ailin¹
Ailin¹

هوش جمعی: مرز بعدی هوش مصنوعی

۱۰۱٬۹۸۶ مدل با توانمندی‌های متفاوت، در کنار هم، به‌عنوان یک هوش جمعیِ واقعی.

از رقابت به همکاری: عصر هوش جمعی

هر لحظه انتخاب سخت‌تر می‌شود و ترس از انتخاب اشتباه، تیم‌ها و شرکت‌ها را فلج می‌کند. و انتخاب هرگز تمام نمی‌شود. آزمایشگاه‌ها بی‌وقفه و هم‌زمان مدل‌های پیشروی تازه عرضه می‌کنند. هر انتشار، ارزیابی، آزمون و قیمت‌گذاری را از نو آغاز می‌کند. ما این را Model Fatigue می‌نامیم: فرسودگیِ شرط‌بندی بر مدلی که مدام منقضی می‌شود. در همین حال بازار جهان را از خروجی‌هایی پر می‌کند که هر روز کامل‌تر و هر روز عام‌ترند. هزینهٔ پالایش به شما، به کسب‌وکارتان منتقل می‌شود، در جهانی که آموخته به همه‌چیز با تردید بنگرد. ما آن را AI Slop می‌نامیم. ما در آن مسابقه نمی‌دویم. ما بازی را عوض کردیم. و به همین دلیل باور داریم و ثابت کرده‌ایم که مرز بعدی هوش مصنوعی جمعی است.

شعار نیست، علم است: تنوع ساختاریافته از تخصص تک‌نفره بهتر عمل می‌کند. Condorcet این را اثبات کرد. Hong and Page آن را اندازه گرفتند. ما آن را به محصول تبدیل کردیم: مدل‌هایی که مستقل استدلال می‌کنند، یکدیگر را می‌سنجند و از طریق استراتژی‌های جمعیِ گوناگونِ برخاسته از دهه‌ها پژوهش، به یک پاسخ واحدِ قابل‌ممیزی همگرا می‌شوند.

هدف مدل‌های بیشتر نیست. هوش‌های متفاوتی است که بهتر با هم کار می‌کنند.

این همان هوش جمعی است. مدل فقط یک قطعه است. جمع، خودِ هوشمندی است. Ailin¹ همان جمع است.

Ailin¹ Collective: سازوکار پشت اثبات

Ailin¹ برای هوش جمعی زاده شد. مسیریابی، کشف، هماهنگ‌سازی و راستی‌آزمایی مکانیزم‌هایی هستند که در خدمت آن‌اند. با تکیه بر ۱۰۱٬۹۸۶ شناسهٔ مدل قابل‌کشف، هر درخواست از طریق یکی از 31 استراتژی هماهنگ‌سازی ثبت‌شده مسیریابی می‌شود: یک مدل تکی وقتی سرعت اهمیت دارد، چند مدل هماهنگ‌شده وقتی درستی اهمیت دارد تا استدلال کنند، بحث کنند و یکدیگر را بررسی متقابل کنند. ما Collective Foundation Model را تحول foundation model بر پایهٔ تز هوش جمعی می‌نامیم: بنیاد دیگر یک مدل واحد که برای همه‌چیز آموزش دیده نیست، بلکه مجموعه‌ای هماهنگ‌شده زیر یک لایهٔ تصمیم است. این یک معماری اختصاصی با stack اختصاصی خود از foundation model است و خانوادهٔ ailin با رسیدن به بلوغ به همین مجموعه می‌پیوندد.

هر پاسخ جمعی تصمیم را آشکار می‌کند: کدام مدل‌ها اجرا شدند، چه چیزی هماهنگ‌شان کرد و چه هزینه‌ای داشت. لازم نیست آن را باور کنید: خودتان راستی‌آزمایی می‌کنید.

Foundation Model یک مدل، آموزش‌دیده برای همه‌چیز
Collective Foundation Model لایه تصمیم‌گیری استخر هماهنگ، ۱۰۱٬۹۸۶ شناسه استک ailin با بلوغ، به استخر می‌پیوندد
  • کدام مدل‌ها اجرا شدند
  • کدام استراتژی آن‌ها را هماهنگ کرد
  • هزینهٔ جمعی چه بود
با هوش جمعی بسازید

سنجیده‌شده در برابر بزرگ‌ترین مدل‌های جهان. به‌صورت عمومی.

ما جمع را در برابر GPT-5.5-pro، Claude Opus 4.8، Gemini 3.1 Pro و Grok 4.3 آزمودیم و بر پایهٔ پاسخ‌های عینیِ قابل‌بررسی ماشینی، نه سلیقهٔ داور، نمره دادیم. نتیجه: جمع از هر چهار مدل پیشی گرفت، در آزمایشی قابل‌ممیزی و قابل‌بازتولید. مخزن را ببینید.

⭐ به ۲۱۹ ستاره‌دهندهٔ گیت‌هاب بپیوندید

Ailin¹ Collective: موتورِ پشتِ هر پاسخ

هر درخواست پیش از فراخوانی حتی یک مدل از همان آبشار مسیریابی عبور می‌کند، آبشاری که می‌تواند به استراتژی‌های جمعیِ مبتنی بر نتایج داوری‌شدهٔ پژوهشی دربارهٔ تصمیم‌گیری گروهی متوسل شود، از جمله قضیه هیئت‌منصفه کندورسه و قضیه پیش‌بینی تنوع هانگ و پیج. دقیق بگویید چه می‌خواهید، و فوراً پذیرفته می‌شود. هیچ نگویید، و آبشار تصمیم می‌گیرد.

فناوری پیشرفته جعبه سیاه نیست. دو اهرم است که در دست شماست.

پنج نام مستعار کل این طیف را پوشش می‌دهند، از یک مدل تکی و آنی تا اجماع پنج مدل. دو فیلد مستقل مرزها را تعیین می‌کنند: max_cost یک سقف است، quality_target یک کف است. یکی را تنظیم کنید، دیگری را، یا هر دو را. سقف (max_cost) پیش از فراخوانی هر مدلی اعمال می‌شود؛ کف (quality_target) هر تصمیم مسیریابی را به سمت خود هدایت می‌کند.

بیشتر پلتفرم‌ها فهرستی از مدل‌ها را به دست شما می‌دهند و نامش را انتخاب می‌گذارند. Ailin¹ دو اهرم مستقل به شما می‌دهد، نه یک اسلایدر واحد: پاسخ باید چقدر خوب باشد و حاضرید برای رسیدن به آن چقدر هزینه کنید.

  • هزینه را محدود کنید و بگذارید کیفیت سطح خودش را پیدا کند.

  • به‌سوی یک کف کیفیت هدایت کنید و بگذارید هزینه از تقاضا پیروی کند.

  • یک راهروی دقیق بین آن‌ها را مشخص کنید.

نام‌های مستعار مسیریابی Ailin¹ Collective، هدف بهینه‌سازی هرکدام، هزینه معمول و زمان استفاده از آن
نام مستعار بهینه‌شده برای هزینه معمول زمان استفاده
ailin-auto تناسب متعادل، تصمیم‌گیری در هر درخواست معمولی پیش‌فرض. بدون محدودیتی فراتر از تعادل هزینه و کیفیت.
ailin-best کیفیت، بدون سقف هزینه بیشترین کارهایی که درستی در آن‌ها حیاتی است و هزینه محدودیت تعیین‌کننده نیست.
ailin-fast تأخیر، یک مدل تکی کم مسیرهای تعاملی با بودجهٔ تأخیر سخت‌گیرانه.
ailin-economy هزینه، با اعمال سقف قطعی کمترین کارهای پس‌زمینه با حجم بالا
ailin-consensus درستی از راه بررسی متقابل مستقل بیشتر، به‌عمد پاسخ نادرستِ بی‌سروصدا همان حالت شکستی است که برای حذف آن هزینه می‌کنید.

هر پاسخ خاستگاه تصمیم را در ailin_metadata بازمی‌گرداند: strategy_used، models_used و cost_usd، تا تصمیم مسیریابی قابل راستی‌آزمایی باشد و نه صرفاً موضوع اعتماد.

درخواست: همان کلاینت فعلی OpenAI شما، با یک خط تغییر

from openai import OpenAI

client = OpenAI(
    base_url="https://api.ailin.one/v1",
    api_key="YOUR_KEY",
)

response = client.chat.completions.create(
    model="ailin-consensus",
    messages=[{"role": "user", "content": "..."}],
    extra_body={"max_cost": 0.15}
)

پاسخ

{
  "ailin_metadata": {
    "strategy_used": "ailin-consensus",
    "models_used": [
      "gpt-5.5-pro",
      "claude-opus-4.8",
      "gemini-3.1-pro"
    ],
    "final_decider_model_id": "claude-opus-4.8",
    "final_decider_role": "synthesizer",
    "cost_usd": 0.0842,
    "subcalls": [
      { "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
      { "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
      { "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
    ]
  }
}

Ailin¹ Collective چگونه تصمیم می‌گیرد: لایهٔ تصمیم هوش مصنوعی

یک آبشار لایه‌لایه که سریع‌ترین لایه‌ها زودتر ارزیابی می‌شوند. هر درخواست هر جا که ایمن باشد در همان مرحله نهایی می‌شود، بنابراین درخواست‌های ساده سریع تعیین تکلیف می‌شوند و درخواست‌های دشوارتر از لایه‌های عمیق‌تر بهره می‌گیرند.

پیش از آبشار: حافظهٔ پنهان معنایی نسخه‌ای تقریباً یکسان با یک درخواست اخیر، بی‌درنگ همان پاسخ ذخیره‌شده در حافظهٔ پنهان را بازمی‌گرداند. تریاژ و هر شش لایهٔ زیر آن نه صرفاً کوتاه‌مدار، بلکه یکسره نادیده گرفته می‌شوند.

  1. مسیریابی صریح

    شما آن را نام برده‌اید، یک نام مستعار، یک مدل یا یک استراتژی، پس این لایه درخواست را بی‌درنگ تعیین تکلیف می‌کند. همیشه بر تمام لایه‌های زیرین خود اولویت دارد، و اگر آنچه نام برده‌اید واقعاً قابل تأمین نباشد، درخواست به‌صراحت شکست می‌خورد، نه اینکه بی‌سروصدا به چیز دیگری فروبیفتد.

  2. تریاژ

    یک مدل اختصاصی، نیت و پیچیدگی وظیفه را می‌خواند و پیش از اجرای هر مدلی از جمع، یک استراتژی را پیشنهاد می‌دهد. تحلیلی واقعی است، نه یک جدول جست‌وجو، و به همین دلیل هزینهٔ یک فراخوانی واقعی (هرچند کوچک) را خودش به دوش می‌کشد.

  3. بایگانی پیکربندی

    پس از 5 نتیجهٔ ثبت‌شده فعال می‌شود

    پس از آنکه دست‌کم 5 نتیجه برای یک حوزهٔ وظیفه ثبت شد، Ailin¹ Collective به‌جای بازتولید آن از نو، از آنچه پیش‌تر اثبات‌شده دوباره استفاده می‌کند.

    نه یک انتخاب تکی و جعبه‌سیاه، بلکه بانکی از پیکربندی‌های برگزیده که در 6 محور بهینه‌سازی (کیفیت، صرفه‌جویی در هزینه، سرعت، توازن، قابلیت اطمینان، کیفیت به‌ازای هر توکن) برای همان حوزه رهگیری می‌شوند، به‌طوری‌که استراتژی و مجموعه مدلی که دوباره استفاده می‌شود همانی است که واقعاً در همان بعدی که درخواست شما به آن اهمیت می‌دهد برنده شده است.

  4. مرز هزینه / کیفیت / تأخیر

    پس از 3 نتیجهٔ ثبت‌شده فعال می‌شود

    به‌محض آنکه سابقهٔ کافی فراهم شود، این مصالحهٔ چندهدفه (کیفیت، هزینه، سرعت، نرخ موفقیت) را مستقیماً بهینه می‌کند، حتی پیش از آنکه یک تطابق اثبات‌شده و دقیق با همان حوزهٔ وظیفه شکل گرفته باشد.

  5. ترجیح استراتژی آموخته‌شده

    پس از 5 نتیجهٔ ثبت‌شده فعال می‌شود

    یک بندیت تامپسون سمپلینگ، استراتژی‌ها را بر پایهٔ نتایج واقعی و اندازه‌گیری‌شدهٔ آن‌ها در طول زمان وزن‌دهی می‌کند و پیش‌فرض‌های خودِ آبشار را پالایش می‌کند، و خودش را نیز ممیزی می‌کند: اگر نرخ پاداش کلیِ اندازه‌گیری‌شده‌اش به زیر 95% بهترین عکس‌وضعیتی که تاکنون ثبت کرده برسد، بندیت به‌صورت خودکار کل حالت آموخته‌شدهٔ خود را به همان بهترین عکس‌وضعیت شناخته‌شده بازمی‌گرداند.

  6. اکتشاف پشتیبان

    اگر هیچ لایه‌ای در بالا درخواست را تعیین تکلیف نکند، یک اکتشاف قطعیِ امتیازدهی‌شده استراتژی را بر پایهٔ نوع وظیفه، پیچیدگی و مجموعهٔ مدل‌های در دسترس انتخاب می‌کند. تعیین استراتژی همیشه با یک تصمیم پایان می‌یابد که در strategy_used ثبت می‌شود.

پس از آبشار: دروازهٔ حاکمیت هزینه هرچه لایه‌های 1 تا 6 انتخاب کرده باشند، مگر آنکه مسیریابی را به‌صراحت خودتان تعیین کرده باشید، یک بررسی نهایی همچنان می‌تواند یک انتخاب گران‌قیمتِ جمعی را به یک مدل تکی تنزل دهد، هرگاه بازدهی برآوردشده از آستانهٔ لازم عبور نکند. تنها یک درخواست صریح می‌تواند از این بررسی نیز عبور کند.

لایه‌های 3 تا 5 هرکدام مستقل از دیگری و به‌تناسب انباشت سابقهٔ استفاده برای یک حوزهٔ وظیفه فعال می‌شوند، از 3 نتیجهٔ ثبت‌شده برای مرز هزینه/کیفیت/تأخیر تا 5 نتیجه برای بایگانی پیکربندی و بندیت ترجیح آموخته‌شده؛ تا آن زمان، اکتشاف قطعی و قابل‌ممیزی لایه 6 هر زمان که لایه‌های 1 و 2 آن را زودتر تعیین تکلیف نکنند، تصمیم را می‌گیرد.

31 استراتژی. هر یک پشتوانه‌ای در پژوهش دارد.

ده‌ها راه برای آنکه مدل‌ها با هم فکر کنند، هرکدام قابل‌حسابرسی. مسائل متفاوت شکل‌های متفاوتی از استدلال جمعی می‌طلبند.

هیچ‌کدام از این‌ها بداهه نیستند. هر استراتژی در این کاتالوگ به یک نتیجه مشخص و نام‌دار در پژوهش‌های هماهنگی یا تصمیم‌گیری جمعی نگاشت می‌شود، نه یک حدس داخلی که لباس علم پوشیده باشد.

  • consensus

    قضیه هیئت‌منصفه کندورسه (1785): رأی اکثریت میان 3 تا 5 مدل، همراه با یک کف تنوع تا توافق از استدلال‌های همسان به دست نیاید.

  • diversity-ensemble

    قضیه پیش‌بینی تنوع هانگ و پیج (PNAS، 2004): تیمی می‌سازد که تنوع را در محورهای مختلف به‌صورت ساختاری بیشینه می‌کند.

  • debate

    مدل‌ها در دورهای ساختاریافته و با حضور یک تعدیل‌گر با هم بحث می‌کنند.

  • swarm-explore

    کاوش موازی، که تریاژ آن را برای کارهای طراحی و معماریِ باز به‌صورت خودکار انتخاب می‌کند.

  • stigmergic-refinement

    هم‌گرایی از راه یک مصنوع مشترک به‌جای رأی‌گیری، که تریاژ آن را برای نگارش‌های با پیچیدگی بالا به‌صورت خودکار انتخاب می‌کند.

  • expert-panel

    بازبینی مستقل چندنقشی پیش از ارسال پاسخ، که می‌توان آن را برای درخواست‌های نیازمند راستی‌آزمایی سنگین مستقیماً فراخواند.

  • tri-role-collective

    Planner، Solver، Auditor: یک ماشین حالت قطعی، نه یک هماهنگ‌کنندهٔ آموزش‌دیده، که به‌صورت ساختاری مانع از آن می‌شود که Auditor همان مدل یا همان گذر استدلالی باشد که لحظاتی پیش پاسخ را به‌عنوان Solver تولید کرده است.

  • و 24 استراتژی دیگر

شما مدل را انتخاب نمی‌کنید. Ailin¹ جمعی انتخاب می‌کند.

سادگی هنگامی که وظیفه ساده است. عمق هنگامی که نیست. شما مرزها را تعیین می‌کنید، Ailin¹ جمعی درون آن‌ها تصمیم می‌گیرد، و یک فیلد همواره آن را بازنویسی می‌کند. کار خلاقانه به‌طور پیش‌فرض تکی اجرا می‌شود. کار قابل‌راستی‌آزمایی به‌صورت جمعی اجرا می‌شود.

هرگز لازم نیست تصمیم بگیرید که یک درخواست به یک مدل نیاز دارد یا به پنج مدل. هر درخواست پیش از فراخوانی حتی یک مدل، از Ailin¹ Collective عبور می‌کند، همان آبشار مسیریابی که پشت ailin-auto قرار دارد. دقیقاً می‌دانید چه می‌خواهید؟ نامش را ببرید: یک نام مستعار مانند ailin-fast، یک مدل مشخص، یا strategy: "single"، و Ailin¹ Collective بی‌درنگ آن را اجرا می‌کند، بدون چانه‌زنی و بدون تأخیر اضافه. چیزی نگویید، آبشار خودِ وظیفه را می‌خواند و شکلی متناسب با آن برمی‌گزیند. اجرای یک مدل تکی از راه Ailin¹ نه یک راه جایگزین است و نه یک تنزل. این یک مسیر درجه‌یک است که Ailin¹ Collective مدام و به‌عمد سراغ آن می‌رود.

تک‌مدل

یک صدای یکدست، از آغاز تا پایان. هزینهٔ کمتر، تأخیر کمتر، و درست به همان اندازهٔ جایگزین در دسترس.

ailin-fast

جمع چندمدلی

پیشنهاددهنده‌های مستقل که به‌موازات کار می‌کنند، پیش از آنکه یک پاسخ ببینید توسط یک ترکیب‌کننده راستی‌آزمایی و آشتی می‌شوند، تا اختلاف نظر پیش از رسیدن به شما دستگیر شود، نه پس از آن.

ailin-consensus

کار خلاق و بازطراحی چه؟

در وظایف عینیِ قابل‌راستی‌آزمایی، که ماشین بررسی‌شان می‌کند نه داوری سلیقه‌ای، این جمع است که برنده می‌شود. در کار خلاقانهٔ با پایان باز، یک مدل تکیِ به‌خوبی‌انتخاب‌شده به همان وضوح برنده می‌شود. دقیقاً به همین دلیل تریاژ وجود دارد: آبشار میان نوع‌های وظیفه میانگین نمی‌گیرد، بلکه میان آن‌ها تمایز می‌گذارد. کار خلاقانه به‌طور پیش‌فرض تکی اجرا می‌شود. کار قابل‌راستی‌آزمایی به‌صورت جمعی اجرا می‌شود.

وظایف قابل‌راستی‌آزمایی 97%

دقت (37 از 38)، در برابر 68 تا 82% برای مدل‌های پیشروی منفرد. راستی‌آزم در طول سه دور کامل هرگز اجازه نداد پاسخ نادرستی از آن عبور کند.

برای انتخاب میان ساده و دقیق لازم نیست از بر کنید که کِی کدام را به کار ببرید. شما آنچه را می‌دانید می‌گویید، Ailin¹ Collective بقیه را کامل می‌کند، و کنار زدن این تصمیم همیشه فقط یک فیلد با شما فاصله دارد.

با هوش جمعی بسازید ⭐ به هوش جمعی در گیت‌هاب ستاره بدهید

هزاران مدل. تنها مدل‌های درست روی صحنه می‌روند.

جمع همان مزیت است

دسترسی به مدل‌های بیشتر، پیشرفتی نیست. پیشرفت آن است که وقتی هوش‌های متفاوت با هم کار می‌کنند چه رخ می‌دهد. Ailin¹ اکوسیستمِ با کشف پیوستهٔ ۱۰۱٬۹۸۶ شناسهٔ مدل را به یک جمع تبدیل می‌کند و سپس تنها زیرمجموعه‌ای را فعال می‌کند که هر استراتژی به آن نیاز دارد.

۱۰۱٬۹۸۶ شناسهٔ مدل قابل‌کشف. آنچه اجرا می‌شود بر اساس تنوع انتخاب می‌شود، نه شمارش بر اساس اندازه.

  • همیشه به‌روز

    مدلی که تازه منتشر شده است، در همان چرخهٔ کشفی که در آن پدیدار می‌شود نمایه می‌شود، بدون آنکه نیاز به انتظار برای چرخهٔ انتشار بعدی باشد.

  • طیف کامل

    متن، بینایی، صوت و تعبیه‌ها در یک کاتالوگ، پشت همان endpoint.

چرا هوش هنگامی که جمعی می‌شود قدرتمندتر می‌گردد

هوش مصنوعی پیرامون مدل‌های فردی ساخته شد. مرز بعدی جمعی است. یک مدل فردی می‌تواند فوق‌العاده باشد و با این حال معماری، تاریخچه، نقاط کور و حالت‌های شکست خودش را همراه داشته باشد. هوش جمعی به مدل‌های مستقل امکان می‌دهد دیدگاه‌های متفاوت ارائه دهند، پیش‌فرض‌ها را به چالش بکشند، تخصص‌سازی کنند، جایگزین‌ها را مقایسه کنند و هرجا وظیفه اجازه دهد نتایج را راستی‌آزمایی کنند. آنچه در ادامه می‌آید فهرست آرزو نیست: پنج مکانیزم است که همین حالا در تولید در حال اجراست.

هزینهٔ تک‌مدل، آنجا که اهمیت دارد

در وظایفی که ماشین می‌تواند بررسی کند، یک راستی‌آزمِ قطعی پاسخ درست را بی‌درنگ می‌پذیرد و بقیهٔ جمع را کوتاه‌مدار می‌کند، به‌طوری‌که هزینه در آن وظایف به هزینهٔ یک مدل تکی بسیار نزدیک‌تر می‌شود تا به بقیهٔ جمع، درست همان‌جایی که مزیت دقت جمع در قوی‌ترین حالت خودش است.

تاب‌آوری

قطعی یک ارائه‌دهنده لازم نیست به قطعی شما تبدیل شود. جمع خودش، بدون دخالت شما، از مدل‌های تنزل‌یافته و شکست‌ها مسیر دیگری پیدا می‌کند، و هر پاسخ همچنان خاستگاه تصمیم را با خود دارد: کدام استراتژی اجرا شد، کدام مدل‌ها، و هزینه‌اش چقدر بود.

تنوع ساختاری

ارائه‌دهنده، معماری و هدف آموزش با انتخاب چرخشی (round-robin) از هم جدا نگه داشته می‌شوند، به‌طوری‌که مدل‌های پیاپی در یک اجرا هرگز یک ارائه‌دهنده مشترک ندارند. این همان قضیه پیش‌بینی تنوع هانگ و پیج است که در لایه مسیریابی نهادینه شده، نه امیدی به اینکه داده‌های آموزشی متفاوت اتفاقی و به‌درد‌بخور با هم اختلاف پیدا کنند. این کار نقاط کور را آشکار می‌کند؛ وعدهٔ حذف آن‌ها را نمی‌دهد.

هیچ ارائه‌دهنده‌ای مالک محصول شما نیست

یک جمع چند ارائه‌دهنده را دربرمی‌گیرد، بنابراین نقشه‌راه، قیمت‌گذاری یا سیاست یک ارائه‌دهنده به‌تنهایی محصول شما را تعریف نمی‌کند.

متخصص مناسب، در لحظه

متخصص درست برای وظیفهٔ درست: استدلال، کد، بینایی، زمینهٔ بلند، یا تأخیر پایین، در زمان واقعی برای هر درخواست انتخاب می‌شود.

پرسش‌های پرتکرار

پاسخ‌های مستقیم، همراه با پژوهش، فایل یا عددِ مستندکنندهٔ هر یک. هر ادعایی که می‌کنیم، قابل‌بررسی است.

یکپارچه‌سازی & اصول

بله. سطح اصلی (chat/completions، responses، embeddings، models) به‌صورت جایگزین مستقیم سازگار است و یک بلوک افزوده ailin_metadata نیز منشأ تصمیم را با خود می‌آورد. کلاینت فعلی خود را به نقطه پایانی Ailin¹ متصل کنید، هدر احراز هویت را عوض کنید، و همان ساختار درخواست کار می‌کند.

ساخته‌شده برای هوش جمعی، و این یک ادعای مهندسیِ مشخص است، نه یک شعار تبلیغاتی. مسیریابی تعیین می‌کند که یک درخواست به کجا برود؛ هماهنگ‌سازی دنباله‌ای را اجرا می‌کند که خودتان می‌نویسید؛ هوش جمعی همان لایه‌ای است که تعریف می‌کند چند مدل چگونه با هم استدلال می‌کنند، یکدیگر را بررسی متقابل می‌کنند و با هم ترکیب می‌شوند، با مسیریابی، هماهنگ‌سازی و راستی‌آزمایی به‌عنوان مکانیزم‌هایی که در خدمت آن‌اند. این مکانیزم‌ها ریشه در پژوهش‌های نام‌دار دارند: قضیه پیش‌بینی تنوع هانگ و پیج (PNAS، 2004)، قضیه هیئت‌منصفه کندورسه (1785)، و ضریب هوش جمعیِ «c» از Woolley et al. (Science، 2010). حتی یکی از استراتژی‌ها در کد منبع به همین نام خوانده می‌شود: diversity-ensemble با نام «Diversity Ensemble (Page Theorem)» ارائه می‌شود. یک درخواست می‌تواند چند مدل را تحت یکی از این استراتژی‌ها فعال کند، سپس یک پاسخ واحد را همراه با خاستگاه تصمیم دربارهٔ چگونگی رسیدن به آن بازمی‌گرداند.

کاتالوگ زنده ۱۰۱٬۹۸۶ شناسهٔ مدل قابل‌کشف را در بر می‌گیرد که به‌طور پیوسته در میان ده‌ها ارائه‌دهنده کشف و بر اساس قابلیت برچسب‌گذاری می‌شوند، و هرگز فهرستی ایستا نیست که کسی دستی ویرایشش کند. یک درخواست تکی هرگز به همهٔ آن‌ها دست نمی‌زند: هر استراتژی جمعی تنها زیرمجموعه‌ای را فعال می‌کند که به آن نیاز دارد، نه کل کاتالوگ.

Ailin¹ جمعی & استراتژی‌ها

ailin-auto (پیش‌فرض متعادل، بگذارید آبشار تصمیم بگیرد)، ailin-best (کیفیت در اولویت، بدون سقف هزینه)، ailin-fast (تأخیر در اولویت، یک مدل تکی)، ailin-economy (هزینه در اولویت، با اعمال سقف قطعی)، ailin-consensus (درستی از راه بررسی متقابل مستقل). با ailin-auto شروع کنید. تنها زمانی سراغ گزینه دیگری بروید که چیزی می‌دانید که روتر نمی‌داند.

به‌طور پیش‌فرض، Ailin¹ تصمیم می‌گیرد، از راه آبشار مسیریابی Ailin¹ Collective: نخست مسیریابی صریح اگر چیزی را نام برده باشید، سپس تریاژ اگر نام نبرده باشید. می‌توانید با تثبیت مستقیم یک مدل، یک نام مستعار یا یک استراتژی هر لایه را کنار بزنید، و آن انتخاب همیشه برنده است. بیشتر یکپارچه‌سازی‌ها هرگز به این کار نیاز پیدا نمی‌کنند.

یک آبشار لایه‌لایه که سریع‌ترین لایه‌ها زودتر ارزیابی می‌شوند: مسیریابی صریح اگر آن را نام برده باشید؛ تریاژ که وظیفه را دسته‌بندی و آن را به یک استراتژی نگاشت می‌کند؛ یک بایگانی پیکربندی که از آنچه در گذشته برای همان حوزه دقیق وظیفه جواب داده دوباره استفاده می‌کند؛ یک مرز هزینه/کیفیت/تأخیر که این مصالحه را مستقیماً بهینه می‌کند؛ و یک ترجیح استراتژی آموخته‌شده (یک بندیت تامپسون سمپلینگ) که استراتژی‌ها را بر پایه نتایج واقعی در طول زمان وزن‌دهی می‌کند. بایگانی پیکربندی و بندیت ترجیح آموخته‌شده پیش از فعال شدن به دست‌کم 5 نتیجهٔ ثبت‌شده برای هر حوزه نیاز دارند، و مرز هزینه/کیفیت/تأخیر با 3 نتیجه فعال می‌شود؛ تا آن زمان، یک اکتشاف پشتیبانِ قطعی و قابل‌ممیزی تصمیم را می‌گیرد، همان اکتشافی که اگر هیچ‌کدام از لایه‌های بالای آن درخواست را تعیین تکلیف نکنند، پشتیبان تمام آن‌هاست.

31 استراتژی در موتور هماهنگ‌سازی ثبت شده‌اند، از یک مدل تکیِ مسیریابی‌شده تا ازدحام‌های نه‌عاملی که یک مسئله را به‌موازات کاوش می‌کنند. 15 استراتژی در آبشار مسیریابی به‌صورت خودکار قابل انتخاب‌اند؛ 16 استراتژی دیگر فقط صریح‌اند و تنها زمانی اجرا می‌شوند که نامشان را ببرید. همچنین می‌توانید هر یک را مستقیماً به شکل <strategy>:<tier> فراخوانید، برای نمونه consensus:large، تا دقیقاً همان سازوکار و رده قیمتی قفل شود.

در نویسندگی خلاقِ باز و بازآرایی کد، مقایسه‌های استراتژی خود ما (با نمونه کوچک) نشان می‌دهد یک مدل تکیِ قوی به‌روشنی از کل مجموعه بهتر عمل می‌کند. در وظایف عینیِ قابل‌راستی‌آزمایی، این مقایسه معکوس می‌شود: یک استراتژی اجماعِ راستی‌آزمایی‌شده 37 از 38 (97%) امتیاز گرفت، در برابر 68 تا 82% برای مدل‌های پیشروی منفردی که در کنارش آزمودیم. Ailin¹ به‌طور پیش‌فرض اجماع را به این درخواست‌ها تحمیل نمی‌کند و در هیچ جهتی شما را در حدس خودش حبس نمی‌کند: یک فیلد به شما یک صدای یکدست می‌دهد (ailin-fast، strategy: "single")، و همان یک فیلد راستی‌آزمایی مستقل چندمدلی را در اختیارتان می‌گذارد (expert-panel، tri-role-collective) اگر واقعاً همان را بخواهید.

هزینه & پاسخگویی

بله، برای هر درخواست. max_cost پیش از فراخوانی هر مدلی سقف قطعی هزینه را اعمال می‌کند؛ اگر برآورد هزینه استراتژی‌ای که قرار است اجرا شود از آن بیشتر باشد، درخواست با 400 strategy_budget_exceeded شکست می‌خورد و بی‌سروصدا هزینه اضافی نمی‌تراشد. quality_target کف متناظر آن است. هر پاسخ عدد واقعی را گزارش می‌کند: ailin_metadata.cost_usd، همراه با ریز اقلام. استراتژی‌های چندمدلی به‌طور محسوسی گران‌تر از یک مدل تکی تمام می‌شوند. برای وظایفی که ماشین می‌تواند بررسی کند (استخراج ساختاریافته، ریاضی، کد همراه با تست، پرسش‌و‌پاسخ واقعیت‌محور)، این هزینهٔ اضافه تقریباً ناپدید می‌شود: وقتی میان‌بر قطعیِ یک استراتژی راستی‌آزمایی‌شده فعال شود، آخرین بنچمارک پیشرو ما هزینهٔ جمع را حدود $2.98/Mtok اندازه‌گیری کرد، تقریباً 100x ارزان‌تر از مسیر راستی‌آزمایی‌نشدهٔ جمع و در همان مرتبهٔ بزرگی قیمت‌گذاری تک‌مدل.

هر پاسخ حاوی ailin_metadata.final_decider_model_id است، یعنی دقیقاً همان مدلی که پاسخ شما را تولید کرده، به‌علاوه final_decider_role (primary، synthesizer، fallback یا cache) و یک آرایه کامل subcalls[] که هر شرکت‌کننده را با هزینه، تأخیر و نتیجه خودش فهرست می‌کند. اگر می‌خواهید یک مشکل کیفیت را به ارائه‌دهنده گزارش کنید، همان شناسه است که اهمیت دارد، نه «Ailin¹ API». اگر لازم دارید بازسازی کنید که چرا یک تصمیم چندمدلی به همان شکل درآمده، ردیابی هماهنگی ماندگار را فعال کنید: GET /v1/collective/runs/:id/trace یک جدول‌زمانی در سطح میلی‌ثانیه از هر مرحله بازمی‌گرداند، و طوری ساخته شده که هیچ مشتری‌ای هرگز نمی‌تواند حتی وجود اجرای مشتری دیگری را تأیید کند؛ جست‌وجوی شناسه اجرای فرد دیگری همان 404ای را برمی‌گرداند که برای اجرایی که هرگز ساخته نشده بازگردانده می‌شود.

شواهد & اعتماد

در بنچمارکی شامل 10 وظیفهٔ قابل‌راستی‌آزمایی عینی (پاسخ‌های قابل‌بررسی توسط ماشین، نه داوری سلیقه‌ای) که 38 بار اجرا شد، یک استراتژی اجماع همراه با یک راستی‌آزمای قطعی در ارزیابی خود ما 37 بار از 38 بار درست پاسخ داد، در برابر 68 تا 82% برای مدل‌های پیشروی منفردی که در کنارش آزمودیم (GPT-5.5-pro، Claude Opus 4.8، Gemini 3.1 Pro، Grok 4.3). در طول هر سه دور، راستی‌آزما حتی یک‌بار هم پاسخ عینتاً نادرستی را انتخاب نکرد. بدون آن، دیگر استراتژی‌های جمعی به همان بازهٔ مدل‌های پرچم‌دار تکی برمی‌گردند، پس این مزیت را باید به راستی‌آزما نسبت داد، نه به مدل‌های اضافه. برای کامل بودن: قوی‌ترین تک‌مدل هم در دور دوم به‌تنهایی 100% امتیاز گرفت (15 اجرا)، پس 97% را در چارچوب پروتکل کامل سه‌دوری بخوانید، نه به‌عنوان وعده‌ای برای هر دور جداگانه. نمرهٔ گزارش‌شده را می‌توان از خروجی‌های خام منتشرشده و بررسی‌کنندهٔ ارزیابی دوباره محاسبه کرد. به‌جای اینکه حرف ما را بپذیرید، خودتان اجرایش کنید.

نه، پرامپت‌های خام شما این‌طور نیستند. خط لولهٔ صادرات داده‌های آموزشی هرگز به محتوای پرامپت دست نمی‌زند: تنها ابرداده‌های عملیاتیِ ناشناس‌سازی‌شده را صادر می‌کند (استراتژی استفاده‌شده، هزینه، تأخیر، امتیازهای کیفیت)، با شناسه‌های ردیابی که از راه SHA-256 به‌همراه یک پیپر (pepper) محرمانه هش شده و به 16 نویسه کوتاه شده‌اند، و شناسه‌های سازمان و کاربر شما پیش از آماده‌سازی هر چیزی حذف می‌شوند. اگر آن پیپر پیکربندی نشده باشد، کار صادرات اجرا نمی‌شود، به‌جای آنکه داده‌های محافظت‌نشده را صادر کند.

احراز هویت، جداسازی مشتریان، اعمال سهمیه، مسیریابی فیلترشده بر اساس قابلیت و ردیابی درخواست‌ها روی هر فراخوانی اجرا می‌شوند. این همین امروز زنده است، و سمت زنجیرهٔ تأمین و مجوزدهی هم همین‌طور: نقاط پایانی انطباق با بند 13 AGPL (/source، /license)، خاستگاه انتشار SLSA/Sigstore، و یک SBOM با قالب SPDX همراه هر انتشار عرضه می‌شوند. آنچه هنوز انجام نشده: گواهی‌نامهٔ رسمی. SOC 2 و ISO 27001 در جریانند، نه گواهی‌گرفته، پس اگر واحد تدارکات شما به تأییدیه مشخصی نیاز دارد، به‌جای برداشت از متن‌های بازاریابی، از جمله متن ما، از تیم پشتیبان حساب خود بپرسید. برای هیچ‌کدام از این‌ها هم لازم نیست حرف ما را بپذیرید: موتور هماهنگ‌سازی پشت اعداد این صفحه به‌صورت عمومی در github.com/ailinone/collective-intelligence در دسترس است (AGPL-3.0-or-later)، همراه با اسکریپت‌های بنچمارک و داده‌های خام در همان مخزن.

عصر جمعی هوش مصنوعی از پیش آغاز شده است

در وظایف قابل‌راستی‌آزمایی، اجماع راستی‌آزمایی‌شدهٔ ما 37 بار از 38 درست پاسخ داد، در برابر 68 تا 82 درصد برای مدل‌های پیشروی منفرد، و حتی یک‌بار هم پاسخ نادرست را انتخاب نکرد. این یک وعده نیست: یک بنچمارک منتشرشده است که موتور، اسکریپت‌ها و داده‌های خام آن برای بررسی هر کسی باز است. مدل به قطعه‌ای تبدیل می‌شود. جمع به هوشمندی تبدیل می‌شود.

Ailin¹ Chat را باز کنید درخواست دسترسی با هوش جمعی بسازید ⭐ به هوش جمعی در گیت‌هاب ستاره بدهید