انویدیا با عرضه مدل‌های وزنباز جدید Nemotron هوش مصنوعی مستقل را به اروپا می‌آورد

انویدیا در تلاش است تا با عرضه مجموعه‌ای تازه از مدل‌های وزنباز در حوزه‌های چت‌بات، مراقبت‌های بهداشتی و رباتیک، سهم بزرگی از بازار روبه‌رشد «هوش مصنوعی مستقل» (Sovereign AI) در اروپا را از آن خود کند.

توسعه‌دهندگان بزرگ هوش مصنوعی منابع مالی و پردازشی عظیمی برای ساخت مدل‌های پیشرفته از نقطه صفر در اختیار دارند؛ اما بیشتر شرکت‌ها و کسب‌وکارها از چنین امکاناتی بی‌بهره‌اند و چاره‌ای جز این ندارند که مدل‌های وزنباز عرضه‌شده توسط شرکت‌هایی مانند میسترال (Mistral) یا اچ کمپانی (H Company) را با مجموعه‌داده‌های اختصاصی خود فاین‌تیون (بهینه‌سازی اختصاصی) کنند.

انویدیا در جریان کنفرانس GTC برلین، با به‌روزرسانی مدل امبدینگ Nemotron Retriever و معرفی مدل‌های خودرو خودران Alpamayo، جدیدترین اعضای خانواده مدل‌های وزنباز خود را رونمایی کرد.

نقش و اهمیت حیاتی مدل‌های امبدینگ

مدل‌های امبدینگ شاید پرهیاهوترین بخش از دنیای هوش مصنوعی نباشند، اما بدون شک از کاربردی‌ترین ابزارها برای نرم‌افزارهای سازمانی به شمار می‌روند. فرآیند تولید ارتقایافته با بازیابی اطلاعات (RAG) که نقشی بنیادین در توسعه سیستم‌های جستجوی هوشمند دارد، وابستگی شدیدی به بردارهای امبدینگ تولیدشده توسط این مدل‌ها پیدا کرده است.

در یک نگاه کلی، سازوکار RAG به این صورت است که اسناد و محتوا را به تکه‌های کوچک‌تر خرد کرده و سپس آنها را به بردارهای ریاضی به نام امبدینگ تبدیل می‌کند. این امبدینگ‌ها پیش از ورود به پنجره زمینه (کانتکست) مدل زبانی، بر اساس میزان ارتباط با پرسش کاربر رتبه‌بندی می‌شوند.

جدیدترین مدل‌های امبدینگ و بازرتبه‌بندی (Reranking) انویدیا که بر پایه معماری Nemotron 3.5 توسعه یافته‌اند، از امبدینگ متنی و تصویری در ۳۴ زبان مختلف پشتیبانی می‌کنند. این مدل‌ها در اندازه‌هایی بین ۱ تا ۸ میلیارد پارامتر عرضه می‌شوند و نسخه‌های کوانتیزه‌شده NVFP4 آنها نیز برای اجرا روی شتاب‌دهنده‌های جدید مبتنی بر معماری بلک‌ول (Blackwell) در دسترس قرار گرفته‌اند. این ابعاد آن‌قدر بهینه است که به‌راحتی روی سیستمی مانند DGX Spark اجرا می‌شود و بخش عمده‌ای از حافظه را برای اجرای مدل‌های دیگر خالی می‌گذارد.

اگرچه ادعاهای ارائه‌دهندگان را باید همواره با احتیاط ارزیابی کرد، اما انویدیا مدعی است که مدل‌های امبدینگ و بازرتبه‌بندی ۸ میلیارد پارامتری جدیدش با دقت BF16، بالاترین رتبه را در میان مدل‌های متراکم (Dense) در بنچمارک ViDoRe V3.1 کسب کرده‌اند.

با این حال، تبدیل همه اسناد به بردار امبدینگ کار آسانی نیست. فایل‌های PDF چالشی تاریخی و نام‌آشنا برای مدل‌های امبدینگ به حساب می‌آیند؛ چراکه این فایل‌ها معمولاً از روی متون چاپی اسکن شده‌اند و استخراج متن و پردازش جداول و نمودارهای آنها نیازمند تجزیه بصری پیچیده‌ای است. انویدیا برای رفع این مشکل، نسخه ارتقایافته مدل Nemotron Parse را ارائه کرده که به‌طور ویژه برای استخراج دقیق اطلاعات از دل اسناد PDF آموزش دیده است.

به گفته انویدیا، نسخه ۱ میلیارد پارامتری این مدل هنگام اجرا روی یک پردازشگر H100 قادر است تقریباً ۱۰٫۵ صفحه سند را در هر ثانیه پردازش کند.

در کنار مدل‌های جدید امبدینگ، انویدیا از مدل Alpamayo 2 Edge نیز پرده برداشت؛ نسخه‌ای فشرده‌تر از مدل رانندگی خودران این شرکت که پردازش آنی ویدیوهای زنده و داده‌های حسگرها را هنگام اجرا روی پلتفرم DRIVE AGX Thor امکان‌پذیر می‌کند.

عرضه این مدل‌ها درست یک هفته پس از رونمایی مدل بینایی-زبانی Nemotron 3.5 Super و پیش‌نمایش مدل Nemotron 3.5 Bolt انجام می‌شود؛ مدلی با ۷۴ میلیارد پارامتر و مبتنی بر معماری ترکیب متخصصان (MoE) که به‌گونه‌ای بهینه‌سازی شده تا فقط در ۲۴ گیگابایت حافظه ویدیویی (VRAM) جای بگیرد. انویدیا وعده داده که این مدل از روز جمعه برای دانلود عمومی آماده خواهد بود.

اگرچه مدل‌های باز، مسیری هموارتر برای دستیابی به هوش مصنوعی مستقل پیش پای سازمان‌ها و دولت‌ها می‌گذارند، اما نحوه انتشار مدل‌های انویدیا با دیگران تفاوت مهمی دارد. بخش عمده مدل‌های وزنباز در بازار شبیه به جعبه سیاه هستند؛ به این معنا که همه می‌توانند وزن‌های مدل را دانلود کنند، اما داده‌های آموزشی و مراحل تبدیل داده‌ها به این وزن‌ها کاملاً نامشخص است. در سوی مقابل، انویدیا رویه متفاوتی در پیش گرفته و در کنار وزن‌ها، داده‌های آموزشی و دستورالعمل‌های مورد استفاده برای تولید مدل نهایی را نیز به‌طور عمومی منتشر می‌کند.

این شفافیت به کاربران و سازمان‌ها اجازه می‌دهد نه تنها لایه‌های درونی مدل را موشکافی کنند، بلکه بتوانند یک مدل کاملاً سفارشی بر پایه معماری Nemotron انویدیا بسازند، نه اینکه تنها به اصلاح دیرهنگام وزن‌ها از طریق فاین‌تیون متکی باشند. گفتنی است انویدیا در این مسیر تنها نیست و مؤسسه آلن نیز پیش‌تر با مدل‌های OLMo رویکرد مشابهی را در انتشار متن‌باز داده‌ها و دستورالعمل‌های آموزشی به کار گرفته بود.