پرش به محتوای اصلی
پرش به محتوای مقاله

چرا گوگل برای عامل‌های هوش مصنوعی، مدل‌های کوچک‌تر را ترجیح داد؟

·۲۹ اردیبهشت ۱۴۰۵۲ دقیقه مطالعه۱ بازدید
چرا گوگل برای عامل‌های هوش مصنوعی، مدل‌های کوچک‌تر را ترجیح داد؟
اشتراک‌گذاری

اگر امروز در حال پیاده‌سازی عامل‌های هوش مصنوعی هستید، تأخیر سیستم شما ۷۵ درصد کاهش می‌یابد و عملکرد آن رشد می‌کند. این یک تغییر واقعی در هزینه و سرعت است.

این تحول در حالی رخ می‌دهد که شرکت‌ها از پرامپت‌های ساده به سمت گردش‌های کاری خودگردان می‌روند. مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — حالا باید از حالت پاسخ‌دهنده به حالت «کننده» تغییر کند. همان‌طور که در تحلیل قبلی ما درباره‌ی پایداری APIهای جمینای اشاره کردیم، گوگل اکنون اولویت را بر قابلیت اطمینان گذاشته است. توسعه‌دهندگان نیاز دارند عامل (Agent) — شبیه کارمندی که فقط دستور نمی‌گیرد، بلکه خودش ابزارها را برمی‌دارد تا کار را تمام کند — وظایف طولانی را بدون شکست اجرا کند.

طبق اعلام گوگل در ۱۹ می ۲۰۲۶، مدل Gemini 3.5 Flash نخستین عضو خانواده ۳.۵ است. بر اساس مستندات blog.google، این مدل در تولید توکن بر ثانیه، چهار برابر سریع‌تر از مدل‌های پیشرو است. این مدل در بنچمارک‌های عامل‌محور، از Gemini 3.1 Pro پیشی گرفته است:

  • امتیاز ۷۶.۲٪ در Terminal-Bench 2.1
  • امتیاز ۸۳.۶٪ در MCP Atlas

Performance comparison table of Gemini, Claude, and GPT models across various benchmarks, highlighting Gemini 3.5 Flash.

an image showing "Artificial Analysis Intelligence Index vs Output Speed

این مدل با Google Antigravity ادغام شده است. این ابزار به توسعه‌دهندگان اجازه می‌دهد «عامل‌های فرعی» همکاری‌کننده بسازند. برای مثال، Shopify از این سازوکار برای پیش‌بینی رشد فروشندگان استفاده می‌کند. بانک Macquarie نیز از این مدل برای تحلیل اسناد ۱۰۰ صفحه‌ای پذیرش مشتری بهره می‌برد.

در بخش مصرف‌کننده، مدل جدید هسته‌ی Gemini Spark است؛ یک عامل شخصی که شبانه‌روزی کارهای دیجیتال را مدیریت می‌کند. گوگل این سرویس را برای آزمایش‌کنندگان منتخب عرضه کرده است. نسخه بتا برای مشترکان AI Ultra در آمریکا از هفته آینده آغاز می‌شود.

an image of Gemini Spark

an image of Gemini Spark

این عرضه، یک چرخش راهبردی در رقابت هوش مصنوعی است. گوگل دیگر فقط بر سر «هوش خام» نمی‌جنگد، بلکه روی نسبت «هزینه به اقدام» تمرکز کرده است. با تبدیل یک مدل Flash به ابزاری با استدلال پیچیده، حالا می‌توان عامل‌هایی ساخت که کدها را مدیریت کنند یا فرم‌های مالیاتی را با هزینه‌ای بسیار اندک خودکار سازند. در واقع، استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه خودِ آشپزی است، نه دوره‌ی آموزش آشپز — اکنون ارزان‌تر و سریع‌تر شده است.

گام بعدی شما

  • اگر توسعه‌دهنده هستید، قابلیت‌های Google Antigravity را برای مدیریت عامل‌های توزیع‌شده بررسی کنید.
  • عملکرد مدل‌های Flash را در وظایف طولانی‌مدت با مدل‌های Pro مقایسه کنید.
  • منتظر عرضه Gemini 3.5 Pro در ماه آینده باشید تا سقف استدلال‌های پیچیده را بسنجید.

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

چرا این موضوع مهم است؟

این تغییر رویکرد، هزینه استقرار عامل‌های خودگردان را به شدت کاهش می‌دهد. بر اساس داده‌های بنچمارک، مدل‌های کوچک‌تر اکنون می‌توانند وظایفی را انجام دهند که پیش‌تر تنها در مدل‌های سنگین و گران‌قیمت ممکن بود.

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.