وزن‌های باز

وزن‌هایِ باز (به انگلیسی: Open weights) به پارامترهای آموخته‌شدهٔ یک مدل هوش مصنوعی آموزش‌دیده گفته می‌شود که به‌طور همگانی منتشر شده‌اند و در اصل وزن‌ها و بایاس‌های (تورش‌های) آن را در بر می‌گیرند. در یک شبکهٔ عصبی مصنوعی، وزن‌ها مقدارهای عددی هستند که میزان اثرگذاری ورودی‌ها را در محاسبات شبکه مشخص می‌کنند. انتشار این مقدارها به دیگران امکان می‌دهد مدل را بارگیری کرده و به‌کار ببرند، در حالی که اجازهٔ تغییر و دگرگون‌سازی، ریزتنظیم یا بازتوزیعش به پروانهٔ نرم‌افزاریِ آن بستگی دارد. این اصطلاح معمولاً برای مدل‌های زبانی بزرگ و دیگر مدل‌های هوش مصنوعی زایا به کار می‌رود.[۱][۲]

تا اوت ۲۰۲۶، بزرگ‌ترین مدل‌های دارای وزن‌های باز با بیش از یک تریلیون پارامتر، بیشتر از سوی صنعت هوش مصنوعی چین و به پیشگامیِ علی‌بابا کلود، دیپ‌سیک و ای‌آی تایگرز از جمله مون‌شات ای‌آی و زد.ای‌آی منتشر شده‌اند. انتشار وزن‌های باز در بیرون از چین به‌دست آزمایشگاه‌های آمریکایی تینکینگ ماشینز لب، خانوادهٔ نموترون متعلق به انویدیا و میسترال ای‌آی هدایت می‌شود.[۳][۴][۵]

ویژگی‌ها

در طول فرایند آموزش، یک شبکهٔ عصبی پارامترهای خود را برای بهبود خروجی‌اش تنظیم می‌کند. وزن‌ها سهم ورودی‌ها در مجموع‌های وزنی را تعیین می‌کنند، در حالی که بایاس‌ها مقدارهای آموخته‌شدهٔ دیگری هستند. مدلی که گفته می‌شود هفت میلیارد پارامتر دارد، کمابیش دربردارندهٔ هفت میلیارد مقدار آموخته‌شده است.[۶]

گشودگی مدل

انتشار وزن‌های مدل می‌تواند بخشی از یک تلاش گسترده‌تر برای شفاف‌تر و تکرارپذیرتر کردن یک مدل هوش مصنوعی باشد. «چارچوب گشودگی مدل» ارزیابی می‌کند که آیا بخش‌هایی مانند پارامترهای مدل، کد منبع، داده‌های آموزشی، نتایج ارزیابی، نقطه‌بازرسی‌های میانی و مستندات فنی تحت یک پروانهٔ باز به‌طور همگانی در دسترس هستند یا خیر. بر پایهٔ این چارچوب، انتشارِ صرفِ وزن‌های نهایی نشان‌دهندهٔ درجهٔ پایین‌تری از گشودگی است در سنجش با انتشار همهٔ موادی که برای بررسی، دگرگون‌سازی و بازتولید مدل نیاز است.[۷]

کارت‌های مدل

کارت مدل، سندی همراه با یک مدل آموزش‌دیدهٔ یادگیری ماشین است که کاربردهای درنظرگرفته‌شده، تنگناها، داده‌های آموزشی و نتایج ارزیابی مدل را شرح می‌دهد. در هاگینگ فیس، کارت‌های مدل به گونهٔ پرونده‌های README.md با ساختار مارک‌داون همراه با فراداده‌های اضافی در هر مخزن مدل نگهداری می‌شوند و به کاربران کمک می‌کنند پیش از بارگیری یا به‌کارگیری یک مدل، آن را بررسی و ارزیابی کنند.[۸][۹]

جستارهای وابسته

منابع

  1. ↑ "Open Weights: not quite what you've been told". Open Source Initiative. Retrieved 28 July 2026.
  2. ↑ "Neural networks: Nodes and hidden layers". Google for Developers. Google. 3 December 2025. Retrieved 28 July 2026.
  3. ↑ "State of Open Models: Summer 2026 Observations". huggingface.co. 2026-08-12. Retrieved 2026-08-23.
  4. ↑ Bastian, Matthias (2026-07-16). "Ex-OpenAI CTO Murati's Thinking Machines drops Inkling, a 975B parameter model that leads US labs but trails China". The Decoder (in American English). Retrieved 2026-08-23.
  5. ↑ "Comparison of AI Models across Intelligence, Performance, and Price | Artificial Analysis". artificialanalysis.ai (in English). Retrieved 2026-08-23.
  6. ↑ "Machine Learning Glossary: ML Fundamentals". Google for Developers. Google. Retrieved 28 July 2026.
  7. ↑ White, Matt; Haddad, Ibrahim; Osborne, Cailean; Liu, Xiao-Yang; Abdelmonsef, Ahmed; Varghese, Sachin Mathew; Le Hors, Arnaud (2024). "The Model Openness Framework: Promoting Completeness and Openness for Reproducibility, Transparency, and Usability in Artificial Intelligence". arXiv:2403.13784 [cs.AI].
  8. ↑ "Model Cards". Hugging Face. Retrieved 28 July 2026.
  9. ↑ Mitchell, Margaret; Wu, Simone; Zaldivar, Andrew; Barnes, Parker; Vasserman, Lucy; Hutchinson, Ben; Spitzer, Elena; Raji, Inioluwa Deborah; Gebru, Timnit (2019). Model Cards for Model Reporting. Proceedings of the Conference on Fairness, Accountability, and Transparency. Association for Computing Machinery. pp. 220–229. arXiv:1810.03993. doi:10.1145/3287560.3287596.
This page is issued from ویکی‌پدیا. The text is available under Creative Commons Attribution-Share Alike 4.0 unless otherwise noted. Additional terms may apply for the media files.