اگر امروز از مدلهای Qwen3 استفاده میکنید، احتمالاً سرعت تولید پاسخها برایتان گلوگاه است؛ اما تصور کنید همین پاسخها ۷.۸ برابر سریعتر برسند، بدون اینکه حتی یک کلمه از دقت مدل کم شود.
این ادعای اصلی Orthrus است؛ چارچوبی که در ۱۵ مه ۲۰۲۶ معرفی شد تا یکی از سختترین چالشهای هوش مصنوعی زاینده (Generative AI) را حل کند. توسعهدهندگان معمولاً بین دو راه گیر میکنند: یا از رمزگشاییهای کند اما دقیق استفاده کنند یا به مدلهای انتشار سریع بروند که احتمال خطا در آنها زیاد است.
مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — برای تولید هر کلمه نیاز به پردازش سنگینی دارد. همانطور که در تحلیل قبلی ما دربارهی کاهش هزینههای استنتاج در vLLM اشاره کردیم، صنعت اکنون از مرحلهی صرفهجویی در هزینه به مرحلهی بهینهسازی حداکثری نرخ انتقال داده رسیده است.
Orthrus برای رسیدن به این سرعت، استنتاج (Inference) — لحظهای که مدل واقعاً جواب تولید میکند؛ شبیه خودِ آشپزی، نه دورهی آموزش آشپز — را بازتعریف میکند. طبق گزارش توسعهدهندگان، این سیستم تنها ۱۶٪ از پارامترهای مدل را تنظیم میکند تا قابلیت تولید موازی را به آن اضافه کند.
جزئیات فنی این معماری عبارت است از:
- تولید کاملاً بدون خطا از طریق یک سازوکار اجماع داخلی.
- حذف حافظهی اضافی با اشتراکگذاری یک KV cache (حافظه کلید-مقدار) واحد بین دو نما.
- افزایش سرعت بهطور میانگین ۴.۲۵ برابر برای مدل ۱.۷ میلیارد پارامتری و ۵.۳۶ برابر برای مدل ۸ میلیارد پارامتری.
به نقل از مستندات گیتهاب این پروژه، Orthrus در آزمونهای رودررو، ابزارهای رمزگشایی گمانهزن مانند EAGLE-3 و DFlash را شکست داد. این یعنی «مالیات دقت» که همیشه برای سرعت بخشیدن به مدلها پرداخت میشد، حالا حذف شده است. برای شما که اپلیکیشنهای استدلالی میسازید، دیگر لازم نیست بین «دقت بالا» و «پاسخ سریع» یکی را انتخاب کنید.
گام بعدی شما
- اگر از مدلهای Qwen استفاده میکنید، پیادهسازی این چارچوب را از طریق مخزن رسمی گیتهاب تست کنید.
- منتظر ادغام بومی این فناوری در vLLM و SGLang باشید تا مدیریت حافظه بهینهتر شود.
- نرخ پذیرش توکنها را در متون طولانیتر بسنجید تا اثر مقیاسپذیری را ببینید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو