تصور کنید یک بازوی رباتیک در انبار کالا، برای هر حرکت ساده مجبور باشد چند ثانیه منتظر پاسخ یک سرور ابری بماند؛ این تأخیر در دنیای واقعی یعنی شکست. برای حل این مشکل، مدل‌های کوچک‌تر و سریع‌تر جایگزین غول‌های محاسباتی می‌شوند تا ربات‌ها بتوانند در لحظه واکنش نشان دهند.
در ۲۴ سپتامبر ۲۰۲۶، شرکت Black Forest Labs (BFL) مدل FLUX 3 Action را منتشر کرد. این مدل با وزن‌های باز (Open Weights) — یعنی دستور پخت مدل علناً منتشر شده و هر کسی می‌تواند آن را اجرا کند — طراحی شده تا فاصله میان استدلال‌های پیچیده و اجرای فیزیکی در لحظه را پر کند. طبق گزارش وب‌سایت the-decoder.com، این مدل با ۷ میلیارد پارامتر، رکورد جدیدی از نرخ موفقیت را در جدول امتیازات RoboLab-120 ثبت کرده است. این موفقیت در ابعاد کوچک، یادآور برتری مدل ZGCM-1 بود که با ۷ میلیارد پارامتر توانست مدل‌هایی با اندازه ۳۰ برابر بزرگ‌تر را به چالش بکشد.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی مدل‌های لبه اشاره کردیم، حذف وابستگی به ابر برای سخت‌افزارهای متحرک یک ضرورت است. FLUX 3 Action بر پایه معماری چندوجهی (Multimodal) — مدلی که مثل انسان هم‌زمان متن، عکس و صدا را می‌فهمد — ساخته شده و روی ترکیبی از داده‌های ویدیو، تصویر و صوت آموزش دیده است. این رویکرد در راستای توسعه مدل‌های متن‌باز پیشرو است، مشابه چالش‌های عرضه MiMo-V2.6 که به عنوان یکی از پیشتازان مدل‌های وزن‌باز مورد توجه قرار گرفت.
بر اساس مستندات منتشر شده، این مدل سه مزیت فنی کلیدی دارد:
- بهینگی: اندازه آن کمتر از نصف بهترین مدل‌های رباتیک متن‌باز فعلی است.
- سرعت: سرعت اجرای آن تا ۳.۹۵ برابر بیشتر از نسل‌های قبلی است.
- سازوکار: با پردازش جریان‌های ویدیویی از چندین دوربین، اقدام بعدی عامل (Agent) و تغییرات محیطی حاصل از آن را پیش‌بینی می‌کند.
این چرخش راهبردی نشان می‌دهد که صنعت رباتیک از رویکرد «هرچه بزرگ‌تر، بهتر» فاصله گرفته است. با اولویت دادن به سرعت استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند و شبیه به خودِ آشپزی است، نه دوره‌ی آموزش آشپز — شرکت BFL اجرای مدل‌های پیش‌بینی را مستقیماً روی سخت‌افزار ربات ممکن کرده است. این بهینه‌سازی در لایه‌ی استنتاج، مشابه تأثیر مدل‌های Smaug است که هزینه‌های عملیاتی عامل‌های هوش مصنوعی را تا ۱۰۰ برابر کاهش دادند.
به باور BFL، کاربرد این مدل‌ها تنها به سخت‌افزار محدود نمی‌شود. بازی‌های ویدیویی می‌توانند محیط‌های آزمایشی اولیه‌ای برای ناوبری باشند تا بعدها این مدل‌ها برای مدیریت رابط‌های کاربری کامپیوتر به کار گرفته شوند. در حال حاضر وزن‌های این مدل در پلتفرم Hugging Face در دسترس جامعه برنامه‌نویسان است.
گام بعدی شما
- اگر توسعه‌دهنده رباتیک هستید، مدل را از Hugging Face دریافت کرده و روی سخت‌افزارهای لبه (Edge) تست کنید.
- بررسی کنید که آیا جایگزینی مدل‌های حجیم با مدل‌های ۷ میلیاردی در پروژه شما، تأخیر (Latency) را کاهش می‌دهد یا خیر.
- مستندات RoboLab-120 را برای مقایسه نرخ موفقیت مدل خود با FLUX 3 مطالعه کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ به تحلیل ما درباره‌ی تراشه‌های Blackwell برای استنتاج سریع مراجعه کنید.
گفتگو