معرفی مدل هوش مصنوعی Fern 0.1؛ پنجره زمینه ۱۰ میلیون توکنی برای توسعه‌دهندگان

مقدمه

مدل Fern 0.1 نخستین محصول تجاری آزمایشگاه آمریکایی Mirendil است که توسط پژوهشگران سابق Anthropic و گوگل بنیان‌گذاری شده و در تاریخ ۲۶ اکتبر ۲۰۲۶ معرفی شده است. این مدل در واقع نسخه پس‌آموزش‌دیده کوتاه‌مدت مدل Mirendil-Base به شمار می‌رود. تیم Mirendil مدعی است که این مدل از پنجره زمینه‌ای با ظرفیت شگفت‌انگیز ۱۰ میلیون توکن (معادل حدود ۲۳ مگابایت کد یا نزدیک به ۵۰۰ هزار خط برنامه) پشتیبانی می‌کند؛ ظرفیتی که مشخصاً برای سازندگان و پژوهشگران هوش مصنوعی طراحی شده تا بتوانند داده‌های پیش‌آموزش را بازبینی کنند، فرآیندهای آموزش را از روی لاگ‌ها دیباگ نمایند و ردپای کامل رفتار ایجنت‌ها را از ابتدا تا انتها مورد ارزیابی قرار دهند.

بر اساس بیانیه رسمی با عنوان معرفی Fern، این ابزار نخستین مدلی است که Mirendil از پایه آموزش داده و نسخه ۰.۱ نقطه آغازین آن به شمار می‌رود که قرار است با به‌روزرسانی‌های پیوسته همراه شود. افزون بر این، مدل‌های بسیار بزرگ‌تر Mirendil-Base-Large (با مقیاس ۰٫۵ تا ۲ تریلیون پارامتر) و Base-XL (با مقیاس ۲ تا ۱۰ تریلیون پارامتر) هنوز در مرحله پیش‌آموزش قرار دارند. در حال حاضر امکان ثبت‌نام برای دسترسی اولیه فراهم شده است؛ اما هیچ وزن عمومی، قیمت‌گذاری API یا ارزیابی مستقل و جامعی در بیانیه اولیه منتشر نشده است.

توضیحات و جایگاه محصول

مدل Fern به‌عنوان یک مدل ایجنت با پنجره زمینه بسیار طولانی برای توسعه‌دهندگان هوش مصنوعی معرفی شده است و نباید آن را یک چت‌بات عمومی برای کاربران عادی دانست. ویژگی‌های محوری برجسته‌شده توسط Mirendil عبارت‌اند از:

• کدنویسی مستقل و ایجنتی روی مخازن بزرگ نرم‌افزاری (اجرای دستورات، خواندن خروجی‌ها و ادامه چرخه تا زمان قبولی تمامی تست‌ها)
• توسعه کدهای پژوهشی از جمله حلقه‌های آموزش، خطوط لوله پردازش داده و فرآیندهای ارزیابی
• دیباگ و خطایابی تخصصی از طریق لاگ‌های بسیار حجیم و ردپای خطاها (Stack Traces)
• تحلیل رفتار و ردپای کامل ایجنت‌ها یا فرایند آموزش از ابتدا تا انتها
• وارسی و پاکسازی بلوک‌های پیش‌آموزش به منظور حذف داده‌های تکراری، آلودگی‌های متنی و محتوای نامناسب

بررسی شواهد تجربی ارائه‌شده از عملکرد مدل

• تیم توسعه‌دهنده در بنچمارک RULER روی پنجره زمینه ۱۰ میلیون توکنی مدل پایه، ادعای دستیابی به‌دقت نزدیک به ۱۰۰ درصدی در بازیابی تک‌هدف و دقت حدود ۴۵ درصدی در پرسش‌های چندمرحله‌ای (روی نمونه‌های کوچک نزدیک به ۲۰ تستی) را گزارش کرده است که همگی آمارهای خوداظهاری در مقیاسی محدود هستند.
• منحنی‌های داخلی پیش‌بینی توکن بعدی روی مخازن کد خود شرکت نشان می‌دهد که با افزایش پنجره زمینه، عملکرد بهبود می‌یابد؛ با این حال، نمی‌توان چنین رفتاری را لزوماً به همه مخازن نرم‌افزاری دیگر تعمیم داد.
• طبق اعلام شرکت، نتایج ارزیابی جامع‌تری در آینده منتشر خواهد شد؛ زیرا در متن فعلی، نمرات مربوط به بنچمارک‌های استاندارد ایجنتی به چشم نمی‌خورد.

جایگاه Fern در مقایسه با مدل‌های پایه Mirendil

پیش از این، مدل پایه Mirendil-Base و مدل‌های در حال توسعه آن مورد توجه محافل فنی قرار گرفته بود. اکنون Fern به‌عنوان نخستین محصول نهایی پس‌آموزش‌دیده توسط این تیم رونمایی شده است تا مسیر تجاری‌سازی آن رسماً آغاز شود.

نحوه دسترسی و استفاده

1. مطالعه اطلاعیه رسمی: بیانیه رسمی معرفی Fern در وب‌سایت Mirendil
2. ثبت درخواست دسترسی زودهنگام در وب‌سایت رسمی شرکت
3. دنبال کردن حساب کاربری mirendil@ برای آگاهی از عرضه وزن‌ها یا API؛ هرچند پلتفرم Baseten به‌عنوان شریک ارائه‌دهنده زیرساخت استنتاج برای ارزیابی‌های اولیه ذکر شده، اما هنوز شیوه فراخوانی عمومی نسخه ۰.۱ مشخص نشده است.

این مدل برای چه کسانی کاربرد دارد؟

• آزمایشگاه‌های هوش مصنوعی و تیم‌های زیرساخت که نیازمند تحلیل مخازن عظیم کد، لاگ‌های حجیم یا ردپای عملکرد ایجنت‌ها هستند.
• پژوهشگرانی که در پی سنجش کارایی ایجنت‌های پژوهشی و کدنویسی در پنجره‌های زمینه فوق‌طولانی هستند.

نکات احتیاطی و محدودیت‌ها

• هنوز وزن‌های عمومی یا مدل قیمت‌گذاری منتشر نشده است؛ بنابراین امکان استقرار محلی یا آزمایش بر پایه هزینه به ازای هر توکن در حال حاضر وجود ندارد.
• پشتیبانی از ۱۰ میلیون توکن زمینه در حال حاضر یک ادعای معماری و زیرساختی است و کارایی عملیاتی و هزینه‌های حافظه (مانند KV Cache و تاخیر پاسخ) به ارزیابی‌های مستقل نیاز دارد.
• حجم مدل Fern 0.1 در رده ۰٫۱ تا ۰٫۵ تریلیون پارامتر تخمین زده می‌شود و مدل‌های بزرگ‌تر آن همچنان در فاز آموزش هستند.