
ارائه DaisyRose-27B با تمرکز بر کارایی پسآموزش
RadixArk مدل DaisyRose-27B را با ۲۷ میلیارد پارامتر و تمرکز بر کارایی مرحله پسآموزش در وبلاگ Hugging Face معرفی کرد. وزنهای مدل و مستندات فنی منتشر شده، اما ارزیابی مستقل از نتایج اعلامشده هنوز در دسترس نیست.
شرکت RadixArk در وبلاگ پلتفرم Hugging Face از مدل زبانی DaisyRose-27B رونمایی کرد. این مدل با ۲۷ میلیارد پارامتر عرضه شده و تمرکز اصلی سازندگان آن بر کارایی مرحله پسآموزش (post-training) است، نه صرفاً بر افزایش حجم داده یا پارامترهای مدل. پسآموزش به مجموعه مراحلی گفته میشود که پس از آموزش پایه (pre-training) انجام میگیرد و شامل تنظیم دقیق نظارتشده (supervised fine-tuning)، همترازی با بازخورد انسانی (RLHF) و روشهای مبتنی بر ترجیح مانند DPO است. این مراحل بخش قابلتوجهی از هزینه و زمان توسعه مدلهای زبانی را به خود اختصاص میدهند و بهینهسازی آنها میتواند هزینه نهایی تولید و بهروزرسانی مدل را کاهش دهد. بر اساس اعلام منتشرکننده، وزنهای مدل و مستندات فنی در Hugging Face در دسترس قرار گرفته است. جزئیات مربوط به پیکربندی آموزش، دادههای مورد استفاده و نتایج ارزیابی در متن وبلاگ آمده است؛ اما این نتایج از سوی تیم سازنده ارائه شده و ارزیابی مستقل از سوی نهادهای ثالث تا زمان انتشار این گزارش منتشر نشده است. برای توسعهدهندگان ایرانی، انتشار وزنهای یک مدل ۲۷ میلیارد پارامتری با مجوز قابل بررسی، امکان اجرای محلی و تنظیم دقیق بر پایه زیرساخت داخلی را فراهم میکند. با این حال، اجرای چنین مدلی به حافظه گرافیکی قابلتوجه و استفاده از روشهای فشردهسازی مانند کوانتیزهسازی (quantization) نیاز دارد و دسترسی به توان محاسباتی، همچنان عامل محدودکننده اصلی است. ارزیابی نهایی درباره میزان تحقق ادعای کارایی پسآموزش، به بازتولید نتایج توسط جامعه پژوهشی و انتشار مقایسههای مستقل بستگی دارد.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




