Writer-მა ახალი AI მოდელი და განახლებული ინფრასტრუქტურა წარადგინა ტოკენების ხარჯების შესამცირებლად

ხელოვნური ინტელექტის ინდუსტრიაში მომხმარებლები სულ უფრო მეტად აცნობიერებენ, თუ რამდენად ძვირი შეიძლება იყოს AI სისტემების დანერგვა და გამოყენება. შესაბამისად, ხარჯების შემცირების აუცილებლობა დღის წესრიგში სულ უფრო მწვავედ დგება. მიუხედავად იმისა, რომ ღია კოდის მქონე მოდელები ტოკენზე მნიშვნელოვნად დაბალ ფასს სთავაზობენ ბაზარს, კონკრეტული ამოცანისთვის შესაფერისი მოდელის შერჩევა ხშირად რთულ გამოწვევად რჩება.

ამ პრობლემის გადასაჭრელად, კომპანია Writer-მა, რომელიც მარკეტოლოგებისთვის AI ინსტრუმენტებსა და აგენტებს ქმნის, ახალი ფლაგმანური მოდელი — Palmyra X6 წარადგინა. სისტემა აგებულია Z.ai-ს ღია კოდის მქონე GLM-5.2 მოდელის ბაზაზე და წარმოადგენს მის სპეციალიზებულ, პოსტ-ტრენინგ ვარიაციას. Writer-ის განცხადებით, ახალი მოდელი უზრუნველყოფს სამუშაოდ გამზადებულ (deployment-ready) შესაძლებლობებს ბევრად უფრო ხელმისაწვდომ ფასად.

კომპანიის გათვლებით, ახალი მოდელი, ინფრასტრუქტურულ ცვლილებებთან ერთად, მომხმარებლებს საბაზისო დავალებების შესრულების ხარჯებს 50%-მდე შეუმცირებს. მოდელთან ერთად, Writer-მა ასევე გამოუშვა თავისი სტანდარტული აგენტური ინფრასტრუქტურის (agentic harness) მნიშვნელოვანი განახლებები. ორივე სიახლე მომხმარებლებისთვის ხუთშაბათიდან გახდა ხელმისაწვდომი.

„ვფიქრობ, კორპორაციულ სექტორს მობეზრდა მუდმივად ახალი ბენჩმარკების დევნა. მათ ხარჯების შემცირება და სტაბილურობა სურთ, თუმცა, როგორც ჩანს, ამის შეთავაზება ჯერჯერობით არავის შეუძლია“, — განუცხადა TechCrunch-ს კომპანიის აღმასრულებელმა დირექტორმა, მეი ჰაბიბმა.

ფოკუსი ეფექტურობასა და ხარჯების ოპტიმიზაციაზე

ახალი მიდგომა განსაკუთრებულ აქცენტს აკეთებს კომპლექსურ, მრავალსაფეხურიან ამოცანებზე, რომლებიც უფრო სწრაფად და ნაკლები ტოკენის გამოყენებით სრულდება. Writer-ის ხედვით, ინფრასტრუქტურის (harness) ოპტიმიზაცია ამ მიზნის მისაღწევად გადამწყვეტი ბერკეტია.

Writer-ის მკვლევრების ბოლოდროინდელი ნაშრომი ადასტურებს ამ სტრატეგიის მართებულობას. კვლევის ფარგლებში სხვადასხვა მოდელზე დაიტესტა ინფრასტრუქტურის ეფექტურობის მცირე ცვლილებები. შედეგებმა აჩვენა, რომ ხშირ შემთხვევაში, ინფრასტრუქტურის ოპტიმიზაცია ხარჯების შემცირების უფრო საიმედო გზაა, ვიდრე თავად მოდელის შერჩევა. ტესტირების პროცესში ხარჯების საშუალო კლებამ 40% შეადგინა.

„ინფრასტრუქტურა (harness) არის ის ერთადერთი კომპონენტი, რომლის ეფექტურობაც აისახება ორგანიზაციის მიერ გამოყენებულ ყველა მოდელზე — როგორც არსებულზე, ისე მომავალზე“, — აღნიშნავენ მკვლევრები.

მოდელ-აგნოსტიკური მიდგომა და ბაზრის ტენდენციები

Writer-ის კლიენტებისთვის სამუშაო გარემო კვლავ მოდელ-აგნოსტიკური რჩება: Palmyra X6 ხელმისაწვდომი იქნება კომპანიის სხვა მოდელებთან ან გარე სისტემებთან ერთად, რომლებიც იმპორტირებულია Azure-ის ან Amazon Bedrock-ის მეშვეობით.

მეი ჰაბიბი ასევე მიიჩნევს, რომ ხარჯების შემცირებისკენ სწრაფვა იწვევს მზარდ უნდობლობას მსხვილი AI ლაბორატორიების მიმართ. მისი თქმით, ამ ლაბორატორიებს აქვთ ფინანსური მოტივაცია, რომ ტოკენების მოხმარება მაქსიმალურად გაზარდონ.

„ხარჯების ასეთი ზრდა მომხმარებლებისთვის უპრეცედენტოა. სწორედ ამიტომ, ბევრი ტექნოლოგიური დირექტორი (CIO) უარს ამბობს დიდ ლაბორატორიებთან თანამშრომლობაზე,“ — ამბობს ჰაბიბი. მისივე მოსაზრებით, AI ლაბორატორიებს ხშირად არ ესმით, როგორ დაეხმარონ ბიზნესს ხელოვნური ინტელექტისგან რეალური სარგებლის მიღებაში.