لا تتطلب جميع السيناريوهات مئات المليارات من المعاملات، ولكن جميعها تقريبًا تتطلب نماذج قادرة على "الاستدلال". وقد أصبح تمكين النماذج الأصغر حجمًا والأسهل نشرًا من امتلاك قدرات استدلال أقوى، وقدرات فهم سياق طويل المدى، وقدرات استدعاء أدوات، اتجاهًا مهمًا للاستكشاف في مجتمع المصادر المفتوحة.

لمعالجة مشكلة عدم كفاية قدرات المعالجة للمهام المعقدة في النماذج الصغيرة،قامت شركة Empero بفتح المصدر لـ Qwythos-9B-Claude-Mythos-5-1M، وهو نموذج لغة محسّن بالاستدلال مبني على Qwythos3.5-9B.تم تدريب النموذج لاحقاً باستخدام بيانات مسار الاستدلال عالية الجودة من Claude Mythos و Claude Fable والتي تتجاوز 500 مليون رمز.مع الحفاظ على نطاق 9 مليارات معلمة، تحسين أداء النموذج في مهام الاستدلال المعقدة.

بالمقارنة مع الطراز الأساسي Qwen3.5-9B،أظهر برنامج Qwythos تحسينات كبيرة عبر تقييمات متعددة، بما في ذلك زيادة قدرها 34 نقطة في MMLU وزيادة قدرها 30 نقطة في gsm8k-strict athletic reasoning.وهذا يوضح أن النماذج ذات المعلمات الصغيرة يمكنها أيضًا تحقيق قفزة نوعية في القدرات من خلال بيانات الاستدلال عالية الجودة.

بالإضافة إلى تحسين القدرة على الاستدلالكما تم تحسين Qwythos لسيناريوهات وكلاء الذكاء الاصطناعي.يدعم النموذج إمكانيات استدعاء الأدوات الأصلية استنادًا إلى مواصفات Qwen 3.5، مما يُمكّنه من الاتصال بأدوات خارجية لتنفيذ مهام معقدة. في الوقت نفسه، ومن خلال تقنية توسيع نطاق YaRN RoPE، يدعم سياقات طويلة جدًا تصل إلى مليون رمز، ويتعامل مع معلومات معقدة مثل المستندات الطويلة وقواعد البيانات البرمجية. علاوة على ذلك،يرث Qwythos قدرات الرؤية متعددة الوسائط الخاصة بـ Qwen3.5-9B.يمكن دعم فهم الصور من خلال وحدة mmproj، مما يزيد من توسيع نطاق تطبيق النموذج في سيناريوهات مثل العوامل متعددة الوسائط.

لقد فتح إصدار Qwythos آفاقًا جديدة لتطوير النماذج الصغيرة: فمن خلال البيانات عالية الجودة، وتدريب الاستدلال، وتحسين القدرات، يمكن للنماذج ذات المعلمات الصغيرة أيضًا التغلب على قيود الحجم، مما يوفر إمكانيات جديدة لتطبيقات الذكاء الاصطناعي منخفضة التكلفة وعالية الكفاءة.

لمساعدة المطورين على تجربة Qwythos بسرعة، قامت HyperAI (hyper.ai) بتجميع موارد النماذج ذات الصلة لمساعدتهم على نشر النماذج بنقرة واحدة والبدء بسرعة في اختبار الاستدلال وتطوير الوكلاء. ⬇️

تشغيل عبر الإنترنت:https://go.hyper.ai/25R6k

المزيد من الدروس التعليمية عبر الإنترنت:

https://hyper.ai/notebooks

تشغيل تجريبي

1. بعد الدخول إلى الصفحة الرئيسية لموقع hyper.ai، حدد صفحة "الدروس التعليمية"، أو انقر فوق "عرض المزيد من الدروس التعليمية"، وحدد "Qwythos-9B-Claude-Mythos-5-1M GGUF Inference Deployment"، ثم انقر فوق "تشغيل هذا البرنامج التعليمي".

2. بعد إعادة توجيه الصفحة، انقر فوق "استنساخ" في الزاوية اليمنى العليا لاستنساخ البرنامج التعليمي في الحاوية الخاصة بك.

ملاحظة: يمكنك تبديل اللغات في الزاوية العلوية اليمنى من الصفحة. حاليًا، اللغتان الصينية والإنجليزية متاحتان. سيوضح هذا البرنامج التعليمي الخطوات باللغة الإنجليزية.

3. حدد صور "NVIDIA RTX 5090" و "PyTorch"، وانقر فوق "متابعة تنفيذ المهمة".

4. انتظر حتى يتم تخصيص الموارد. بمجرد أن تتغير الحالة إلى "قيد التشغيل"، انقر فوق "فتح مساحة العمل" للدخول إلى مساحة عمل Jupyter.

عرض التأثير

1. بعد إعادة توجيه الصفحة، انقر على ملف README الموجود على اليسار، ثم انقر على تشغيل في الأعلى.

2. بعد اكتمال العملية، انقر فوق عنوان API الموجود على اليمين لفتح واجهة العرض التوضيحي.