سقوط ۳۸ درصدی درخواست‌های GPT-5.6 Luna پیش از ثبت رکورد جدید

اگر تصمیمات زیرساختی خود را بر اساس میانگین‌های ماهانه مدل‌های زبانی می‌گیرید، احتمالاً سیگنال‌های حیاتی ریزش کاربران را نادیده می‌گیرید. داده‌های جدید نشان می‌دهد که حتی قدرتمندترین مدل‌های جهان نیز از نوساناتی تجربه می‌کنند که در گزارش‌های رسمی دیده نمی‌شود.

طبق گزارش whatstrending.ai، تعداد درخواست‌های روزانه برای مدل openai/gpt-5.6-luna تنها در سه روز ۳۸.۳٪ سقوط کرد و سپس با جهشی سریع به رکورد تاریخی جدیدی رسید. این سطح از ناپایداری در استفاده از مدل‌های پرچم‌دار، معمولاً در آمارهای تجمیعی ماهانه که در لیدربوردهای عمومی منتشر می‌شود، حذف و یکدست می‌شود.

همان‌طور که در تحلیل قبلی ما درباره‌ی کاهش تضمین‌های مرکز داده Nvidia برای OpenAI اشاره کردیم، این نوسانات شدید تقاضا، ماهیت متزلزل حفظ کاربران در مقیاس‌های عظیم را برجسته می‌کند. بر اساس مستندات منتشر شده در ۱۶ اوت ۲۰۲۶، منحنی درخواست‌های این مدل مسیر دراماتیکی را طی کرده است:

• نقطه اوج: ۲۲۲.۵ میلیون درخواست در ۸ اوت
• کف: ۱۳۷.۳ میلیون درخواست در ۱۱ اوت (سقوط ۳۸.۳ درصدی)
• بهبودی: ۲۳۱.۸ میلیون درخواست در ۱۴ اوت (جهش ۴۷.۴ درصدی در یک روز)
• وضعیت فعلی: ثبت سه رکورد متوالی تا ۱۶ اوت با ۲۴۳.۵ میلیون درخواست

برای اطمینان از اینکه این داده‌ها یک خطای آماری نیستند، تحلیلگران بررسی کردند که حجم کل بازار در زمان سقوط لونا، از ۳.۵۶ میلیارد به ۳.۶۶ میلیارد درخواست رسیده و در واقع رشد کرده است. همچنین، رقبایی مانند deepseek/deepseek-v4-flash-0731 و tencent/hy3 در همان بازه زمانی که لونا سقوط می‌کرد، رکوردهای جدیدی ثبت کردند؛ این موضوع ثابت می‌کند که ریزش لونا یک خطای گزارش‌دهی کلی نبوده، بلکه مختص همین مدل بوده است.

برای معماران فنی، این یافته فرضیه «پایداری کاربرد مدل‌های پرچم‌دار» را به چالش می‌کشد. اگر مسیریابی (Routing) یا تصمیمات ظرفیتی شما بر اساس میانگین‌های ماهانه باشد، در واقع اثر واقعی ریزش و بازگشت کاربران را با میانگین‌گیری حذف می‌کنید. این چالش در تحلیل داده‌ها مشابه آن چیزی است که در بررسی ماهیت گزارش‌های کدنویسی هوش مصنوعی دیدیم؛ جایی که تفاوت میان ثبت فعالیت‌های خام و معیارهای واقعی بهره‌وری مورد بحث بود. داده‌ها نشان می‌دهند که «برنده شدن» در فضای مدل زبانی بزرگ (LLM) بسیار متلاطم‌تر از آن چیزی است که منحنی‌های صافِ بنچمارک‌های سنتی نشان می‌دهند.

گام بعدی شما

• به‌جای تکیه بر رتبه‌بندی‌های ماهانه، فیدهای درخواست روزانه را برای شناسایی تغییرات لحظه‌ای در ترجیحات کاربران رصد کنید.
• استراتژی‌های توزیع بار (Load Balancing) خود را برای مدیریت نوسانات ناگهانی تقاضا در مدل‌های پرچم‌دار بازبینی کنید.
• منحنی زنده این مدل را در whatstrending.ai/models دنبال کنید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.