اگر از خروجیهای نامفهوم و بههمریخته مدلهای پیشرفته خسته شدهاید، ابزار جدیدی برای نجات شما آمده است. توسعهدهندهای در ۲۰ اوت ۲۰۲۶ ابزار Vomit را منتشر کرد تا مشکل «استفراغ توکنی» (Token Vomit) در مدل Claude 5 را حل کند.
این ابزار در واقع یک لایه ترجمه است که دادههای خام و نامفهوم را از طریق یک مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — عبور داده و آنها را به انگلیسی منسجم بازمیگرداند.
به گزارش مخزن گیتهاب این پروژه، Vomit زمانی به سراغ کاربر میآید که مدلهای نسل جدید علیرغم قدرت بالا، در پایداری خروجی دچار مشکل میشوند. همانطور که در تحلیل قبلی ما دربارهی استفاده از مدلهای Claude برای کارهای خلاقانه اشاره کردیم، گاهی خروجیهای خام این مدلها غیرقابلفهم میشود. Vomit این مسئله را نه یک مشکل در مهندسی پرامپت، بلکه یک مسئلهی «پاکسازی داده» میبیند. این چالشهای پایداری در مدلهای پیشرفته، یادآور پیچیدگیهای مدیریت جریان داده است که در بررسی سازوکار صفبندی برای جلوگیری از تداخل عاملهای Claude Code به آنها پرداختیم.
طبق مستندات این ابزار، Vomit کاملاً محلی است، هیچ دادهای را به بیرون ارسال نمیکند (Telemetry-free) و به هیچ وابستگی خارجی نیاز ندارد. این ابزار از چندین بستر محلی پشتیبانی میکند:
- Llama.app (پیشنهادی با مدل GPT-OSS 20B)
- Ollama
- هر سرویسی که از API شرکت OpenAI استفاده کند
کاربران میتوانند این برنامه را از طریق زبان Go نصب کرده و با دستور vomit scrub -claude خروجیها را اصلاح کنند. همچنین دستور vomit tail برای کسانی که نمیخواهند در روند اصلی تداخل ایجاد کنند، امکان ترجمه شناسههای نشست را فراهم میکند. برای مدیریت بهینه این نشستها و پروفایلهای مختلف، ابزار claude-account امکان جداسازی پروفایلها در محیط خط فرمان را فراهم کرده است.
این رویکرد، بارِ ایجاد انسجام را از مدل اصلی به یک «پاکساز» محلی منتقل میکند. برای شما به این معناست که میتوانید از قدرت استدلال مدلهای پیشرو مثل Claude 5 بهره ببرید و همزمان با یک مدل کوچکتر و محلی، خوانایی متن نهایی را تضمین کنید.
با این حال، توسعهدهنده هشدار میدهد که مدل محلی ممکن است دچار توهم (Hallucination) — شبیه دوستی که خاطرهای را اشتباه تعریف میکند — شود؛ زیرا به فایلهای اصلی یا اقدامات مدل Claude دسترسی ندارد. برای بازیابی پیامهای اصلی در صورت بروز خطا، استفاده از AgentsView توصیه شده است.
گام بعدی شما
- اگر از Claude 5 استفاده میکنید، ابزار Vomit را از گیتهاب نصب کنید تا خروجیهای نامفهوم را سریعتر اصلاح کنید.
- مدل GPT-OSS 20B را روی Llama.app اجرا کنید تا بهترین کیفیت پاکسازی را تجربه کنید.
- برای جلوگیری از توهمات مدل محلی، خروجیهای حساس را با AgentsView تطبیق دهید.
اما داستان سختافزاری اجرای این مدلهای محلی حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید. در همین راستا، برای کسانی که به دنبال توزیع بار پردازشی هستند، معماری Petals راهکاری برای تبدیل GPUهای خانگی به یک ابرکامپیوتر ارائه داده است.
گفتگو