مدل چندوجهی Jev-Omni معرفی شد: تصمیم‌گیری فوق‌سریع بین متن، تصویر، صدا و ویدیو در چند میلی‌ثانیه!

امتیازدهی هوشمند به گزینه‌ها در چهار حالت مختلف

مدل Jev-Omni یک طبقه‌بندی‌کننده متن‌باز با ۱۲ میلیارد پارامتر است که می‌تواند ورودی‌های متنی، تصویری، صوتی یا ویدیویی را دریافت کند و به هر یک از پاسخ‌های ارائه‌شده یک احتمال و نمره مشخص اختصاص دهد. در واقع هر درخواست شامل یک وضعیت (همان زمینه‌ای که قرار است بررسی شود) به همراه یک سوال و گزینه‌های پیشنهادی است. این ساختار خروجی ثابت به اپلیکیشن‌ها اجازه می‌دهد بدون دردسر تحلیل متن‌های طولانی و ناهماهنگ، مستقیماً به تصمیم‌های ساختاریافته دست پیدا کنند.

این مدل بر پایه نسخه Gemma 4 12B IT و با آموزش روی ۳۰ هزار سوال بهینه‌سازی (فاین‌تیون) شده است. به گفته سازنده، این مدل اولین چک‌پوینت قابل دانلودی است که از هر چهار حالت ورودی در قالب یک رابط تصمیم‌گیری واحد پشتیبانی می‌کند؛ قابلیتی که بسیاری از مدل‌های متن‌باز دیگر از آن بی‌بهره‌اند. این پروژه تحت مجوز آپاچی ۲.۰ (Apache-2.0) منتشر شده، اما توسعه‌دهندگان باید شرایط و قوانین مربوط به کامپوننت‌های پایه Gemma را هم که توسط لودر دانلود می‌شوند در نظر بگیرند.

انتخاب‌های ثابت، احتمال‌های واقعی و کاربردی

مدل‌های چندوجهی زایشی معمولاً رشته‌ای از توکن‌ها تولید می‌کنند که سیستم‌های نرم‌افزاری باید آن‌ها را اعتبارسنجی و تجزیه کنند. در مقابل، Jev-Omni مستقیماً به گزینه‌هایی که برای هر سوال مشخص شده امتیاز می‌دهد و نیاز به عبارات منظم (Regex)، کدگشایی مقید (Constrained Decoding) یا استفاده از یک مدل قاضی جداگانه را از بین می‌برد.

رابط کاربری تصمیم‌گیری این مدل از سوالات بله/خیر، چندگزینه‌ای و امتیازدهی پشتیبانی می‌کند. در ارزیابی‌های مربوط به بنچمارک DecisionBench، گزارش مدل نشان‌دهنده خطای کالیبراسیون مورد انتظار ۰.۰۴۰۰ در ۱۰ بخش اطمینان مختلف است. این معیار فاصله میان اطمینان پیش‌بینی‌شده و دقت مشاهده‌شده را می‌سنجد؛ به این معنی که میانگین این اختلاف در آزمون‌ها تنها حدود ۴ درصد بوده است. البته این کالیبراسیون ممکن است با ورود داده‌های جدید یا در شرایط استقرار متفاوت تغییر کند.