DeepSeek، Qwen و Kimi گونه‌های متفاوتی از انتشار مدل دارند؛ پس «مدل باز هوش مصنوعی» یک وعده واحد نیست. بررسی کنید که آیا وزنها، کد، اطلاعات داده و مجوزی قابل‌استفاده در دسترس است یا نه؛ سپس همان انتشار مشخص را با کار موردنظر و سختافزار خود تطبیق دهید. Qwen3.8-27B به نسبت جمع‌وجور است، در حالی که Kimi K3.1 Pro مدلی بسیار بزرگ‌تر است. [1][3][5]
نکته‌های کلیدی
- وزن‌های باز یعنی پارامترهای آموزش‌دیده می‌توانند در دسترس باشند؛ این به‌خودی‌خود به معنای یک سامانه هوش مصنوعی کاملاً متنباز نیست. [1][4]
- DeepSeek مدل DeepSeek-V4 را با تاریخ انتشار ۲۴ آوریل ۲۰۲۶ فهرست کرده و پیوندهای کارت مدل و گزارش فنی آن را ارائه میدهد. [2]
- Qwen3.8-27B یک انتشار بینایی-زبان است که کارت آن ۲۷ میلیارد پارامتر و مجوز Apache 2.0 را ذکر میکند؛ صفحه آن در Hugging Face به نسخههای کوانتیزهشده برای چند محیط اجرای محلی پیوند میدهد. [3]
- Kimi K3.1 Pro وزنباز است، اما کارت آن ۲٫۸ تریلیون پارامتر در مجموع و یک مجوز اختصاصی Kimi را ذکر میکند؛ پس نقطه شروعی معمولی برای لپ‌تاپ نیست. [5]
- اطلاعیه‌های API شرکت DeepSeek و انتشارهای قابل‌دانلود یا باز آن انتخاب‌هایی جداگانه‌اند؛ دسترسی از راه API لزوماً به این معنا نیست که مدل محلی یا وزنباز است. [2][6]
- کارت مدل، شرایط مجوز، نیازمندی‌های سخت‌افزاری، محدودیت‌های ارزیابی و قالب استقرار از رتبه‌بندی‌های پرطرفدار روز مهم‌ترند.
در این صفحه ۱۱ بخش
- «مدل باز هوش مصنوعی» یعنی چه؟
- چه چیزی درباره DeepSeek V4 تأیید شده است؟
- Qwen3.8 و Kimi K3.1 Pro چه تفاوتی دارند؟
- کدام مدل باز برای چه کاری خوب است؟
- یک مدل وزنباز را چگونه باید ارزیابی کرد؟
- چگونه یک مدل باز را بدون سردرگمی بهصورت محلی اجرا کنیم؟
- خوانندگان در سال ۲۰۲۶ چه چیزی را در مدل‌های باز زیر نظر بگیرند؟
- اشتباه‌های رایج
- پرسش‌های پرتکرار
- واژه‌نامه
- منابع
«مدل باز هوش مصنوعی» یعنی چه؟
«باز» خانواده‌ای از توصیف‌هاست، نه یک تضمین. انتشار وزنباز پارامترهای نهاییِ آموزش‌دیده یک مدل را به اشتراک می‌گذارد و دیگران می‌توانند، هرگاه مجوز اجازه دهد، آن را تنظیم دقیق کنند، سازگار کنند یا مستقر کنند. [4] سامانه هوش مصنوعی متنباز ادعایی قوی‌تر است. تعریف Open Source Initiative سه عنصر را با شرایط مورد تأیید OSI لازم می‌داند: اطلاعات داده با جزئیاتی چنان کافی که فردی ماهر بتواند سامانهای اساساً هم‌ارز بسازد، کد منبع کاملی که برای آموزش و اجرای سامانه به کار رفته است، و پارامترهای مدل. [1]
این تمایز بر انتخاب‌های واقعی اثر می‌گذارد. ممکن است وزنها در دسترس باشند اما داده‌های آموزش و کد آموزش در دسترس نباشند. نوشته توضیحی Open Source Initiative درباره وزن‌های باز می‌گوید آن‌ها با هوش مصنوعی متنباز تفاوت دارند، زیرا کد آموزش یا مجموعه‌داده آموزش را در بر نمی‌گیرند و جایی که این مجموعه‌داده را از نظر قانونی نمی‌توان به اشتراک گذاشت، جزئیات جامعی درباره آن نیز همراهشان نیست؛ بدون این‌ها بازتولید یا ممیزی فرایند آموزش دشوار است. [4] بنابراین یک مدل میتواند بهصورت محلی قابل استقرار باشد اما کاملاً بازتولیدپذیر نباشد، یا وزن‌هایش با شرایطی در دسترس باشد که برخی کاربردها را محدود میکند.
پیش از انتخاب یک انتشار، چهار پرسش بپرسید: آیا همان وزن‌های مشخص را می‌توان به دست آورد؟ چه مجوزی بر آن حاکم است؟ کدام محیط اجرا و سختافزار میتواند قالب انتخابشده را بارگذاری کند؟ برای کاری که اهمیت دارد چه شواهدی وجود دارد؟ «متنباز» نه نمره عملکرد است، نه تضمین حریم خصوصی و نه وعده‌ای که مدل روی یک لپ‌تاپ جا می‌شود.
بخش‌های زیر هر جا شواهد درباره وزن‌هاست از «وزنباز» استفاده می‌کنند و «هوش مصنوعی متنباز» را برای معنای قوی‌تر در سطح سامانه نگه می‌دارند. این کار نمی‌گذارد یک تمایز فنی سودمند به کوته‌نوشتی تبلیغاتی بدل شود.
چه چیزی درباره DeepSeek V4 تأیید شده است؟
مرکز شفافیت DeepSeek (Transparency Center) مدل DeepSeek-V4 را با تاریخ انتشار ۲۴ آوریل ۲۰۲۶ فهرست کرده و به یک کارت مدل و گزارش فنی پیوند داده است. [2] گزارش رسمی تغییرات آن می‌گوید API از ۲۴ آوریل ۲۰۲۶ از V4-Pro و V4-Flash پشتیبانی می‌کرد. مدخل ۱۰ سپتامبر ۲۰۲۶ می‌گوید V4 Flash بازنشسته شد و نام API آن موقتاً به V4.1 Flash هدایت می‌شود، و تازه‌ترین مدخل تا ۱۱ نوامبر ۲۰۲۶، به تاریخ ۱۷ اکتبر ۲۰۲۶، آن مدل را به V4.1-Flash-1017 ارتقا میدهد. [6] این گفته‌ها انتشارهای یک خانواده مدل و سیر تحول API را اثبات می‌کنند؛ معنایشان این نیست که همه گونه‌های V4 وزنها، مجوز، قیمت یا نیازمندی‌های استقرار محلی یکسانی دارند.
اطلاعیه ۲۴ آوریل ۲۰۲۶ شرکت DeepSeek نسخه V4 Preview را «متن‌بازشده» خواند، به وزن‌های باز آن در Hugging Face پیوند داد و V4-Pro را با ۱٫۶ تریلیون پارامتر در مجموع و ۴۹ میلیارد پارامتر فعال، و V4-Flash را با ۲۸۴ میلیارد پارامتر در مجموع و ۱۳ میلیارد پارامتر فعال توصیف کرد. [7] «متن‌بازشده» تعبیر خود شرکت است؛ اینکه یک انتشار مشخص از V4 با تعریف OSI سازگار است یا نه، به آنچه مخزن و مجوز آن واقعاً فراهم می‌کنند بستگی دارد. این مقیاس‌ها مهم‌اند: یک مدل میتواند به ازای هر توکن پارامترهای فعالِ کمتری از کل پارامترهایش داشته باشد و همچنان به زیرساخت و فایل‌های مدلِ قابل‌توجهی نیاز داشته باشد. نتیجه نگیرید که مدلی که از راه API عرضه می‌شود به‌راحتی روی رایانه شخصی اجرا می‌شود.
توسعه‌دهنده باید نام مدل در API را از نقطه وارسیِ (checkpoint) دانلودشده جدا بداند. مستندات DeepSeek نام‌های API و هدایت سازگاری را توضیح میدهد؛ مرکز شفافیت جای مناسب برای تأیید یک انتشار عمده و یافتن کارت آن است. [2][6] برای استقرار محلی، به‌جای حدس‌زدن از روی یک نام API، از همان کارت مدل، منبع وزنها، مجوز و محیط اجرای پشتیبانی‌شده مشخص استفاده کنید.
برای خواننده عمومی، سودمند است که DeepSeek را یک خانواده بداند: زیر نام‌هایی مرتبط میتواند گزینه‌های بزرگ، میزبانیشده و مناسب استفاده محلی وجود داشته باشد. انتخاب عملی همان انتشار مشخص و شیوه عرضه آن است، نه وفاداری به برچسب یک برند.
Qwen3.8 و Kimi K3.1 Pro چه تفاوتی دارند؟
Qwen3.8-27B یک مدل بینایی-زبان است که کارت رسمی آن ۲۷ میلیارد پارامتر مدل زبانی و مجوز Apache 2.0 را ذکر میکند؛ خلاصه فایل‌های مخزن در Hugging Face اندازه مدل را ۲۸ میلیارد پارامتر نشان میدهد. کارت می‌گوید مخزن وزنها و فایل‌های پیکربندی مدلِ پس‌آموزش‌دیده را در قالب Transformers در بر دارد و صفحه Hugging Face به نسخههای کوانتیزهشده برای llama.cpp، Ollama، LM Studio یا هر برنامه سازگار دیگری پیوند میدهد. [3] این نسخههای کوانتیزهشده در مخزن‌هایی جداگانه قرار دارند؛ پس بررسی کنید که هر یک را چه کسی منتشر کرده است. همین ویژگی آن را تنها زمانی به نامزدی پذیرفتنی برای مدل محلی بدل میکند که کوانتیزه‌سازی، طول زمینه و سخت‌افزارِ انتخابشده با هم جور باشند.
Kimi K3.1 Pro از نظر مقیاس و مجوز جایگاه دیگری دارد. کارت ناشر آن را مدلی وزنباز، چندوجهی و از نوع آمیزه خبرگان (mixture-of-experts) می‌نامد، ۲٫۸ تریلیون پارامتر در مجموع و ۱۰۴ میلیارد پارامتر فعال‌شده را ذکر میکند و از یک مجوز ویژه Kimi نام می‌برد. [5] این مدل میتواند از نظر فنی در دسترس باشد، بی‌آنکه انتخاب محلیِ درستی برای سختافزار معمولی باشد یا مجوزی همانند یک مدل دارای مجوز Apache داشته باشد.
این دو انتشار نشان می‌دهند که چرا شمار پارامترها به‌تنهایی به پرسش «کدام بهتر است» پاسخ نمی‌دهد. مقیاس ۲۷ میلیاردی Qwen را می‌توان با یک کوانتیزه‌سازی مناسب آسان‌تر بهصورت محلی آزمود. مقیاس بسیار بزرگ‌تر Kimi شاید زیرساختی با حافظه و ظرفیت استقرار بسیار بیشتر را هدف گرفته باشد. مقایسه درست بر پایه کار، کیفیت خروجی، تأخیر، هزینه، مجوز و سختافزار است—نه این ادعا که یک خانواده در همه بنچمارک‌ها برنده است.
هر دو کارت اطلاعات ناشرند. ادعاهای بنچمارک و توصیف‌های توانایی را باید نقطه آغاز ارزیابی دانست، نه جایگزینی برای آزمودن پرامپت‌ها، زبان‌ها و موارد شکستِ نمونه‌وار. برای کاربردهای پیامددار، یک گام بازبینی انسانی و فرایندی مستقل برای وارسی منابع را حفظ کنید.
کدام مدل باز برای چه کاری خوب است؟
برای یادگیری استقرار محلی، کوچک‌ترین مدل پشتیبانی‌شده‌ای را برگزینید که از پس زبان و کار دلخواه برمی‌آید و سپس آن را بیازمایید. یک کوانتیزه‌سازیِ مهارپذیر و سازگار با Qwen شاید نخستین آزمایشی عملی‌تر از یک انتشار بسیار بزرگ‌تر باشد. Hugging Face مسیرهای برنامه‌های محلی را برای GGUF، MLX و قالب‌های دیگر مستند کرده است، از جمله LM Studio، Ollama، llama.cpp و MLX LM. [8]
در یک جریان کار میزبانیشده، API میتواند بار دانلود وزنها، انتخاب محیط اجرا و نگه‌داری سختافزار را سبک کند. این انتخابِ یک سرویس است، نه انتخابی برای حریم خصوصی محلی. مستندات API شرکت DeepSeek تغییر نام مدل‌ها و انتشارهای API را نشان میدهد؛ کاربران باید پیش از فرستادن مطالب حساس، شرایط کنونی سرویس، قیمت‌گذاری و شیوه رفتار با داده‌ها را بررسی کنند. [6]
برای یک تیم پژوهشی یا زیرساختی، انتشارهای وزنباز بسیار بزرگ می‌توانند میزبانی کنترل‌شده روی زیرساخت خود، ارزیابی تخصصی یا سازگارسازی را ممکن کنند. آن‌ها کار عملیاتی هم می‌افزایند: به‌دست‌آوردن وزنها، مدیریت ظرفیت استنتاج، اعمال به‌روزرسانی‌های امنیتی، رعایت مجوزها و پایش کیفیت خروجی. اندازه Kimi K3.1 Pro نشان میدهد که در دسترس بودن وزنها این هزینه‌ها را از میان نمی‌برد. [5]
برای کار چندوجهی، به‌جای این فرض که هر مدلی تصویر، ویدئو یا سند می‌پذیرد، همان کارت مدل مشخص را وارسی کنید. Qwen مدل Qwen3.8-27B را بینایی-زبان توصیف میکند، در حالی که کارت Kimi وجه‌های متن و تصویر را شرح میدهد. [3][5] این به‌خودی‌خود چیزی درباره دقت روی یک تصویر یا سند مشخص نمی‌گوید، به‌ویژه در حوزه‌ای حساس.
برای کارهای حساس از نظر حریم خصوصی، اجرای محلی میتواند اشتراکگذاری پرامپت‌ها با یک ارائهدهنده میزبانیشده را کاهش دهد، اما حریم خصوصیِ خودکار نیست. دانلود مدل‌ها، به‌روزرسانی‌ها، لاگ‌های محلی، پشتیبانها، افزونهها و سرورهایی که در معرض شبکه‌اند خطرهایی جداگانه می‌مانند. برای آگاهی از همه بده‌بستان‌های سختافزار و حریم خصوصی، راهنمای هوش مصنوعی محلی همین سایت را ببینید.
یک مدل وزنباز را چگونه باید ارزیابی کرد؟
نخست کارت مدل را بخوانید. ناشر، بازنگری مدل، مجوز، کار موردنظر، معماری، وجه‌ها، محدودیت‌های شناخته‌شده و قالب‌های استقرار پشتیبانی‌شده را تأیید کنید. کارت گواهی دقت نیست، اما مستقیم‌ترین منبع برای آن چیزی است که ناشر می‌گوید منتشر شده است. [2][3][5]
سپس یک مجموعه آزمون واقع‌بینانه برگزینید. از مجموعه کوچکی از پرامپتهای نمونه‌وار استفاده کنید که واقعیت‌های موردانتظارِ معلوم، موارد مرزی دشوار و زبان موردنظر را در بر دارد. خروجی‌ها را از نظر درستی، کامل‌بودن، سازگاری و اطمینانِ بیش‌ازحدِ زیان‌بار مقایسه کنید. درباره یک مدل تنها بر پایه نخستین پاسخِ پرداخته یا یک بنچمارک عمومی واحد داوری نکنید.
محیط دقیق را ثبت کنید: بازنگری مدل، کوانتیزه‌سازی، سقف زمینه، محیط اجرا، سختافزار، شیوه پرامپت‌نویسی و دسترسی به ابزارها. دو کاربر می‌توانند از مدلی با یک نام واحد نتایج متفاوتی بگیرند، هرگاه این متغیرها فرق کنند. این سابقه همچنین بازتولید یک پیکربندی سودمند یا بررسی یک پاسخ بد را ممکن میکند.
پیش از استقرار فراتر از آزمایش شخصی، مجوز را بررسی کنید. تعریف OSI توضیح میدهد که هوش مصنوعی متنباز چیزی بیش از وزنها را در بر می‌گیرد، و نوشته توضیحی OSI درباره وزن‌های باز می‌گوید وزنها به‌تنهایی برای استفاده، مطالعه، تغییر و اشتراکگذاری کامل یک سامانه کافی نیستند. [1][4] استفاده تجاری، بازتوزیع، تنظیم دقیق، استفاده در سرویس میزبانیشده و ذکر نام پدیدآور می‌توانند تابع شرایطی متفاوت باشند.
سرانجام، مرز خروجی را رعایت کنید. یک مدل باز میتواند پیش‌نویس بنویسد، ترجمه کند، دسته‌بندی کند یا به کاوش اطلاعات کمک کند. چنین مدلی نباید بدون شواهد مستقل و به‌روز و داوری حرفه‌ای مناسب، مرجع نهایی تصمیم‌های حقوقی، مالی، پزشکی، ایمنی یا امنیتی باشد.
چگونه یک مدل باز را بدون سردرگمی بهصورت محلی اجرا کنیم؟
پیش از دانلود فایل مدل، محیط اجرا را انتخاب کنید. Hugging Face برنامه‌ها و قالب‌های محلیِ سازگار را فهرست کرده است: برای نمونه، LM Studio از مدل‌های GGUF و MLX پشتیبانی میکند، Ollama از GGUF پشتیبانی میکند و MLX LM از مدل‌های تولید متن MLX پشتیبانی میکند. [8] فایل مدلی که قالبش نادرست باشد دانلود سودمندی نیست.
از صفحه رسمی ناشر یا یک میزبان مدلِ جاافتاده آغاز کنید و سپس قالبی را برگزینید که با رایانه جور باشد. صفحه Hugging Face برای Qwen3.8-27B به نسخههای کوانتیزهشده پیوند میدهد، در حالی که انتشار پایه 27B به‌خودی‌خود ادعایی نیست که هر دستگاهی میتواند هر نسخه‌ای را بارگذاری کند. [3] به‌جای آنکه اندازه مدل روی دیسک را کل نیازمندی بدانید، برای سیستم‌عامل و زمینه حافظه آزاد باقی بگذارید.
نخستین سرور را محلی و روی همان رایانه نگه دارید و با داده‌های بی‌خطر بیازمایید. نقطه پایانیِ یک مدل محلی را صرفاً برای استفاده از دستگاهی دیگر در معرض اینترنت عمومی قرار ندهید. اگر بعدها به سرویسی شبکه‌ای نیاز شد، از احراز هویت استفاده کنید، محیط اجرا را وصله کنید و بدانید چه کسی میتواند برای آن پرامپت بفرستد.
برای پیکربندی‌ها از کنترل نسخه استفاده کنید و سابقه‌ای از مجوز مدل نگه دارید. ممکن است اجرای یک مدل محلی از نظر فنی آسان باشد اما از نظر حقوقی برای سرویسی که در نظر دارید مناسب نباشد، یا برعکس. یک آزمایش منظم از دانلود پیاپی فایل‌های عظیم با خاستگاه نامعلوم ایمن‌تر و سودمندتر است.
وقتی مدلی خوب پاسخ نمی‌دهد، هر بار تنها یک متغیر را تغییر دهید: زمینه کوچک‌تر، کوانتیزه‌سازی دیگر، محیط اجرای دیگر یا مدلی که با کار همخوان‌تر است. شمار بیشتر پارامترها تنها چاره نیست.
خوانندگان در سال ۲۰۲۶ چه چیزی را در مدل‌های باز زیر نظر بگیرند؟
هویت هر انتشار را با دقت زیر نظر بگیرید. صفحه‌های رسمی DeepSeek میان V4، V4-Pro، V4-Flash و تغییرات API مربوط به V4.1-Flash تمایز می‌گذارند. [2][6] تیتری که می‌گوید «DeepSeek V4» ممکن است به مدل مشخص یا مسیر عرضه‌ای اشاره کند که با آنچه خواننده قصد استفاده از آن را دارد فرق دارد.
مجوزها و جزئیات استقرار را به همان دقتِ توانایی‌ها زیر نظر بگیرید. صفحه عمومی Qwen3.8-27B از Apache 2.0 نام می‌برد، در حالی که Kimi K3.1 Pro از یک مجوز ویژه Kimi نام می‌برد. [3][5] این برچسب‌ها را باید در خودِ مخزن‌ها خواند، زیرا یک مدل پایه، یک کوانتیزه‌سازیِ ساخته جامعه کاربران و یک مدل مشتق‌شده می‌توانند مستندات متفاوتی داشته باشند.
شواهدی را زیر نظر بگیرید که با کار شما همخوان است. یک بنچمارک کدنویسی تکلیف درک سند را روشن نمی‌کند، ادعای زمینه طولانی تکلیف درستی واقعیت‌ها را روشن نمی‌کند و پشتیبانی یک مدل از تصویر تکلیف اتکاپذیری آن در کار با تصویر را روشن نمی‌کند. انتشارهای باز آزمودن و سازگارسازی را آسان‌تر می‌کنند، اما نیاز به ارزیابی را از میان نمی‌برند.
افزون بر یادداشت‌های انتشار، تغییرات عملیاتی را نیز زیر نظر بگیرید. APIهای میزبانیشده می‌توانند نقطه‌های پایانی را تغییر نام دهند، به جای دیگری هدایت کنند یا بازنشسته کنند؛ گزارش تغییرات V4 از DeepSeek نمونه‌ای از همین است. [6] تیمی که به یک API وابسته است باید هر جایگزینی را پیش از استفاده در محیط عملیاتی بیازماید و یک فرایند پشتیبان را حفظ کند. تیمی که خودش میزبانی میکند باید در عوض برای درستی و یکپارچگی دانلودها، ارتقای محیط اجرا، ذخیره‌سازی و ظرفیت برنامه بریزد. هیچ‌یک از این دو مسیر برای همیشه بی‌نیاز از نگه‌داری نیست. پیش از راه‌اندازی، بازگشت به نسخه پیشین را برنامه‌ریزی کنید، برای پایش بودجه در نظر بگیرید و مستند کنید که هر وظیفه عملیاتی بر عهده کیست.
پرونده‌ای از شواهد نگه دارید که بازنگری کارت مدل، متن مجوزی که به آن مراجعه شده، نسخه محیط اجرا، پرامپتهای ارزیابی و حالت‌های شکستِ مشاهده‌شده را در بر دارد. این کار برای یک پروژه شخصی زحمت اندکی دارد و برای استفاده سازمانی ضروری است. چنین پرونده‌ای ادعایی جذاب درباره یک انتشار باز را به تصمیمی تکرارپذیر بدل میکند. همچنین کمک میکند محدودیت خود مدل از خطایی در کوانتیزه‌سازی، طراحی پرامپت یا پیکربندی محلی بازشناخته شود.
انتخاب ماندگار، رویارویی انتزاعی DeepSeek با Qwen یا Kimi نیست. انتخاب ماندگار کوچک‌ترین مدل مشخصی است که روشن‌ترین مجوز و توانایی راستی‌آزمایی‌پذیر را دارد و در چیدمان استقراری که کاربر از عهده نگه‌داری‌اش برمی‌آید، از پس کار برمی‌آید.
| انتشار | آنچه مستقیماً تأیید شده است | پیامد عملی | چه چیزی را فرض نکنید |
|---|---|---|---|
| خانواده DeepSeek V4 | DeepSeek مدل V4 را از ۲۴ آوریل ۲۰۲۶ فهرست کرده و گونه‌ها و تغییرات API مربوط به V4 را مستند کرده است. [2][6] | پیش از انتخاب میان API و وزنها، کارت و مسیر مشخص را بخوانید. | اینکه هر نام V4 به معنای همان مدل، همان مجوز یا همان استقرار محلی است. |
| Qwen3.8-27B | مدلی بینایی-زبان؛ کارت ۲۷ میلیارد پارامتر و Apache 2.0 را ذکر میکند؛ صفحه Hugging Face به نسخههای کوانتیزهشده برای محیط‌های اجرای محلی پیوند میدهد. [3] | گزینه‌ای بالقوه برای اجرای محلی، تنها اگر فایل انتخابشده با سختافزار جور باشد. | اینکه نام پایه استفاده آسان روی لپ‌تاپ یا خروجی درست را تضمین میکند. |
| Kimi K3.1 Pro | وزنباز، چندوجهی و از نوع MoE؛ ۲٫۸ تریلیون پارامتر در مجموع و ۱۰۴ میلیارد پارامتر فعال؛ مجوز اختصاصی. [5] | انتشاری در مقیاس بزرگ که به بررسی دقیق مجوز و زیرساخت نیاز دارد. | اینکه وزن‌های باز به معنای سختافزار محلی معمولی یا استفاده بی‌قیدوشرط است. |
| هوش مصنوعی متنباز | OSI برای تعریف قوی‌تر، اطلاعات داده، کد و پارامترها را لازم می‌داند. [1] | پیش از به‌کاربردن این برچسب، چیزی بیش از وزنها را وارسی کنید. | اینکه یک نقطه وارسی قابل‌دانلود به‌تنهایی تعریف کامل را برآورده میکند. |
اشتباه‌های رایج
به‌کاربردن «متنباز» و «وزنباز» به‌عنوان مترادف
راه درست: وزنها تنها یک بخش از تعریف قوی‌تر OSI هستند که به اطلاعات داده و کد نیز می‌پردازد. [1]
انتخاب یک مدل تنها از روی نامی که بر سر زبان‌هاست
راه درست: نسخه دقیق، ناشر، مجوز، کارت مدل، قالب و تناسب با سختافزار را بررسی کنید. [2][3][5]
این فرض که مدل API شرکت DeepSeek بهصورت محلی قابل استقرار است
راه درست: دسترسی از راه API را از اطلاعات کارت مدل، وزنها و محیط اجرا جدا کنید. [2][6]
دانلود یک مدل بسیار بزرگ پیش از بررسی مقیاس آن
راه درست: شمار ۲٫۸ تریلیون پارامتر در مجموع برای Kimi K3.1 Pro نشان میدهد که چرا باید نخست اندازه و زیرساخت را بررسی کرد. [5]
برابر گرفتن یک بنچمارک با تصمیم استقرار
راه درست: کارهای نمونه‌وار را با پیکربندی مستند و وارسی مستقل واقعیت‌ها بیازمایید.
نادیده‌گرفتن مجوز مدل
راه درست: مجوز را در همان مخزن مشخص بخوانید، از جمله شرایط استفاده تجاری، بازتوزیع و استفاده مشتق‌شده. [3][5]
پرسش‌های پرتکرار
آیا DeepSeek، Qwen و Kimi متنبازند؟
پاسخ از انتشاری به انتشار دیگر فرق میکند. هرگاه وزنها در دسترساند از «وزنباز» استفاده کنید و پیش از آنکه سامانهای را بر پایه تعریف OSI هوش مصنوعی متنباز بنامید، کد، اطلاعات داده و مجوز را وارسی کنید. [1][4]
DeepSeek V4 چیست؟
DeepSeek مدل V4 را انتشاری عمده به تاریخ ۲۴ آوریل ۲۰۲۶، همراه با کارت مدل و گزارش فنی، فهرست کرده است. مستندات API آن میان V4-Pro، V4-Flash و تغییرات بعدی V4.1-Flash تمایز می‌گذارد. [2][6]
آیا میتوانم Qwen3.8-27B را بهصورت محلی اجرا کنم؟
ناشر وزنها را در قالب Transformers ارائه میدهد و صفحه مدل در Hugging Face به نسخههای کوانتیزهشده برای چند محیط اجرای محلی پیوند میدهد. اینکه مدل بهصورت محلی خوب کار کند یا نه، به نمایش انتخابشده، زمینه و سختافزار بستگی دارد. [3]
آیا میتوانم Kimi K3.1 Pro را روی یک رایانه معمولی اجرا کنم؟
چنین فرض نکنید. کارت آن ۲٫۸ تریلیون پارامتر در مجموع و ۱۰۴ میلیارد پارامتر فعال را ذکر میکند که مقیاس استقراری بسیار بزرگ‌تر از مدل‌های محلی کوچک و معمولی است. [5]
کدام مدل باز بهترین است؟
برندهای همگانی وجود ندارد. همان انتشار مشخصی را برگزینید که با کار، زبان، مجوز، قالب، سختافزار و نتیجه ارزیابیای که خودتان میتوانید راستیآزمایی کنید جور است.
آیا مدل باز پرامپتهای مرا خصوصی نگه میدارد؟
نه بهطور خودکار. استقرار محلی میتواند اشتراکگذاری با یک ارائهدهنده میزبانیشده را کاهش دهد، اما دانلودها، لاگها، پشتیبانها، افزونهها و پیکربندی شبکه همچنان ملاحظات حریم خصوصی به شمار میآیند.
واژه‌نامه
- مدل وزنباز (Open-weight model)
- مدلی که پارامترهای نهاییِ آموزش‌دیده آن (وزنها) به اشتراک گذاشته شده است، بی‌آنکه لزوماً کد آموزش یا داده‌های آموزش را در بر بگیرد. [4]
- هوش مصنوعی متنباز (Open-source AI)
- مفهومی قوی‌تر در سطح سامانه که در تعریف OSI اطلاعات داده، کد و پارامترها را با شرایط مناسب در بر می‌گیرد. [1]
- کارت مدل (Model card)
- مستنداتی که همراه انتشار یک مدل می‌آید و معمولاً کار موردنظر، مجوز، قالب‌ها، محدودیت‌ها یا ارزیابی آن را شرح میدهد.
- کوانتیزه‌سازی (Quantization)
- شیوه‌ای از نمایش مدل که میتواند نیاز آن به حافظه و فضای ذخیره‌سازی را کاهش دهد و ممکن است بده‌بستان‌هایی در پی داشته باشد.
- آمیزه خبرگان (Mixture of Experts)
- نوعی معماری مدل که در آن برای هر ورودی تنها زیرمجموعه‌ای از اجزا میتواند فعال باشد؛ مجموع پارامترها و پارامترهای فعال می‌توانند متفاوت باشند. [5]
منابع
- The Open Source AI Definition – 1.0 Open Source Initiative · 2024-10-28
- DeepSeek | Transparency Center DeepSeek
- Qwen3.8-27B Model Card Qwen
- Open Weights: not quite what you’ve been told Open Source Initiative · 2025-01-29
- Kimi K3.1 Pro Model Card Moonshot AI
- Change Log | DeepSeek API Docs DeepSeek · 2026-10-17
- DeepSeek-V4 Preview: Entering the Era of Affordable Million-Token Context DeepSeek · 2026-04-24
- Use AI Models Locally Hugging Face
نظرات
نظرهای برتر