# مدل‌های محلی موفقیت عامل‌های هوش مصنوعی لبه را افزایش می‌دهند

> ترکیب ابر و پردازش لبه‌ای، در آزمون‌های AppWorld نرخ موفقیت را تا 14.9 واحد درصد بالا برد و داده‌های کاربر را روی دستگاه نگه داشت.

Oossa · 2026-10-14 · https://oossa.com/fa/local-models-improve-edge-ai-agent-success-rates

پژوهشگران به سرپرستی Boris Radovič راهکاری میانه میان عامل‌های هوش مصنوعیِ صرفاً ابری و مدل‌های کوچکِ روی دستگاه را بررسی کردند. در این روش، ابر برنامه را می‌نویسد، اما برای تفسیر داده‌های کاربر از یک مدل کوچک محلی کمک می‌گیرد. آزمون‌ها در معیار AppWorld نشان دادند این طراحی ترکیبی، نرخ موفقیت عاملِ صرفاً کدنویس را در هر شش ترکیب مدل و بخش آزمون افزایش داد؛ این افزایش به 14.9 واحد درصد رسید و با حفظ حریم خصوصی، بخش زیادی از فاصله با حلقه ReAct کاملاً میزبانی‌شده در ابر را از میان برد.

## حقایق

- افزایش نرخ موفقیت تا 14.9 واحد درصد
- ارزیابی در AppWorld با شش ترکیب از مدل پایه و بخش آزمون

## چرا مهم است

کاربران دستگاه‌های لبه می‌توانند دستیارهای هوش مصنوعی دقیق‌تری داشته باشند، بی‌آنکه داده‌های خصوصی‌شان را به ابر بفرستند.

## منابع و ارجاع‌ها

1. [Should SLMs be in the Driver's Seat? A Study of Local Models as Interpreters in Cloud-Written Agent Programs](https://arxiv.org/abs/2610.14209) – arXiv, 2026-10-14

آخرین به‌روزرسانی: 2026-10-14