شرکت Sakana AI مدل هماهنگ‌ساز Fugu Max را منتشر کرد؛ کاهش ۶۰ درصدی هزینه‌های مسیریابی چندعاملی

زمانی که OpenAI در اوایل سال جاری چارچوب مسیریابی چندعاملی خود را معرفی کرد، این سیستم برای هدایت ترافیک به مدل پرچمدار این شرکت یعنی GPT-6 متکی بود و تنها برای تصمیم‌گیری درباره اینکه کدام عامل فرعی باید یک وظیفه را بر عهده بگیرد، نرخ‌های بالای API را دریافت می‌کرد. مدل هماهنگ‌ساز جدید Fugu Max از شرکت Sakana AI دقیقاً همان نقش پلیس راهنمایی و رانندگی را ایفا می‌کند، اما این کار را با مسیریابی درخواست‌ها منحصراً در میان فهرستی از بیش از ۴۰ مدل متن‌باز و با ۶۰ درصد تخفیف انجام می‌دهد. این سیستم که در ۱۱ سپتامبر ۲۰۲۶ در کنار نسخه قدرتمندتر Fugu Ultra v2 منتشر شد، اقتصاد ساخت شبکه‌های هوش مصنوعی خودکار را از اساس تغییر می‌دهد.[1][3]

سازوکار پشت Fugu Max به جای یک مدل زبانی بزرگ و عمومی، بر یک شبکه مسیریاب تخصصی و سبک‌وزن متکی است. مدل Fugu Max به جای تولید متن، صرفاً برای طبقه‌بندی مقصود کاربر و ارزیابی قابلیت‌های مدل‌های پایین‌دستی آموزش دیده است. هنگامی که یک کاربر یک درخواست پیچیده — مانند تحلیل یک مجموعه داده مالی و نوشتن یک خلاصه — را ارسال می‌کند، Fugu Max درخواست را کالبدشکافی کرده، بخش ریاضی را به یک مدل تخصصی کدنویسی می‌فرستد، تولید متن را به یک مدل زبانی مسیریابی می‌کند و در نهایت نتایج را به هم پیوند می‌دهد.[2][3]

همین جداسازی هماهنگ‌سازی از تولید متن است که باعث این افت شدید قیمت می‌شود. شرکت Sakana AI قیمت Fugu Max را ۲ دلار به ازای هر یک میلیون توکن تعیین کرده است، در حالی که Fugu Ultra v2 — که برای وظایف استدلالی بسیار پیچیده و چندمرحله‌ای طراحی شده — ۶ دلار به ازای هر میلیون توکن هزینه دارد. به گفته تحلیلگران صنعت، این قیمت‌گذاری بسته به حجم کاری خاص و تعداد توکن‌ها، راه‌حل‌های مسیریابی انحصاری موجود را بین ۴۰ تا ۶۰ درصد ارزان‌تر ارائه می‌دهد.[2][4][5][6]

معماری Fugu Max از یک لایه مسیریابی «ترکیب پراکنده از متخصصان» بهره می‌برد که نمرات اطمینان مدل‌های متن‌باز موجود را در لحظه ارزیابی می‌کند. اگر کاربری یک سؤال کدنویسی بپرسد، Fugu Max آن را کورکورانه به یک مدل کدنویسی نمی‌فرستد؛ بلکه بررسی می‌کند که کدام مدل خاص در فهرست آن، بالاترین دقت تاریخی را برای دقیقاً همان زبان برنامه‌نویسی دارد و درخواست را در کمتر از ۱۵۰ میلی‌ثانیه مسیریابی می‌کند.[3][7]

هزینه هماهنگ‌سازی تاکنون مانع اصلی برای مقیاس‌پذیری سیستم‌های چندعاملی در محیط‌های سازمانی بوده است. از آنجا که یک مدل هماهنگ‌ساز باید درخواست اولیه را بخواند، خروجی‌های چندین عامل فرعی را ارزیابی کند و به طور پیوسته بر جریان کار نظارت داشته باشد، مقادیر عظیمی از توکن‌های پنجره زمینه را مصرف می‌کند. زمانی که این توکن‌ها با نرخ مدل‌های پیشرفته محاسبه شوند، اجرای یک وظیفه خودکار می‌تواند به سرعت چندین دلار هزینه در بر داشته باشد.[1][5]

شرکت Sakana AI در بیانیه فنی خود اعلام کرد: «ما در حال هماهنگ‌سازی جبهه پارتو هستیم.» این شرکت خاطرنشان کرد که سیستم به صورت پویا ارزان‌ترین و سریع‌ترین مدل قادر به انجام یک وظیفه فرعی خاص را بدون فدا کردن دقت کلی انتخاب می‌کند. مدل Fugu Max با بهره‌گیری از انبوهی از مدل‌های متن‌باز کوچک‌تر و تخصصی به جای یک سیستم یکپارچه و عظیم، هم تأخیر و هم بار پردازشی را کاهش می‌دهد.[3][7]

انتشار Fugu Ultra v2 در کنار نسخه Max، نشان‌دهنده یک رویکرد چندلایه به بازار هماهنگ‌سازی است. در حالی که Fugu Max مسیریابی معمول را برای برنامه‌های استاندارد سازمانی مدیریت می‌کند، Ultra v2 برای جریان‌های کاری تحقیقاتی عمیق بهینه‌سازی شده است؛ جایی که مسیریاب باید زمینه را تا ۱۲۸,۰۰۰ توکن حفظ کرده و تا ۲۴ عامل تخصصی را به طور همزمان هماهنگ کند.[4][6]

تحلیلگران سرمایه‌گذاری خطرپذیر که بخش هوش مصنوعی مولد را رصد می‌کنند، یادآور می‌شوند که استراتژی قیمت‌گذاری Sakana AI مستقیماً حاشیه سود ارائه‌دهندگان تثبیت‌شده API را هدف قرار داده است. این شرکت با کالایی‌سازی لایه مسیریابی، توسعه‌دهندگان را تشویق می‌کند تا به جای محبوس کردن خود در یک اکوسیستم انحصاری واحد، برنامه‌هایی بسازند که بر مدل‌های با وزن باز متکی هستند.[5]

آنچه هنوز اثبات نشده، نحوه عملکرد Fugu Max تحت بار غیرقابل پیش‌بینی برنامه‌های زنده و مصرف‌کننده-محور است؛ جایی که موارد استثنایی اغلب حلقه‌های چندعاملی را در هم می‌شکنند. اگرچه قیمت ۲ دلار به ازای هر میلیون توکن، آزمایش را ارزان می‌کند، اما پذیرندگان سازمانی ماه‌های آینده را صرف ارزیابی این موضوع خواهند کرد که آیا این انبوه مدل‌های متن‌باز می‌تواند با قابلیت اطمینان یک مدل پیشرفته، یکپارچه و عظیم برابری کند یا خیر.[1][2]