«تمرکز فعال»؛ راهکار جدید متا برای یادآوری ترجیحات کاربر در مدل‌ها

تصور کنید دستیاری دیجیتال دارید که نه تنها دستورات شما را اجرا می‌کند، بلکه ترجیحات شما در سه ماه گذشته را به خاطر می‌سپارد و می‌تواند به‌تنهایی یک باگ پیچیده نرم‌افزاری را حل کند. در ۱۲ اکتبر ۲۰۲۶، شرکت متا (Meta) سری مدل‌های Muse Wonder را منتشر کرد؛ جفت‌مدل‌های پیشرویی که طراحی شده‌اند تا از چت‌های ساده فراتر رفته و به سمتی حرکت کنند که متا آن را «ابر‌هوش شخصی» می‌نامد.

بسیاری از دستیارهای فعلی دچار «حافظه ماهی قرمز» هستند؛ یعنی به محض طولانی شدن گفتگو یا شروع یک جلسه جدید، جزئیات حیاتی را فراموش می‌کنند. متا برای حل این مشکل، از پنجره‌های متنی غیرفعال فاصله گرفته و سیستمی را طراحی کرده که به‌طور فعال مدیریت می‌کند چه چیزی را به خاطر بسپارد و روی کدام هدف تمرکز کند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، مدیریت داده‌های کاربر در مدل‌های عامل‌محور، حساس‌ترین بخش این تکامل است.

مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — در این نسخه دیگر فقط یک پاسخ‌دهنده نیست، بلکه یک مدیر پروژه است. طبق گزارش research.meta.ai، خانواده Muse Wonder شامل دو نسخه اصلی Muse Wonder و Muse Wonder Full است. این مدل‌ها در مرکز داده Prometheus با مقیاس گیگاوات آموزش دیده‌اند. این دستاورد حاصل یک بازسازی کامل و بنیادین در زیرساخت هوش مصنوعی متا است که از چهارده ماه پیش آغاز شد. در این بازسازی، متا کل پشته (Stack) نرم‌افزاری خود را از اصول اولیه دوباره ساخت تا مرزهای ممکن در این فناوری را جابه‌جا کند.

زمانی که متا پیش‌تر Muse Spark را معرفی کرد، رویکردی برای مقیاس‌بندی پیش‌بینی‌پذیر و دقیق را ترسیم نمود. انتشار فعلی بر همان بنیاد استوار است و در هر دو بخش پیش‌آموزش (Pretraining) و یادگیری تقویت‌شده (Reinforcement Learning) توسعه یافته تا توانمندترین مدل‌های تاریخ این شرکت را ارائه دهد.

دو مکانیزم اصلی، قدرت عامل‌محور (Agentic) این مدل‌ها را می‌سازد:

• حافظه فعال (Active Memory): برخلاف روش‌های رایج تولید بازیابی‌افزا (RAG) یا پنجره‌های متنی طولانی — که شبیه دانش‌آموزی است که قبل از جواب دادن، اول کتاب درسی را باز می‌کند و از آن نقل می‌آورد — این سیستم بستر کاربر را در گفتگوهای مختلف حفظ می‌کند. این مدل تشخیص می‌دهد چه زمانی اطلاعات قدیمی دوباره مرتبط می‌شوند و جزئیات خاص را تنها زمانی که برای تسک فعلی لازم باشد، بازیابی می‌کند.
• تمرکز فعال (Active Focus): این قابلیت به مدل اجازه می‌دهد در پروژه‌های طولانی استقامت کند. این مکانیزم باعث می‌شود AI وقتی با مانعی مواجه می‌شود، رویکردهای جایگزین را امتحان کند، موانع را تحلیل کرده و بر اساس اطلاعات جدید خود را تطبیق دهد. همچنین، مدل پیش از انجام اقدامات حساس و پرریسک، از کاربر درخواست شفاف‌سازی می‌کند.

به نقل از مستندات متا، این مدل‌ها در بنچمارک‌های تخصصی، به‌ویژه در حوزه‌های شخصی و حرفه‌ای، حافظه و برنامه‌نویسی، رکوردهای جدیدی ثبت کرده‌اند. این مدل‌ها می‌توانند دانش تخصصی خود را در مسائل روزمره به کار بگیرند؛ برای مثال، تحلیل اطلاعات بهداشتی، داده‌های مالی یا درک مفاهیم پیچیده یک قرارداد اجاره. این توانمندی‌ها در کنار اتصالات جدیدی که متا برای تبدیل عامل Muse به یک مدیر عملیاتی در کسب‌وکارهای کوچک ارائه کرد، پتانسیل مدل را برای مدیریت واقعی امور اداری افزایش می‌دهد.

• تسلط حقوقی: در تسک‌های حقوقی، مدل‌ها با استفاده از Harvey’s Legal Agent Benchmark (LAB) تست شدند. این آزمون مستلزم آن است که AI با اسناد منبع کار کند و دستورالعمل‌های دقیق را دنبال کند تا خروجی‌های حقوقی حرفه‌ای تولید نماید.
• مهندسی نرم‌افزار: متا از FocusBench و SWE-Marathon برای ارزیابی اجرای مستمر پروژه‌های نرم‌افزاری طولانی استفاده کرد.
• تنوع در کدنویسی: این مدل‌ها اکنون می‌توانند همه چیز، از اپلیکیشن‌های کوچک تا معماری‌های پیچیده نرم‌افزاری را مدیریت کنند. آن‌ها این کار را از طریق ردیابی نیازمندی‌ها، اعمال تغییرات در سراسر کدبیس و تکرار چرخه‌های متوالی تست و بازبینی انجام می‌دهند.

برای نمایش این قدرت، متا ویدئویی منتشر کرد که در آن Muse Wonder تنها با استفاده از تصاویر ورودی قابل شخصی‌سازی، یک بازی سه-بعدی آشپزخانه قابل بازی ساخت.

یکی از چالش‌های بزرگ صنعت، پدیده «بنچ‌مکسینگ» (Benchmaxxing) است؛ وضعیتی که مدل‌ها در آزمون‌های خاص نمره عالی می‌گیرند اما در دنیای واقعی شکست می‌خورند. در مقابل آن، مفهومی به نام «بوی مدل بزرگ» (Big Model Smell) وجود دارد که به گستره‌ای از قابلیت‌ها اشاره می‌کند که بنچمارک‌های استاندارد قادر به ثبت کامل آن‌ها نیستند.

پژوهشگران متا برای کمی‌سازی این عدم تطابق، بررسی کردند که چگونه عملکرد در تسک‌های هدف‌گذاری شده در مرحله پس‌آموزش (In-distribution) با عملکرد در تسک‌های ناشناخته (Out-of-distribution) در هنگام مقیاس‌بندی محاسبات زمان استنتاج مرتبط است. آن‌ها Muse Wonder Full را در برابر Muse Spark 1.3 مقایسه کردند.

یافته‌ها نشان می‌دهد که با افزایش محاسبات (Compute) در زمان استنتاج — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند و شبیه خودِ آشپزی است، نه دوره‌ی آموزش آشپز — مدل Muse Wonder Full در تسک‌های غریبه بسیار بهتر از آنچه روند Muse Spark 1.3 پیش‌بینی می‌کرد، عمل می‌کند. متا این موفقیت را مدیون استفاده از مدل‌های بنیادی (Foundation Model) بزرگ‌تر و قوی‌تر می‌داند. یک مدل پایه قوی‌تر تضمین می‌کند که دستاوردهای پس‌آموزش به‌طور موثرتری به تسک‌های ناشناخته منتقل شوند؛ امری که برای عامل‌های شخصی که باید ترکیبات پیش‌بینی‌ناپذیری از اهداف، ابزارها و محدودیت‌ها را مدیریت کنند، حیاتی است.

به دلیل دسترسی عمیق این عامل‌ها به تقویم، پیام‌ها و اسناد خصوصی، متا حفاظ‌های (Guardrails) جدیدی را پیاده کرده است. این مدل‌ها به‌گونه‌ای طراحی شده‌اند که در برابر دستورات خصمانه مقاوم باشند و در مواجهه با داده‌های خصوصی برای جلوگیری از سوءاستفاده، احتیاط و صلاحدید به خرج دهند.

به‌طور خاص، شرکت سخت‌گیرانه‌ترین فیلترهای خود را برای جلوگیری از سوءاستفاده‌های سایبری و CBRN (شیمیایی، بیولوژیکی، رادیولوژیکی و هسته‌ای) اعمال کرده است. با این حال، طبق Meta Superintelligence Scaling Framework، دسترسی به قابلیت‌های پیشرو سایبری برای کاربردهای دفاعی حفظ شده است.

متا Muse Wonder را هماهنگ‌ترین (Aligned) مدل خود تا به امروز توصیف می‌کند و اشاره دارد که «تراز کردن» یا Alignment، هسته مرکزی توسعه ابر‌هوش شخصی است. انتظار می‌رود به‌زودی گزارش کاملی شامل ارزیابی‌های ایمنی تکمیلی منتشر شود.

دسترسی به این مدل‌ها به صورت لایه‌بندی شده بر اساس نوع کاربر و سطح اشتراک است:

• Muse Wonder: هم‌اکنون از طریق API مدل‌های متا و Muse Code در دسترس است.
• Muse Wonder Full: منحصراً برای مشترکین Muse Code ارائه می‌شود.
• یکپارچگی مصرف‌کننده: این مدل‌ها به‌زودی در تجربه کاربری Muse فعال شده و ابتدا برای مشترکین عرضه می‌شوند. آن‌ها همچنین قدرت‌بخش تولید آرتیفکت‌ها و سایر فرآیندهایی خواهند بود که به هوش بالاتری نیاز دارند.

در آینده، متا قصد دارد از Muse Wonder برای توسعه مدل‌های تخصصی استفاده کند که بتوان آن‌ها را در اختیار همه کاربران پلتفرم Muse قرار داد. این استراتژی در راستای توسعه SDKهای Muse Gadgets است که اجازه می‌دهد مدل‌های زبانی به ابزارهای فیزیکی و سخت‌افزارهای سفارشی متصل شوند و کاربرد AI را از محیط دیجیتال به دنیای مادی گسترش دهد.

این تغییر، هوش مصنوعی را از ابزاری که شما به آن پرامپت می‌دهید، به همکاری تبدیل می‌کند که جریان کاری خود را مدیریت می‌کند. با ادغام این مدل‌ها در مرورگر و اپلیکیشن‌های مختلف — مانند طراحی یک برنامه دویدن بر اساس داده‌های نقشه و ترجیحات شخصی — متا در حال تبدیل AI به یک نماینده (Proxy) دیجیتال برای کاربر است.

برای یک متخصص، این یعنی AI از یک ابزار پیش‌نویس به یک مدیر پروژه تبدیل می‌شود. توانایی ساخت یک بازی سه-بعدی از روی یک تصویر یا یک برنامه ورزشی پیچیده بر اساس داده‌های سلامتی شخصی، نویدبخش آینده‌ای است که در آن «پرامپت» جای خود را به «هدف سطح بالا» می‌دهد.

گام بعدی شما

• اگر برنامه‌نویس هستید، قابلیت‌های Muse Code را برای مدیریت پروژه‌های چندفایلی تست کنید.
• در تنظیمات Muse، دسترسی‌های حافظه را بررسی کنید تا ببینید مدل چگونه ترجیحات شما را در طول زمان ردیابی می‌کند.
• برای تسک‌های پیچیده، به‌جای دستورات تک‌مرحله‌ای، یک «هدف نهایی» تعریف کنید و اجازه دهید مدل مسیر رسیدن به آن را طراحی کند.

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