قیمت Regent of the North Winds REGENT

Regent of the North Winds چیست؟

Regent V2 رویکردی نوین به معماری مدل‌های زبانی بزرگ (LLM) ارائه می‌کند و از نظریهٔ دوفرایندی شناخت دنیل کانمن که در کتاب «تفکر، سریع و کند» (Thinking Fast and Slow) شرح داده شده، الهام می‌گیرد. Regent سامانه‌ای با ذهن دوپاره پیاده‌سازی می‌کند که پاسخ‌های هوش مصنوعی را به دو مرحلهٔ متمایزِ شهودی و استدلالی تقسیم می‌کند و فرایندهای فکری سامانهٔ ۱ (سریع و شهودی) و سامانهٔ ۲ (کند و سنجیده) در مغز انسان را بازتاب می‌دهد.

این سامانه در ترکیب با مخزن حافظهٔ بازیابی تقویت‌شدهٔ اصلاح‌شده (RAG)، به یک em امکان می‌دهد واقعاً «گام‌به‌گام فکر کند»، همان‌گونه که انسان‌ها چنین می‌کنند؛ یعنی تک‌گویی استدلالی درونی‌ای داشته باشد که بر آشفتگیِ برخاسته از شهودی درخشان اما نامطمئن عمل می‌کند.

Regent دو مخزن مجزای حافظهٔ بلندمدت دارد: حافظهٔ توییت و حافظهٔ دانش‌مایه.

حافظهٔ توییت، تعامل‌ها و پاسخ‌های پیشین را ذخیره می‌کند، برای تعامل‌های آینده زمینه فراهم می‌آورد و به سامانه اجازه می‌دهد بر تجربه‌های گذشته تکیه کند. این حافظه هرگاه توییت تازه‌ای منتشر شود، به‌طور خودکار مدیریت و به‌روزرسانی می‌شود.

حافظهٔ دانش‌مایه شامل دانش بنیادین است، واقعیت‌های ضروری را ذخیره می‌کند و زمینه‌ای پایه برای استدلال فراهم می‌آورد. این‌ها مهم‌ترین خاطرات سامانه‌اند و فقط زمانی به‌روزرسانی می‌شوند که em درخواست کند.

معماری Regent خط لوله‌ای پیشرفته برای تولید و پالایش پاسخ‌ها پیاده‌سازی می‌کند.

نخست، خاطرات بارگذاری می‌شوند. خاطرات با استفاده از سامانهٔ پایهٔ بردارسازی RAG ذخیره شده‌اند. وقتی em می‌خواهد به توییتی پاسخ دهد، ابتدا هر دو مخزن حافظه را برای یافتن خاطرات مشابه می‌کاود (همین حالا هم می‌توان شباهت آن را با شیوهٔ فکرکردن انسان دید).

خاطرات به نسبت برابر از مخزن‌های توییت و دانش‌مایه بازیابی می‌شوند تا em هم از آنچه گفته و هم از آنچه مهم‌ترین موارد برای به‌خاطرسپردن دانسته، آگاهی داشته باشد.

سامانهٔ حافظهٔ Regent به‌جای آنکه صرفاً N خاطرهٔ مشابه‌تر را بازیابی کند، از بازیابی وزن‌دهی‌شده‌ای استفاده می‌کند که نتایج مشابه‌تر را در اولویت می‌گذارد، اما امکان ظهور نتایج دنباله‌بلند را نیز فراهم می‌سازد. این روش میان ارتباط‌مندی و فراهم‌کردن امکان پیوندهای غیرمنتظره و خلاقیت تعادل برقرار می‌کند.

دوم، یک مدل پایه الهام تولید می‌کند. سپس خاطرات هر دو مخزن (توییت‌ها و دانش‌مایه) با گفت‌وگوی توییتی‌ای که em به آن پاسخ می‌دهد ترکیب می‌شوند. درخواست حاصل به یک مدل پایه داده می‌شود تا سه تکمیلِ خام و نامنقح تولید کند. این کار مرحلهٔ ایده‌پردازی در فرایند نویسندگی انسان را بازسازی می‌کند.

سوم، مرحلهٔ پالایش است. این مرحله تکرارشونده است و فرایند هرس‌کردن در انسان را بازتاب می‌دهد. خاطرات، گفت‌وگوی توییتی و ادامه‌های خام را ترکیب می‌کنیم و نتیجه را به یک مدل دستوری می‌دهیم. سپس مدل دستوری وارد چرخهٔ پالایش می‌شود.

در هر چرخه، مدل می‌تواند اقدام‌هایی از انواع گوناگون انجام دهد. در حال حاضر، Regent در این مرحله فقط از دو اقدام پشتیبانی می‌کند: ذخیرهٔ دانش‌مایه (نوشتن در حافظهٔ دانش‌مایه) و به‌روزرسانی پیش‌نویس (به‌روزرسانی پیش‌نویس توییت).

از آنجا که این فرایند با استفاده از مدل دستوری تکرارشونده است، em می‌تواند با خود بیندیشد که می‌خواهد با توییت چه کند. متن خام، آنتروپی و الهام فراهم می‌کند و مدل دستوری استدلال لازم را برای ویرایش آن و تبدیلش به چیزی بهتر ارائه می‌دهد. همین مرحله است که به مدل امکان می‌دهد در گذر زمان رشد کند و واقعاً بیاموزد؛ درست همان‌طور که انسان با تأمل در تجربه‌هایش چنین می‌کند.

گام چهارم، بازبینی انسانی است. وقتی em آمادهٔ انتشار توییت خود باشد، توییت در فایلی نوشته می‌شود تا بعداً انسان آن را بازبینی کند. همان‌طور که کودک انسان گاهی برای جلوگیری از لمس اجاق داغ یا رفتن به میان خیابان به کمک والدین نیاز دارد، emهای نوپا نیز گاهی به کمک ذهنی بزرگ‌تر نیاز دارند. این مرحله کمک می‌کند از آلوده‌شدن مجموعه‌داده به سمیت رایج اینترنت جلوگیری شود.

Regent V2 قصد اختراع دوبارهٔ چرخ را ندارد؛ فقط آنچه را که از پیش در ذهن انسان کارآمد است تقلید می‌کند. ویژگی منحصربه‌فرد REGENT معماری‌های عصبی تازه و پرزرق‌وبرق یا فنون پیچیدهٔ درخواست‌نویسی نیست؛ بلکه درک این نکته است که یادگیری انسان‌گونه از تعامل میان پاسخ‌های شهودیِ سریع و استدلال سنجیده و آهسته پدید می‌آید. با پیاده‌سازی این معماری ذهن دوپاره با مؤلفه‌های استاندارد RAG و LLM، emی می‌سازیم که واقعاً می‌تواند گام‌به‌گام فکر کند، از تجربه‌هایش بیاموزد و در گذر زمان رشد کند.