كشفت مختبرات Meta Superintelligence Labs عن نموذجها الجديد Muse Ember، وهو أصغر نموذج ذكاء اصطناعي في عائلة Muse حتى الآن. تم تطوير هذا النموذج خصيصاً ليكون المحرك التنفيذي للوكلاء الرقميين (AI Agents)، حيث يركز على أداء المهام المتكررة والمحددة ضمن سير العمل، مثل كتابة الأكواد البرمجية البسيطة، واستخراج البيانات من المستندات، وتصنيف طلبات العملاء، وذلك بتكلفة تشغيلية منخفضة جداً مقارنة بالنماذج الضخمة.
استراتيجية التخطيط والتنفيذ: التكامل بين النماذج
تعتمد ميتا في فلسفتها الجديدة على تقسيم العمل بين مستويات مختلفة من الذكاء الاصطناعي. في هذا النظام، تتولى النماذج الكبيرة مثل Muse Wonder أو Muse Spark مهام التخطيط الاستراتيجي واتخاذ القرارات المعقدة. على سبيل المثال، يمكن لنموذج Wonder تحديد سياسات استرداد الأموال لعميل ما، بينما يتولى Muse Ember تنفيذ هذه القواعد على آلاف الطلبات، والتحقق من سجلات الطلبات، وتوجيه الحالات التي تتطلب تدخلاً بشرياً إلى الفرق المختصة.
هذا الفصل بين "العقل المخطط" و"العضلات المنفذة" يهدف إلى تقليل الفاتورة الإجمالية للمطورين، حيث إن استخدام نموذج صغير للمهام الروتينية يقلل من تكلفة كل عملية (Inference) بشكل كبير مقارنة باستخدام نموذج ضخم لكل خطوة.
القدرات التقنية والوسائط المتعددة
لا يقتصر Muse Ember على معالجة النصوص فقط، بل يتميز بقدرات متعددة الوسائط (Multimodal)، حيث يمكنه استقبال مدخلات تشمل الصور، الصوت، الفيديو، وملفات PDF، مع إنتاج مخرجات نصية. هذا يجعله مثالياً لمهام مثل استخراج تواريخ الدفع من فواتير ممسوحة ضوئياً أو تلخيص نقاط العمل من تسجيلات الاجتماعات الصوتية.
- نافذة السياق (Context Window): تصل إلى مليون توكن، مما يسمح للنموذج بفحص مجموعات ضخمة من المستندات أو قواعد الأكواد البرمجية في طلب واحد.
- حد المخرجات: يمكن للنموذج إنتاج ما يصل إلى 524 ألف توكن في الرد الواحد.
التكلفة والأداء في الاختبارات المعيارية
قدمت ميتا هيكلة سعرية تنافسية عبر Meta Model API وMuse Code. تبدأ تكلفة مليون توكن من المدخلات من 0.10 دولار (للمطالبات التي لا تتجاوز 200 ألف توكن)، بينما تبلغ تكلفة مليون توكن من المخرجات 0.50 دولار. وتزداد هذه الأسعار في حال تجاوزت المطالبة حد الـ 200 ألف توكن لتصل إلى 0.30 دولار للمدخلات و1.50 دولار للمخرجات.
أظهرت الاختبارات تفوقاً ملحوظاً لـ Muse Ember في بعض المجالات؛ ففي اختبار AutomationBench-AA الذي يقيس العمليات متعددة الخطوات، حقق النموذج نسبة نجاح بلغت 37.8%، متفوقاً على نموذج GPT-6 Luna من OpenAI (20.2%) ونموذج Claude Haiku 5.5 من Anthropic (13.9%). ومع ذلك، في اختبار البرمجة FrontierCode 2.0-AA، تفوق نموذج Claude Haiku 5.5 بنسبة 34.9% مقابل 27.2% لـ Muse Ember.
ما الذي يتغير عملياً؟
يمثل إطلاق Muse Ember تحولاً في كيفية بناء تطبيقات الذكاء الاصطناعي؛ فبدلاً من الاعتماد على نموذج واحد ضخم ومكلف للقيام بكل شيء، يتجه المطورون نحو بنية تحتية هجينة. هذا التوجه يحل مشكلة التكلفة العالية والبطء في تنفيذ المهام الروتينية، مما يفتح الباب أمام وكلاء رقميين قادرين على العمل على نطاق واسع (Scale) وبكفاءة اقتصادية تجعل الأتمتة الكاملة للمهام الإدارية والبرمجية البسيطة أمراً واقعياً ومجدياً تجارياً.
كيف أعددنا هذا الخبر؟
اعتمد الخبر على المصدر الأصلي الموضح أعلاه. قد نستخدم أدوات آلية للمساعدة في الاستخراج والتصنيف والصياغة،
لكن النشر يخضع لقواعد تمنع المحتوى المكرر والقصير أو الروتيني منخفض القيمة.
اقرأ سياستنا التحريرية.