مدل‌های هوش مصنوعی با وزن‌های باز چیستند و چگونه روی کامپیوتر اجرا می‌شوند؟

شاید شما هم بدون توجه به اینکه چه شرکتی مدل پشتیبان یک چت‌بات را کنترل می‌کند، از آن استفاده کرده باشید؛ اما ناگهان یک به‌روزرسانی نحوه پاسخ‌دهی آن را تغییر می‌دهد، یا شاید می‌خواهید برای انجام کاری محرمانه از هوش مصنوعی کمک بگیرید و ترجیح می‌دهید داده‌هایتان روی کامپیوتر خودتان باقی بمانند.

یک مدل با وزن‌های باز (Open-weight) به شما امکان می‌دهد هوش مصنوعی از پیش آموزش‌دیده را دانلود کنید و خودتان آن را به اجرا درآورید. برای استفاده از چنین مدلی به یک نرم‌افزار واسط و کامپیوتری با توان پردازشی کافی نیاز دارید، اما در عوض یک نسخه همیشه کارآمد را در اختیار خواهید داشت. اگرچه چت‌بات‌ها بیشترین توجه را به خود جلب می‌کنند، اما مدل‌های تولید تصویر و ویدیو نیز نسخه‌هایی با وزن‌های باز ارائه می‌دهند.

با این حال، دانلود یک مدل هوش مصنوعی لزوماً به معنای دسترسی نامحدود به همه امکانات یا شفافیت کامل در فرایند ساخت آن نیست. درواقع هرچند استقلال بیشتری در استفاده از هوش مصنوعی به دست می‌آورید، اما واژه «باز» ناگفته‌های زیادی به‌همراه دارد. در این مقاله به این موضوع می‌پردازیم که مدل‌های وزن‌باز دقیقاً چه هستند، چه کاربردهایی دارند و پیش از استفاده از آن‌ها چه نکاتی را باید مد نظر قرار دهید.

مدل‌های با وزن‌های باز چه هستند و چگونه کار می‌کنند؟

در یک چت‌بات، مدل هوش مصنوعی همان نرم‌افزاری است که پاسخ‌ها را تولید می‌کند. در طول فرایند آموزش، مدل با تنظیم میلیاردها مقدار عددی که «وزن‌های شبکه عصبی» نامیده می‌شوند، الگوها را فرا می‌گیرد. هنگامی که سؤالی می‌پرسید، مدل با تکیه بر پرامپت شما و این الگوهای یادگرفته‌شده، کلمات بعدی را پیش‌بینی می‌کند و پاسخ خود را بخش به بخش می‌سازد.

توسعه‌دهندگان مدل‌های بسته، از جمله سازندگان ChatGPT و Claude، وزن‌های مدل‌های خود را محرمانه نگه می‌دارند؛ اما یک مدل با وزن‌های باز، این مقادیر آموزش‌دیده را به‌صورت عمومی منتشر می‌کند. این یعنی می‌توانید آن‌ها را به رایگان دانلود کنید و با نرم‌افزارهای سازگار، نسخه اختصاصی خودتان را اجرا نمایید.

پی‌یر استوک، معاون بخش علمی در شرکت هوش مصنوعی Mistral، در این زمینه توضیح می‌دهد: «هنگامی که وزن‌های یک مدل را در دسترس عموم قرار می‌دهید، این مقادیر در تمام گوشه‌وکنار اینترنت مانند Hugging Face و سرورهای مختلف پخش می‌شوند؛ بنابراین قطع دسترسی به چنین مدلی عملاً غیرممکن خواهد بود.»

به کمک یک مدل و برنامه رایگان، می‌توانید بدون نیاز به خرید اشتراک یا پرداخت هزینه، به‌صورت محلی گفتگو کنید. از آن مهم‌تر، این راه‌اندازی کاملاً محلی مانع از ارسال پرامپت‌ها و فایل‌های شخصی شما به سرورهای شرکت‌های ارائه‌دهنده می‌شود.

اگر مهارت فنی بالایی ندارید اصلاً نگران نباشید، زیرا برای این کار نیازی به کدنویسی یا کار با محیط ترمینال نخواهید داشت. برنامه‌های دسکتاپ نظیر LM Studio، Ollama و Jan به شما امکان می‌دهند با یک نصب ساده، مدل‌های با وزن‌های باز را دانلود و اجرا کنید و رابط کاربری مشابه ChatGPT را درست روی مک یا ویندوز خود تجربه نمایید. البته همچنان به سیستمی نیاز دارید که توان پردازش مدل انتخابی شما را داشته باشد؛ اما پس از راه‌اندازی، می‌توانید حتی در حالت کاملاً آفلاین نیز به تعامل با مدل ادامه دهید.

علاوه بر این، در صورتی که شرایط مجوز مدل اجازه دهد و دانش فنی لازم را داشته باشید، می‌توانید مدل را با آموزش تکمیلی مطابق نیازهای خود بهینه‌سازی کنید، بدون اینکه مجبور باشید یک مدل جدید را از ابتدا آموزش دهید.

تفاوت مدل‌های وزن‌باز با مدل‌های متن‌باز

بسیاری از افراد این دو اصطلاح را به اشتباه به‌جای یکدیگر به کار می‌برند، اما معنای آن‌ها یکسان نیست. یک مدل با وزن‌های باز می‌تواند متن‌باز هم باشد، اما صرفاً انتشار وزن‌ها طبق تعریف بنیاد پیشگامان متن‌باز (OSI) برای متن‌باز نامیده شدن یک پروژه کافی نیست.

طبق استاندارد OSI، توسعه‌دهندگان باید کدهای مورد استفاده برای آموزش و اجرای مدل را نیز به اشتراک بگذارند. آن‌ها هم‌چنین موظف‌اند اطلاعات کافی درباره داده‌های آموزشی ارائه دهند تا یک فرد متخصص بتواند مدلی با عملکرد مشابه بسازد. در عین حال، شرایط مجوز باید به همه اجازه استفاده، مطالعه، تغییر و اشتراک‌گذاری آزادانه مدل را بدهد.

بر اساس تعریف OSI، توسعه‌دهندگان ملزم به انتشار تمام داده‌های خام آموزشی نیستند؛ اما بنیاد نرم‌افزار آزاد (FSF) تأکید دارد که داده‌ها نیز باید بخشی از این دسترسی آزاد باشند تا کاربران بتوانند خودشان داده‌ها را بررسی کرده و تغییر دهند.

برخی مجوزهای مدل‌های وزن‌باز، استفاده تجاری را محدود می‌کنند؛ یعنی ممکن است دانلود مدل رایگان باشد، اما اجازه استفاده از آن در محصولی تجاری را نداشته باشید. چنین محدودیتی مدل را از تعریف رسمی متن‌باز خارج می‌کند. در مقابل، یک مجوز متن‌باز واقعی همچنان می‌تواند کاربران را ملزم کند که در صورت اعمال تغییرات، نسخه جدید را نیز تحت همان شرایط آزاد منتشر کنند.

کدام مدل‌های هوش مصنوعی دارای وزن‌های باز هستند؟

در حال حاضر مدل‌های چینی در رتبه‌بندی‌های هوش مؤسسه تحلیلی مستقل Artificial Analysis برای مدل‌های با وزن‌های باز پیشتاز هستند. علاوه بر مدل شناخته‌شده DeepSeek، مدل Kimi K3 از شرکت Moonshot AI و خانواده مدل‌های Qwen3.8 متعلق به علی‌بابا نیز گزینه‌های قدرتمندی به‌شمار می‌روند که با وزن‌های دانلودی عرضه شده‌اند.

در سوی دیگر، شرکت‌های مطرح آمریکایی نیز مدل‌هایی در این حوزه ارائه کرده‌اند. به‌عنوان مثال، OpenAI مدل‌های gpt-oss را جدا از چت‌بات ChatGPT در دسترس قرار داده است، در حالی که گوگل خانواده مدل‌های Gemma را توسعه می‌دهد. متا نیز در کنار مدل‌های مشهور Llama، مدل Muse Glimmer و نسخه جدیدتر Muse Spark Open را معرفی کرده و انویدیا نیز مدل‌های اختصاصی Nemotron را منتشر ساخته است.

انتخاب‌های کاربران تنها به غول‌های فناوری محدود نمی‌شود. استارتاپ آمریکایی Reflection مدل Beam را عرضه کرده که وزن‌های آن قابل دانلود است. استارتاپ آمریکایی دیگری به نام Thinking Machines Lab نیز مدل Inkling را در اختیار علاقه‌مندان گذاشته است.

در اروپا نیز شرکت فرانسوی Mistral AI یکی از بازیگران برجسته این عرصه است. مدل‌های دانلودی این شرکت شامل Mistral Large 3 و خانواده کوچک‌تر Ministral 3 می‌شود؛ ضمن اینکه نسخه جدیدتر Mistral Large 4 ملقب به Le Chonk نیز با وزن‌های باز عرضه شده است.

البته باید توجه داشت که همه این مدل‌ها روی یک لپ‌تاپ معمولی قابل اجرا نیستند. برخی مدل‌های بسیار بزرگ به سرورهای تخصصی نیاز دارند، اما نسخه‌های سبک‌تر به‌راحتی روی رایانه‌های شخصی یا حتی گجت‌های هوشمند مانند گوشی‌های موبایل اجرا می‌شوند.

مدل‌های با وزن‌های باز چه محدودیت‌هایی دارند؟

یک مدل وزن‌باز حتی زمانی که به‌صورت آفلاین روی لپ‌تاپ شما اجرا می‌شود، ممکن است دچار توهم شود و اطلاعات اشتباه تولید کند. این مدل‌ها هم‌چنین می‌توانند سوگیری‌های موجود در داده‌های آموزشی خود را بازتاب دهند. از طرفی، توسعه‌دهندگان ممکن است وزن‌ها را منتشر کنند اما اطلاعات داده‌های آموزشی را محرمانه نگه دارند، که این امر بررسی دقیق ورودی‌های مدل را برای پژوهشگران ناممکن می‌سازد.

علاوه بر این، عملکرد مدل‌ها در وظایف گوناگون یکسان نیست؛ بنابراین صرفاً باز بودن وزن‌ها تضمینی برای عملکرد بهتر نسبت به گزینه‌های بسته و تجاری نخواهد بود.

از سوی دیگر، آزادی عمل در اعمال تغییرات روی مدل به این معناست که افراد می‌توانند محدودیت‌ها و حفاظ‌های ایمنی آن را تضعیف کرده یا به‌کلی از بین ببرند.

استوک در این زمینه توضیح می‌دهد: «وجود حفاظ‌های ایمنی برای عمومی‌سازی وزن‌های مدل یک الزام است.» او در پاسخ به این پرسش که چگونه می‌توان پس از دانلود امنیت مدل را حفظ کرد، می‌گوید: «با صرف زمان و تلاش زیاد می‌توان تا حدی بر این موانع امنیتی غلبه کرد.» او این سطح از تلاش را با فرایند فاین‌تیون و بازتنظیم دستی یک مدل مقایسه می‌کند.

پس از دانلود فایل‌های مدل، توسعه‌دهنده اصلی عملاً کنترل چندانی بر نحوه استفاده از آن نخواهد داشت. یک ارائه‌دهنده سرویس ابری می‌تواند حساب کاربری ناقضان قوانین را مسدود کند، اما در دنیای مدل‌های دانلودی، حتی انتشار نسخه‌ای امن‌تر و جدیدتر نیز فایل‌های دانلودشده پیشین را تغییر نمی‌دهد.

با این وجود، همین قابلیت دانلود به پژوهشگران مستقل اجازه می‌دهد تا ساختار مدل‌ها را با دقت بیشتری کالبدشکافی کرده و ایرادهای آن‌ها را بیابند. محققان می‌توانند بدون چشم‌انتظار ماندن برای بررسی گزارش‌ها توسط سازنده، خودشان راه‌حل‌ها را بیازمایند.

مایکروسافت و چند شرکت بزرگ دیگر نیز پس از انتشار اخباری مبنی بر احتمال اعمال محدودیت از سوی دولت آمریکا بر مدل‌های چینی، در یک نامه سرگشاده از مدل‌های وزن‌باز دفاع کردند. آن‌ها تأکید داشتند که در دسترس بودن این مدل‌ها به متخصصان امنیت کمک می‌کند تا پدافندهای مؤثرتری در برابر حملات هوش مصنوعی بسازند.

استوک نیز باور دارد: «وقتی وزن‌های یک مدل را آزاد می‌گذارید، در واقع شرایطی مهیا می‌کنید که کل اکوسیستم فناوری بتواند همگام با هم پیشرفت کند.»

آیا مدل‌های با وزن‌های باز برای شما مفید هستند؟

مدل‌های با وزن‌های باز می‌توانند درست مانند مدل‌های ابری ایمیل بنویسند، متن‌ها را خلاصه کنند، فایل‌های محلی را تحلیل کنند و در کدنویسی به شما یاری برسانند. با این حال، زمانی که مدلی را محلی اجرا می‌کنید، سرعت و ظرفیت تحلیل اسناد طولانی، کاملاً به میزان حافظه رم و توان پردازنده رایانه شما بستگی پیدا می‌کند.

مدل‌های سنگین‌تر روی سیستم‌هایی با حافظه رم بالا و گرافیک قدرتمند، مانند رایانه‌های مک با ۱۶ یا ۳۶ گیگابایت رم، عملکرد روان‌تری به نمایش می‌گذارند؛ هرچند نسخه‌های سبک‌تر روی مک با ۸ گیگابایت رم نیز کارایی قابل قبولی دارند.

اگر هم‌اکنون سخت‌افزار لازم را در اختیار دارید، راه‌اندازی این مدل‌ها کاملاً وسوسه‌انگیز و منطقی است؛ اما اگر برای اجرای آن‌ها باید کامپیوتر گران‌قیمت جدیدی بخرید، بهتر است هزینه آن را با پرداخت اشتراک ماهانه ۲۰ دلاری ابزارهای ابری مقایسه کنید.

هم‌چنین می‌توانید برخی از این مدل‌ها مانند DeepSeek و Kimi را مستقیماً از طریق وب‌سایت توسعه‌دهندگانشان امتحان کنید. این روش ساده‌تر از دانلود و راه‌اندازی دستی است، اما باید در نظر داشته باشید که در این صورت، درخواست‌های شما به سرورهای سازنده ارسال می‌شود.

اگر استفاده شما از هوش مصنوعی به چند درخواست ساده در هفته خلاصه می‌شود و با ارسال داده‌ها به فضای ابری مشکلی ندارید، همان چت‌بات‌های میزبانی‌شده نیازتان را برطرف می‌کنند. سرویس‌های نام‌آشنایی چون ChatGPT، Gemini و Claude همگی پلن‌های رایگان دارند، بنابراین اجتناب از هزینه‌های اشتراک لزوماً به معنای اجرای محلی مدل نیست.

با این همه، مدل‌های با وزن‌های باز کنترل تام و تمام داده‌ها را به دست شما می‌سپارند و خیال شما را از بابت اسناد محرمانه راحت می‌کنند. در اختیار داشتن دستیاری هوشمند که حتی هنگام قطع دسترسی به اینترنت نیز به کار خود ادامه می‌دهد مزیتی انکارناپذیر است؛ ضمن اینکه حتی اگر شرکت سازنده نسخه ابری را از کار بیندازد، فایل‌های مدل روی کامپیوتر شما دست‌نخورده باقی می‌ماند.

استوک این رویکرد را این‌گونه توصیف می‌کند: «هیچ‌کس نمی‌خواهد در دنیایی زندگی کند که شخص دیگری بتواند دسترسی او به ابزار مورد نیازش را قطع کند.»

چشم‌انداز آینده با ورود مدل‌های وزن‌باز به گجت‌های کوچک‌تر امیدوارکننده‌تر می‌شود. خانواده Gemma گوگل مدل‌های بسیار سبکی برای لپ‌تاپ‌ها و تلفن‌های همراه تدارک دیده است و Mistral نیز مدل‌های تخصصی گوناگونی برای ابزارها و مقاصد ویژه طراحی می‌کند.

استوک در این مورد می‌گوید: «ما برای نمونه مدل‌های اختصاصی پردازش صوت داریم که حتی روی یک ساعت هوشمند به‌راحتی جای می‌گیرند و اجرا می‌شوند.»