مدل‌های تصمیم‌گیر (Decision Models)؛ ترند تازه هوش مصنوعی که بدون تولید متن جواب می‌دهد

وقتی از ChatGPT یا Claude می‌پرسی «این کامنت اسپم است؟»، مدل جوابش را کلمه‌به‌کلمه تولید می‌کند؛ حتی اگر جواب فقط «بله» باشد. این کار برای یک سؤال مشکلی ندارد، ولی وقتی یک سیستم باید در هر ثانیه هزاران تصمیم این‌شکلی بگیرد، هم کند است و هم گران. اینجاست که ترند تازه‌ای به اسم مدل‌های تصمیم‌گیر (Decision Models) وارد می‌شود.

مدل‌های تصمیم‌گیر چیست؟#

مدل تصمیم‌گیر به‌جای تولید متن آزاد، در یک گذر (single forward pass) یک جواب ساختاریافته و از پیش تعریف‌شده برمی‌گرداند. این جواب معمولاً یکی از این سه شکل است:

• بله/خیر همراه با احتمال (مثلاً «اسپم است: ۹۳٪»)
• انتخاب یک گزینه از یک مجموعه مشخص (مثلاً «پشتیبانی فنی / مالی / فروش»)
• امتیاز بر اساس یک معیار (rubric) (مثلاً «کیفیت پاسخ: ۴ از ۵»)

چون خبری از تولید توکن‌به‌توکن نیست، سرعت به‌شدت بالا می‌رود و هزینه پایین می‌آید.

موج مهر ۱۴۰۵#

در روزهای اول مهر چند شرکت هم‌زمان سراغ این ایده رفتند:

نکته جالب درباره d1-3B از Liquid AI: طبق اعلام سازنده، این مدل روی یک RTX 4090 فقط حدود ۸ میلی‌ثانیه و روی برد کوچک Jetson Orin Nano حدود ۵۰ میلی‌ثانیه زمان می‌برد، و در شاخص Decision Index از مدلی دوازده برابر بزرگ‌تر از خودش جلو زده است.

چرا این ترند مهم است؟#

۱. ایجنت‌ها پر از تصمیم‌های کوچک‌اند#

یک ایجنت هوش مصنوعی در هر کار ده‌ها بار باید تصمیم بگیرد: «این ابزار را صدا بزنم؟»، «این نتیجه قابل قبول است؟»، «کار تمام شد؟». اگر هر کدام از این‌ها با یک مدل بزرگ گرفته شود، کار کند و گران می‌شود. مدل تصمیم‌گیر این گلوگاه را باز می‌کند.

۲. اجرا روی دستگاه خودت#

مدل‌های چند میلیاردی را می‌شود روی یک کارت گرافیک معمولی یا حتی دستگاه‌های لبه (Edge) اجرا کرد. یعنی داده‌ها از سیستم خودت بیرون نمی‌روند؛ موضوعی که برای کسب‌وکارهای حساس به حریم خصوصی مهم است.

۳. خروجی قابل اعتماد برای کد#

خروجی متنی آزاد را باید با کد «تجزیه» کرد و همیشه احتمال خطا هست. خروجی تایپ‌شده (بله/خیر، گزینه، عدد) مستقیم در برنامه قابل استفاده است.

چند کاربرد واقعی#

• فیلتر کامنت و تشخیص اسپم در سایت یا فروشگاه
• مسیریابی تیکت‌های پشتیبانی به واحد درست
• کنترل کیفیت خروجی مدل‌های بزرگ‌تر (مدل کوچک، کار مدل بزرگ را داوری می‌کند)
• تشخیص محتوای نامناسب در تصاویر یا ویدیوها
• تأیید مرحله‌ای در ایجنت‌های خودکار

محدودیت‌ها#

مدل تصمیم‌گیر جای مدل‌های زبانی بزرگ را نمی‌گیرد. توضیح نمی‌دهد، متن نمی‌نویسد و برای سؤال‌های باز مناسب نیست. بهترین حالت، ترکیب این دو است: مدل بزرگ برای فکر کردن و نوشتن، مدل تصمیم‌گیر برای قضاوت‌های سریع و پرتعداد.

مدل‌های تصمیم‌گیر برای کسب‌وکارهای ایرانی#

چون این مدل‌ها کوچک‌اند و وزن‌هایشان باز است، برای کسب‌وکار ایرانی یک مزیت ویژه دارند: لازم نیست به API خارجی وابسته باشی. یک فروشگاه آنلاین می‌تواند Clef-flash یا d1-3B را روی سرور خودش اجرا کند و کارهایی مثل تشخیص نظر اسپم، دسته‌بندی پیام‌های پشتیبانی یا تشخیص تصویر نامناسب را بدون ارسال داده به بیرون انجام دهد. نه تحریم جلویش را می‌گیرد، نه هزینه دلاری به ازای هر درخواست دارد.

چند نکته برای شروع:

• با داده خودت بسنج: قبل از استفاده جدی، صد نمونه واقعی از کار خودت را به مدل بده و جواب‌ها را با قضاوت انسانی مقایسه کن.
• فارسی را جدا تست کن: بیشتر این مدل‌ها روی داده انگلیسی آموزش دیده‌اند؛ دقتشان روی متن فارسی ممکن است پایین‌تر باشد.
• آستانه را تنظیم کن: چون خروجی همراه با احتمال است، می‌توانی فقط موارد با اطمینان بالا را خودکار کنی و بقیه را به انسان بسپاری.

برای انتخاب سخت‌افزار و مدل‌های محلی دیگر، راهنمای هوش مصنوعی روی کامپیوتر خودت را ببین.

جمع‌بندی#

اگر سال‌های گذشته رقابت هوش مصنوعی سر «بزرگ‌تر بودن» بود، حالا بخشی از صنعت به سمت «مدل درست برای کار درست» رفته است. مدل‌های تصمیم‌گیر کوچک، سریع و ارزان‌اند و احتمالاً به‌زودی بی‌سروصدا در پشت بسیاری از اپ‌ها و ایجنت‌ها کار خواهند کرد. برای آشنایی با مدل‌های بزرگ‌تر بازار، مقاله مقایسه GPT-6 Astra، Sol و Luna را هم بخوان.

بیشتر بخوانید#

• مدل‌های کوچکی که روی کامپیوتر خودت اجرا می‌شوند
• Decisions API در DevDay 2026

منابع#

• AI Weekly: Liquid AI opens d1-3B and d1-omni-600M
• Digital Applied: AI model releases October 2026 tracker
• TechJack Solutions: Zero-token decision models