رفتن به محتوای اصلی
هوش مصنوعی متن‌باز· 7 دقیقه مطالعه· در هوش مصنوعی

انتشار مدل هوش مصنوعی Edge0-145B؛ اجرای پردازش‌های سنگین روی لپ‌تاپ‌های شخصی

شرکت اج‌زیرو (Edge0) مدل زبانی متن‌باز ۱۴۵ میلیارد پارامتری خود را با قابلیت اجرا روی لپ‌تاپ‌های معمولی منتشر کرد. این مدل با استفاده از معماری ترکیبی و مدیریت بهینه حافظه، نیاز به سرورهای ابری گران‌قیمت را برای پردازش‌های پیچیده از بین می‌برد.

به قلم ندا وزیری

این خبر را به اشتراک بگذارید

گوش‌ دهید

شرکت توسعه‌دهنده هوش مصنوعی «اج‌زیرو» (Edge0) در دوازدهم نوامبر ۲۰۲۶، مدل زبانی متن‌باز جدیدی با نام Edge0-145B را منتشر کرد که قواعد بازی را در پردازش‌های محلی تغییر می‌دهد. این مدل با ۱۴۵ میلیارد پارامتر، به‌گونه‌ای طراحی شده است که بدون نیاز به اتصال ابری، مستقیماً روی لپ‌تاپ‌های شخصی اجرا شود.[1][8]

تا پیش از این، اجرای مدل‌هایی با این ابعاد نیازمند خوشه‌های پردازشی گران‌قیمت در دیتاسنترها بود. اما معماری جدید اج‌زیرو به کاربران اجازه می‌دهد تا قابلیت‌های استدلال و کدنویسی در سطح مدل‌های پیشرو را روی سخت‌افزارهای مصرفی تجربه کنند. این دستاورد، مرزهای پردازش لبه (Edge Computing) را به شکل چشمگیری جابه‌جا کرده است.[2][8]

معماری تخصصی و مدیریت حافظه

راز اصلی موفقیت Edge0-145B در استفاده از معماری «ترکیب متخصصان پنهان» (Latent Mixture-of-Experts) نهفته است. اگرچه این مدل در مجموع ۱۴۵ میلیارد پارامتر دارد، اما در هر مرحله از تولید توکن، تنها حدود ۱۰.۱۲ میلیارد پارامتر فعال می‌شوند. این رویکرد هوشمندانه، بار پردازشی را به شدت کاهش می‌دهد.[1][4]

با فعال‌سازی گزینشی پارامترها، این مدل می‌تواند با استفاده از تنها ۲۹ گیگابایت حافظه در زمان اوج مصرف، به کار خود ادامه دهد. این سیستم، ماتریس‌های بزرگ را میان ۶۴ متخصص پراکنده به اشتراک می‌گذارد و به این ترتیب، نیاز به حافظه ویدیویی (VRAM) را در مقایسه با مدل‌های مشابه به حداقل می‌رساند.[1][3]

مقایسه میزان حافظه مورد نیاز برای اجرای مدل‌های هوش مصنوعی.

موتور استنتاج اختصاصی این شرکت که edge0-strata نام دارد، حافظه پردازنده گرافیکی، حافظه رم سیستم و دسترسی به درایو حالت جامد (SSD) را به صورت یکپارچه مدیریت می‌کند. این موتور، متخصصان پرکاربرد را در حافظه سریع نگه می‌دارد و هم‌زمان انتقال داده‌ها را با محاسبات هم‌پوشانی می‌کند تا تاخیری ایجاد نشود.[4][5]

این مدل بر پایه معماری قدرتمند Qwen3.8-Flash-Next توسعه یافته است. اج‌زیرو با اعمال تکنیک‌های فشرده‌سازی پیشرفته و بسته‌بندی معماری اختصاصی خود روی این پایه، توانسته است مدلی بسازد که برای وظایف عاملی (Agentic) و توسعه نرم‌افزار بسیار بهینه‌تر از یک چت‌بات عمومی عمل می‌کند.[4][5]

سخت‌افزار مورد نیاز و سرعت اجرا

برای اجرای روان این مدل، کاربران به یک پردازنده گرافیکی انویدیا با حداقل ۱۶ گیگابایت حافظه ویدیویی و ۲۰ گیگابایت رم سیستم نیاز دارند. کارت‌های گرافیک سری RTX 4090 یا RTX 5090 گزینه‌های ایده‌آلی برای اجرای این مدل در قالب فرمت‌های فشرده‌سازی شده مانند NVFP4 و Q3_K محسوب می‌شوند.[3][5]

سرعت پردازش این مدل روی سخت‌افزارهای هدف، خیره‌کننده گزارش شده است. بر اساس مستندات منتشر شده، Edge0-145B می‌تواند درخواست‌های ورودی را با سرعتی بیش از ۱۱۰۰ توکن در ثانیه پردازش کند. سرعت تولید متن نیز به بیش از ۸۰ توکن در ثانیه می‌رسد که از سرعت خواندن انسان بسیار سریع‌تر است.[1][5]

با این حال، پشتیبانی از سیستم‌عامل‌ها هنوز یکدست نیست. در حالی که نسخه‌های لینوکس و ویندوز با استفاده از ابزار CUDA 13 به خوبی پشتیبانی می‌شوند، وضعیت اجرای آن روی سیستم‌عامل مک (macOS) و تراشه‌های اپل سیلیکون همچنان با ابهاماتی روبه‌رو است و برخی منابع از عدم پشتیبانی کامل آن خبر می‌دهند.[3][5]

عملکرد در بنچمارک‌های استاندارد

در ارزیابی‌های تخصصی کدنویسی، Edge0-145B نتایج درخشانی از خود به جای گذاشته است. این مدل در بنچمارک Terminal-Bench 2.1 امتیاز ۸۶.۵ و در آزمون DeepSWE 1.1 امتیاز ۶۴.۶ را کسب کرده است. این ارقام نشان می‌دهند که عملکرد آن در برخی وظایف حتی از مدل پایه Qwen3.8-Flash-Next نیز فراتر رفته است.[4][6]

اجرای روان این مدل نیازمند پردازنده‌های گرافیکی قدرتمند با حداقل ۱۶ گیگابایت حافظه ویدیویی است.

برخی از توسعه‌دهندگان ادعا می‌کنند که این مدل در محیط‌های برنامه‌نویسی توانسته است عملکردی نزدیک به Claude Opus 4.6 ارائه دهد. با این وجود، ناظران مستقل تاکید دارند که این ارقام توسط خود شرکت سازنده گزارش شده‌اند و تایید نهایی آن‌ها نیازمند آزمایش‌های گسترده‌تر توسط جامعه کاربری روی نسخه‌های فشرده‌سازی شده است.[6]

این مدل از پنجره زمینه (Context Window) بسیار بزرگی پشتیبانی می‌کند که بین ۱۲۸ هزار تا ۲۵۶ هزار توکن متغیر است. این ظرفیت عظیم به کاربران اجازه می‌دهد تا ده‌ها صفحه کد، مستندات فنی یا مخازن کامل نرم‌افزاری را به صورت یکجا وارد مدل کرده و بدون افت کیفیت، خروجی دریافت کنند.[1][4]

پیامدهای تجاری و حاکمیت داده

اجرای محلی چنین مدل قدرتمندی، معادلات اقتصادی هوش مصنوعی در سازمان‌ها را دگرگون می‌کند. شرکت‌ها دیگر نیازی به پرداخت هزینه‌های سنگین به ازای هر توکن به ارائه‌دهندگان ابری ندارند. این امر به ویژه برای استارتاپ‌ها و کسب‌وکارهای کوچک که با محدودیت بودجه مواجه هستند، یک مزیت رقابتی بزرگ محسوب می‌شود.[2][8]

از منظر امنیت اطلاعات، Edge0-145B یک راهکار ایده‌آل برای پردازش داده‌های حساس است. سازمان‌ها می‌توانند کدهای اختصاصی، اسناد مالی و اطلاعات محرمانه مشتریان را بدون نیاز به ارسال آن‌ها از طریق شبکه‌های عمومی و اینترنت، روی سخت‌افزارهای داخلی خود تحلیل کنند. این ویژگی، خطرات نشت داده‌ها را به صفر می‌رساند.[2][7]

با این وجود، استقرار این فناوری چالش‌های جدیدی را برای مدیران فناوری اطلاعات به همراه دارد. ظهور پدیده «هوش مصنوعی سایه» (Shadow AI) یکی از این نگرانی‌هاست. زمانی که کارمندان بتوانند مدل‌های پیشرفته را روی لپ‌تاپ‌های خود اجرا کنند، نظارت متمرکز بر جریان داده‌ها و نحوه استفاده از هوش مصنوعی عملاً غیرممکن می‌شود.[7]

ابزارهای سنتی نظارت بر شبکه که ترافیک خروجی به سمت سرورهای ابری را کنترل می‌کردند، در برابر پردازش‌های کاملاً محلی نابینا هستند. این مسئله می‌تواند سیاست‌های حاکمیت داده و انطباق با مقررات بین‌المللی را در شرکت‌های بزرگ با چالش‌های حقوقی و نظارتی پیچیده‌ای مواجه سازد.[7]

عملکرد مدل Edge0-145B در مقایسه با مدل‌های پایه در بنچمارک‌های برنامه‌نویسی.

قابلیت‌های عاملی و خودکارسازی

مدل Edge0-145B صرفاً یک چت‌بات پاسخگو نیست، بلکه برای اجرای گردش‌کارهای چندمرحله‌ای و عاملی (Agentic) طراحی شده است. این سیستم می‌تواند به صورت خودکار برنامه‌ریزی کند، کدهای لازم را بنویسد، آن‌ها را اجرا کرده و در صورت بروز خطا، مشکلات را ریشه‌یابی و برطرف نماید.[1][3]

در یکی از آزمایش‌های عملی، این مدل توانست در کمتر از یک ساعت، یک ویدیوی آموزشی کامل درباره مفاهیم فیزیک تولید کند. این فرایند شامل تحقیق، نوشتن فیلم‌نامه، تولید دارایی‌های بصری و تدوین نهایی بود؛ کاری که در حالت عادی نیازمند یک تیم متخصص و هفته‌ها زمان است.[9]

توسعه‌دهندگان می‌توانند این مدل را با ابزارهای اتوماسیون محلی ادغام کنند. به عنوان مثال، می‌توان آن را به گونه‌ای پیکربندی کرد که مخازن کد را بررسی کند، تغییرات را خلاصه نماید و گزارش‌ها را مستقیماً به پیام‌رسان‌های سازمانی ارسال کند، بدون آنکه نیازی به سرویس‌های واسطه ابری باشد.[2]

محدودیت‌های مجوز و چشم‌انداز آینده

با وجود متن‌باز بودن وزن‌های مدل، مجوز استفاده از Edge0-145B دارای محدودیت‌های تجاری خاصی است. شرکت‌ها نمی‌توانند بدون عقد قرارداد مجزا، از این مدل برای راه‌اندازی سرویس‌های تجاری ارائه مدل (Model-as-a-Service) استفاده کنند. این بند حقوقی برای محافظت از مدل درآمدی شرکت سازنده در نظر گرفته شده است.[3]

جامعه متن‌باز اکنون منتظر انتشار نسخه‌های تنظیم‌شده (Fine-tuned) توسط توسعه‌دهندگان مستقل است. انتظار می‌رود در هفته‌های آینده، نسخه‌های بهینه‌تری از این مدل برای ابزارهای خاص برنامه‌نویسی و سیستم‌عامل‌های مختلف عرضه شود که کارایی آن را در محیط‌های توسعه یکپارچه (IDE) افزایش دهد.[4][6]

انتشار Edge0-145B نشان‌دهنده یک تغییر پارادایم در صنعت هوش مصنوعی است. حرکت از تمرکز مطلق بر پردازش ابری به سمت توانمندسازی دستگاه‌های لبه (Edge)، نه تنها هزینه‌ها را کاهش می‌دهد، بلکه کنترل کامل فناوری را به دست کاربران نهایی و سازمان‌ها بازمی‌گرداند.[1][2]

تصویرسازی: انتقال پردازش‌ها از دیتاسنترهای ابری به دستگاه‌های لبه، چالش‌ها و فرصت‌های جدیدی برای سازمان‌ها ایجاد می‌کند.

برای کشورهای در حال توسعه و مناطقی که با محدودیت‌های دسترسی به اینترنت پرسرعت یا تحریم‌های فناوری مواجه هستند، چنین مدل‌هایی یک موهبت بزرگ به شمار می‌روند. پژوهشگران و مهندسان می‌توانند بدون نگرانی از قطع شدن ارتباط با سرورهای خارجی، پروژه‌های پیچیده هوش مصنوعی خود را پیش ببرند.[4]

علاوه بر این، کاهش وابستگی به پردازش ابری می‌تواند تاثیرات مثبتی بر مصرف انرژی در مقیاس کلان داشته باشد. اگرچه اجرای محلی نیازمند سخت‌افزارهای قدرتمندی است که حدود ۱۲۰ وات برق مصرف می‌کنند، اما حذف نیاز به انتقال مداوم داده‌ها و خنک‌سازی دیتاسنترهای عظیم، در نهایت بهره‌وری انرژی را بهبود می‌بخشد.[1][5]

موفقیت بلندمدت Edge0-145B به میزان پذیرش آن توسط جامعه توسعه‌دهندگان و رفع باگ‌های اولیه بستگی دارد. با این حال، اثبات این مفهوم که می‌توان یک مدل ۱۴۵ میلیارد پارامتری را روی یک لپ‌تاپ شخصی اجرا کرد، استاندارد جدیدی را برای آینده هوش مصنوعی متن‌باز تعریف کرده است.[6][8]

توسعه‌دهندگان متن‌باز 40%مدیران فناوری اطلاعات 30%تحلیلگران حریم خصوصی 30%
توسعه‌دهندگان متن‌باز
معتقدند اجرای محلی مدل‌های قدرتمند، انحصار شرکت‌های ابری را می‌شکند و نوآوری را تسریع می‌کند.
مدیران فناوری اطلاعات
نگران از دست رفتن نظارت بر داده‌ها و ایجاد پدیده هوش مصنوعی سایه در سازمان‌ها هستند.
تحلیلگران حریم خصوصی
اجرای محلی را بهترین راهکار برای حفظ امنیت داده‌های حساس و رعایت قوانین اقامت داده می‌دانند.

منابع

پوشش منابع

9 منبع

3 دیدگاه شناسایی‌شده

توسعه‌دهندگان متن‌باز 40%مدیران فناوری اطلاعات 30%تحلیلگران حریم خصوصی 30%
  1. [1]Edge0 Blogتوسعه‌دهندگان متن‌باز

    Introducing Edge0-145B: Frontier AI Capabilities on Your Own Computer

    مطالعه در Edge0 Blog →
  2. [2]Activepiecesتحلیلگران حریم خصوصی

    Edge0-145B: Frontier AI Capabilities on Your Own Computer

    مطالعه در Activepieces →
  3. [3]Eesel AI

    Edge0-145B is a 145B open-weight model for one NVIDIA GPU

    مطالعه در Eesel AI →
  4. [4]AF Netتحلیلگران حریم خصوصی

    AI developer Edge0 has released Edge0-145B

    مطالعه در AF Net →
  5. [5]Windows Forumمدیران فناوری اطلاعات

    Edge0 has announced Edge0-145B and Edge0-120B

    مطالعه در Windows Forum →
  6. [6]Daily.devتوسعه‌دهندگان متن‌باز

    Edge0-145B: Frontier AI Capabilities on Your Own Computer

    مطالعه در Daily.dev →
  7. [7]AI Governanceمدیران فناوری اطلاعات

    Edge0-145B Puts Frontier AI on a Laptop, Exposing Shadow AI

    مطالعه در AI Governance →
  8. [8]T2C Online

    Open Source Edge0 Model Brings 145 Billion Parameter AI to a Single Laptop

    مطالعه در T2C Online →
  9. [9]Emergent

    Edge0-145B Agentic Capabilities and Workflow Integration

    مطالعه در Emergent →
گوش‌ دهید

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.