Diba-Base · دیبا

چه کارهایی انجام می‌دهد

• فارسیِ درست: فارسیِ نوشتاریِ روان با رسم‌الخط و نیم‌فاصلهٔ درست؛ پاسخ به همان زبانِ پیامِ شما (فارسی ← فارسی، انگلیسی ← انگلیسی).
• شناختِ ایران: جغرافیا، فرهنگ و تاریخ معاصر.
• کدنویسی: پایتون، جاوااسکریپت، تایپ‌اسکریپت و زبان‌های دیگر، از روی دستورِ فارسی یا انگلیسی.
• فراخوانی ابزار: تعریفِ توابع را می‌دهید و مدل تصمیم می‌گیرد کدام را با چه ورودی‌هایی صدا بزند.
• اجرای آفلاین: یک فایل GGUF حدود ۲٫۸ گیگابایتی روی CPU؛ بدون ابر و بدون GPU.

مشخصات فنی

مقایسه با مدل‌های متن‌بازِ هم‌اندازه

دیبا روی مدل‌های متن‌بازِ هم‌اندازه، با پرسش‌ها و تست‌های یکسان (دیکودِ حریصانه) سنجیده شد: ۲۰ تست پایتون و ۲۰ تست جاوااسکریپت با اجرای واقعیِ تست‌های واحد، ۴۰ پرسشِ تاریخِ ایران، و اینکه آیا مدل به زبانِ کاربر پاسخ می‌دهد.

با توجه به اندازهٔ ۴ میلیاردی، دیبا در کدنویسی پیشتاز است، در پاسخ به زبانِ درست هم‌ترازِ بهترین‌هاست، و در دانشِ فارسی دربارهٔ ایران با اختلافِ زیاد جلوتر است؛ جایی که مدل‌های عمومی ضعیف‌اند. (روش‌شناسی و آرتیفکت‌ها در کارتِ مدل روی Hugging Face منتشر شده است.)

شروع سریع

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

tok = AutoTokenizer.from_pretrained("Dibachain/Diba-Base", trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    "Dibachain/Diba-Base", dtype=torch.bfloat16, device_map="auto", trust_remote_code=True)

messages = [
    {"role": "system", "content": "تو «دیبا» هستی، دستیار هوش مصنوعی دیباچین. به همان زبانی پاسخ بده که کاربر نوشته است."},
    {"role": "user", "content": "یک تابع پایتون بنویس که تشخیص دهد یک رشته پالیندروم است."},
]
ids = tok.apply_chat_template(messages, add_generation_prompt=True, enable_thinking=False, return_tensors="pt").to(model.device)
out = model.generate(ids, max_new_tokens=512, temperature=0)
print(tok.decode(out[0, ids.shape[1]:], skip_special_tokens=True))

ollama run hf.co/Dibachain/Diba-Base:diba-q4_k_m.gguf

راهنمای کامل، فایل‌های GGUF/ONNX و نمونه‌های بیشتر در کارتِ مدل روی Hugging Face در دسترس است.

دموها و نمایشِ زنده

کاربرد و محدودیت‌ها