اگر امروز یک عامل بصری را در مقیاس تولید اجرا می‌کنید، احتمالاً متوجه شده‌اید که هر تصویر با کیفیت، بودجهٔ ماهانه شما را می‌بلعد. یک تصویر ۱۰۲۴ در ۱۰۲۴ پیکسل می‌تواند هزاران توکن مصرف کند و یک ابزار کاربردی را به یک بدهی مالی تبدیل کند. Oxlo.ai برای رفع این گلوگاه عملیاتی، در ۷ ژوئیه ۲۰۲۶ مدل قیمت‌گذاری مبتنی بر درخواست (Request-based pricing) را معرفی کرد تا هزینه‌های استنتاج را پیش‌بینی‌پذیر کرده و جایگزینی برای سیستم‌های توکن‌محور باشد.
اکثر خط‌لوله‌های چندوجهی (Multimodal) — یعنی مدل‌هایی که مثل انسان هم‌زمان متن، عکس و صدا را می‌فهمند — اکنون با بحران مقیاس‌پذیری مواجه‌اند. برای مهندسانی که عامل‌های بازرسی خودکار، سامانه‌های پرسش‌وپاسخ تصویری یا پشته‌های ادراک رباتیک را می‌سازند، هزینهٔ پردازش فریم‌های با کیفیت بالا یا اسناد چندصفحه‌ای به‌صورت خطی با پیچیدگی تکلیف رشد می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی برتری حافظهٔ استدلالی نسبت به حافظهٔ پاسخ‌های نهایی اشاره کردیم، صنعت اکنون از دموهای پژوهشی به سمت زیرساخت‌هایی حرکت می‌کند که بتوانند حجم عظیم داده‌های بصری در محیط تولید را به‌طور واقعی مدیریت کنند.
چالش زمینه در مدل‌های چندوجهی
ورودی‌های بصری به‌طور استثنایی توکن‌بر (Token-dense) هستند. هنگام پردازش جریان‌های نظارتی، توالی‌های تصویربرداری پزشکی یا اسناد بصری چندصفحه‌ای، طول زمینه (Context length) به‌سرعت افزایش می‌یابد. این موضوع به‌ویژه در حلقه‌های عامل‌محور (Agentic loops) که باید فریم‌های قبلی و مراحل استدلالی را برای حفظ وضعیت (State) نگه دارند، شدت می‌گیرد. در همین راستا، تلاش‌های فنی برای بهینه‌سازی پردازش‌ها، مانند استفاده از سازوکار ادغام لایه‌های انتهایی برای کاهش محاسبات بصری، گامی در جهت حل این بحران پردازشی در مدل‌های چندوجهی است.
در قیمت‌گذاری سنتی مبتنی بر توکن، هر تصویر یا فریم اضافی مستقیماً هزینه هر درخواست را افزایش می‌دهد. این رفتار مقیاس‌پذیری باعث می‌شود اقتصاد واحد (Unit economics) پیش‌بینی‌ناپذیر شود و توسعه‌دهندگان را مجبور کند تا بین نیاز به زمینه بصری با رزولوشن بالا و ریسک تورم بودجه‌های API تعادل برقرار کنند.
طبق گزارش وب‌سایت dev.to، ادغام‌های تجاری در محیط تولید معمولاً از سه الگوی معماری خاص پیروی می‌کنند:
- استخراج متن از تصویر (Vision-to-text extraction): یک مدل بینایی اختصاصی تصویر را می‌گیرد و توصیفی متنی متراکم، مختصات جعبه‌های محصورکننده (Bounding box) یا یک JSON ساختاریافته را خروجی می‌دهد. سپس یک مدل زبانی بزرگ (LLM) مجزا — که فقط متنی است — استدلال، برنامه‌ریزی یا تولید کد را انجام می‌دهد. این روش باعث جداسازی تأخیر (Latency) شده و بهینه‌سازی مستقل هر مرحله را ممکن می‌سازد.
- استدلال چندوجهی یکپارچه (Unified multimodal reasoning): یک مدل واحد زبان-بینایی (VLM) هم تصویر و هم پرامپت را مصرف کرده و در یک مرحله پاسخ نهایی را می‌دهد. این حالت برای پرسش‌وپاسخ‌های بصری ساده یا طبقه‌بندی تک‌تصویری که در آن تأخیر حیاتی‌تر از پیمانه‌بندی (Modularity) است، ایده‌آل است.
- حلقه‌های عامل‌محور استفاده از ابزار (Agentic tool-use loops): یک مدل زبانی به‌عنوان ارکستراتور عمل می‌کند. مدل وظیفه‌ای را دریافت می‌کند، تصمیم می‌گیرد که آیا ابزار بینایی (یا چندین ابزار) را فراخوانی کند یا خیر، مشاهدات بصری را دریافت کرده و سپس تکرار می‌کند. این حالت به پشتیبانی قوی از فراخوانی توابع (Function calling) و یک پنجرهٔ زمینه نیاز دارد که قادر باشد چندین نوبت از کپشن‌های تصویری یا متادیتای فریم‌ها را بدون حذف (Truncation) جذب کند.
Oxlo.ai هر سه الگوی فوق را از طریق یک نقطه اتصال (Endpoint) واحد و سازگار با OpenAI پشتیبانی می‌کند. کاتالوگ این پلتفرم شامل مدل‌های بینایی نظیر Gemma 3 27B و Kimi VL A3B، در کنار قدرت‌های استدلالی همچون Qwen 3 32B، DeepSeek R1 671B MoE و Llama 3.3 70B است.
جزئیات پیاده‌سازی
پیاده‌سازی از طریق OpenAI SDK بسیار ساده و بهینه شده است. به دلیل سازگاری کامل API، توسعه‌دهندگان می‌توانند درخواست‌های چندوجهی و درخواست‌های استدلالی صرفاً متنی را از طریق یک پیکربندی واحد کلاینت هدایت کنند.
در یک خط‌لوله دو مرحله‌ای رایج:
- مرحله اول: یک مدل بینایی (مانند Kimi VL A3B) یک اسکرین‌شات از رابط کاربری را تجزیه کرده تا تمام المان‌های تعاملی و موقعیت تقریبی آن‌ها را لیست کند.
- مرحله دوم: توصیف حاصل به یک مدل استدلالی (مانند Qwen 3 32B) ارسال می‌شود که یک آرایه JSON از تست‌کیس‌ها شامل اهداف، اقدامات و نتایج مورد انتظار را تولید می‌کند.
به دلیل پشتیبانی از حالت استریمینگ (Streaming)، حالت JSON و گفتگوهای چند-نوبتی (Multi-turn)، توسعه‌دهندگان می‌توانند این منطق را در حلقه‌های عامل‌محور جای دهند بدون اینکه درگیر مدیریت SDKهای متعدد ارائه‌دهندگان مختلف شوند. علاوه بر این، با جایگزینی مرحله دوم با Llama 3.3 70B یا DeepSeek R1 671B MoE و تعریف یک آرایه از ابزارها، مدل می‌تواند تصمیم بگیرد که بر اساس ورودی بصری، یک پایگاه داده را کوئری بزند یا یک مرحله استقرار (Deployment) را فعال کند.
این چرخش در اقتصاد مدل‌ها، ریاضیات بنیادی هوش مصنوعی عامل‌محور را تغییر می‌دهد. وقتی توسعه‌دهنده اسکرین‌شات‌های قبلی، ردپاهای خطا (Error traces) و زنجیره‌های استدلالی را در پنجره زمینه نگه می‌دارد، قیمت‌گذاری توکنی به‌شدت گران و غیرقابل تحمل می‌شود. Oxlo.ai با دریافت یک هزینهٔ ثابت به‌ازای هر درخواست — بدون توجه به طول پرامپت، رشته‌های تصویر base64 یا رزولوشن تصویر — جریمهٔ استفاده از زمینه بصری غنی را حذف کرده است.
برای کیف پول توسعه‌دهنده، این یعنی اقتصاد واحد پیش‌بینی‌پذیر می‌شود. دیگر نیازی نیست برای کاهش هزینه‌ها، بین دقت مدل و هزینه، هنگام افزایش رزولوشن تصاویر یا تعداد فریم‌ها در توالی‌های نظارتی یا تصویربرداری پزشکی، دست به انتخاب بزنید.
باید منتظر ماند و دید ارائه‌دهندگان دیگر استنتاج چگونه به این مدل مبتنی بر درخواست واکنش می‌دهند، به‌ویژه در حالی که عامل‌های چندوجهی از چت‌بات‌های ساده به اپراتورهای فعال سیستم تبدیل می‌شوند.
گام بعدی شما
- اگر از مدل‌های Vision-Language در محیط تولید استفاده می‌کنید، هزینهٔ فعلی خود را با مدل Request-based مقایسه کنید.
- برای کاهش تأخیر، الگوی «استخراج متن از تصویر» را در مقابل «استدلال یکپارچه» تست کنید.
- بررسی کنید آیا مدل‌های MoE مثل DeepSeek R1 در زنجیره‌های بصری شما دقت را بهبود می‌دهند یا خیر.
اما داستان سخت‌افزاری این تحول و نحوهٔ مدیریت حافظه در مدل‌های MoE حتی پیچیده‌تر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو