Meta, yapay zeka stratejisinde yeniden yapılandırmaya giderek açık ağırlıklı büyük dil modellerine odaklanacağını duyurdu. Şirket, bu yeni yönelimin bir parçası olarak Muse Glimmer isimli yeni açık modelini tanıtırken, daha güçlü olan Muse Spark 1.2 modelinin ağırlıklarını da önümüzdeki birkaç hafta içinde erişime açma sözü verdi.

Kullanıcı Cihazlarına Odaklanan Muse Glimmer

Apache 2.0 lisansı ile açık kaynak olarak sunulan Muse Glimmer, 30 milyar parametreye ve varsayılan olarak 128 bin tokenlık bir bağlam penceresine sahip. Muse Spark modelinden damıtma yöntemiyle üretilen Glimmer, bulut servisleri veya API'ler yerine doğrudan kullanıcıların yerel makinelerinde çalışacak şekilde tasarlandı. Bu hamle, tüketici grafik işlemcilerinde (GPU) çalışabilen daha küçük modellerle bulut bağımlılığını azaltma trendini yansıtıyor.

Muse Spark ve Muse Code Gelişmeleri

Meta'nın Nisan ayında kapalı ve tescilli bir model olarak sunduğu Muse Spark, Temmuz ayında yayınlanan 1.1 versiyonuyla şirketin ilk ücretli hizmetini beraberinde getirmişti. 5 Ağustos'ta çıkan Muse Spark 1.2 sürümüne ise bir terminal kodlama ajanı olan Muse Code eşlik etti. Geliştiriciler, Muse Code'un yetenek bakımından OpenAI veya Anthropic modellerinin gerisinde kaldığını ancak maliyet açısından rekabetçi olduğunu belirtiyor.

Zuckerberg'den 6 Bin Kelimelik Strateji Belgesi

CEO Mark Zuckerberg, şirketin yapay zeka sistemleri ve yönetişim felsefesini açıklayan 6 bin kelimeden fazla bir makale yayınladı. Zuckerberg bu metinde, Meta'nın stratejisini OpenAI ve Anthropic gibi tescilli modeller geliştiren şirketlerden ayırmayı hedefliyor. Ayrıca Nvidia, Hugging Face ve Mistral gibi şirketlerle birlikte imzalanan bir açık mektuptan da destek alan Meta, damıtma yönteminin yapay zeka inovasyonu için meşru bir uygulama olduğunu savunuyor.

Ne anlama geliyor?

Açık ağırlıklı modeller, bir yapay zekanın eğitim sürecinde öğrendiği matematiksel değerlerin dışarıya açılmasıdır. Bu durum, geliştiricilerin modeli kendi donanımlarında çalıştırmasına ve belirli ihtiyaçlara göre özelleştirmesine olanak tanır. Kapalı sistemlerin aksine, bu yapı verinin yerel cihazda kalmasını sağlayarak gizliliği artırır ve merkezî bir sunucuya olan bağımlılığı ortadan kaldırır.

Damıtma işlemi, çok büyük ve yetenekli bir modelin bilgisini daha küçük ve verimli bir modele aktarma sürecidir. Bu yöntem sayesinde, devasa işlem gücü gerektiren modellerin sunduğu performansın bir kısmı, standart bilgisayarlarda veya mobil cihazlarda çalışabilecek düşük maliyetli versiyonlara taşınır. Böylece yüksek işlem maliyetleri düşerken, yapay zeka araçlarına erişim daha geniş kitleler için mümkün hale gelir.