مدل Nanbeige4.1-3B که اواسط فوریه ۲۰۲۶ آپدیت شد، یه مثال نقض برای کساییه که فکر می‌کنن مدل‌های ۳ میلیاردی فقط برای چت‌های ساده یا خلاصه‌سازی متن هستن. این مدل با تمرکز روی "عمق عاملیت" (Agentic Depth) طراحی شده و ادعای تکنیکال اصلیش، توانایی مدیریت زنجیره‌های طولانی فراخوانی ابزار (Tool Invocations) تا بیش از ۵۰۰ مرحله است. برای یه مدل ۳ میلیاردی، این یعنی شکستن سقف شیشه‌ای که همیشه بین استدلال عمومی و چرخه‌های کاری پیچیده وجود داشت.

پست‌تراینینگ (Post-training) این مدل با استفاده از ترکیب SFT و RL به شدت روی سناریوهای جستجوی عمیق (Deep-search) متمرکز بوده. مشکل همیشگی مدل‌های کوچیک اینه که یا توی استدلال عمومی خوبن یا توی استفاده از ابزار، اما وقتی تعداد مراحل کار زیاد میشه، کانتکست رو گم می‌کنن یا دچار توهم میشن. Nanbeige4.1 نشون داده که با یه دیتای باکیفیت و پایپ‌لاین RL درست، میشه مدلی ساخت که توی چرخه‌های طولانی "خسته" نشه و هدف اصلی تسک رو فراموش نکنه.

به نظر من، ارزش واقعی این مدل برای مهندس‌هایی هست که می‌خوان سیستم‌های Agentic رو به صورت Local و با کمترین هزینه سخت‌افزاری اجرا کنن. ۵۰۰ مرحله فراخوانی ابزار یعنی شما می‌تونید یه ایجنت محقق (Research Agent) بسازید که ساعت‌ها توی وب بگرده، دیتای مختلف رو بخونه، ابزارهای تحلیل رو صدا بزنه و در نهایت یه گزارش دقیق بده؛ بدون اینکه نیاز باشه به مدل‌های ابری گرون‌قیمت وصل بشید.

استراتژی تیم Nanbeige توی انتشار وزن‌ها به همراه گزارش فنی دقیق (PDF) در هاگینگ فیس، نشون‌دهنده شفافیت در متدولوژی آموزشیشونه. اونا به جای هایپ روی تعداد پارامتر، روی "پایداری در مسیرهای طولانی" (Long Trajectories) تمرکز کردن که دقیقاً همون چیزیه که برای ساختن اپلیکیشن‌های واقعی مبتنی بر هوش مصنوعی (و نه فقط دموهای جذاب) بهش نیاز داریم.

اگه دارید روی ایجنت‌های خودمختار کار می‌کنید که نیاز به جستجوی عمیق دارن، Nanbeige4.1-3B می‌تونه جایگزین خیلی خوبی برای مدل‌های سنگین‌تر باشه، به شرطی که پرامپت‌نویسی و ساختار ابزارهاتون رو دقیق تنظیم کرده باشید. این مدل ثابت می‌کنه که توی سال ۲۰۲۶، "هوشمندی" دیگه لزوماً به معنی "بزرگی" نیست، بلکه به معنی "تخصص در فرآیند" هست.

📃 مخزن مدل در هاگینگ فیس:
https://huggingface.co/Nanbeige/Nanbeige4.1-3B

🛠 Join @LLMEngineers Community