DibaOne X1 · دیباوان X1

چه کارهایی انجام می‌دهد

• ابزارخوانیِ عامل هوش مصنوعی: انتخابِ ابزار و آرگومانِ درست، یا تشخیصِ «ابزار لازم نیست» (دقتِ ۰٫۹۱۳).
• تصمیم‌های مسیرِ توسعهٔ نرم‌افزار: از دلِ یک درخواستِ آزاد، الگو، مجموعهٔ قابلیت‌ها و لحنِ درست را تشخیص می‌دهد.
• ناوبریِ وب (Wiki Race): انتخابِ پیوندی که شما را به مقالهٔ هدف نزدیک‌تر می‌کند.
• اطمینانِ کالیبره: هر تصمیم یک احتمالِ واقع‌بینانه دارد تا بدانید کِی به پاسخ اعتماد کنید.
• بدونِ توهم: متن تولید نمی‌کند؛ خروجیِ آزادی برای اشتباه یا تجزیه نیست.
• متن‌باز و خودمیزبان: روی سخت‌افزارِ خودتان، بدونِ وابستگی به API بسته.

مشخصات فنی

مقایسهٔ دقت با laya (دقتِ انتخابِ اول روی ۴٬۳۵۸ پرسشِ آزمون)

همهٔ اعداد، دقتِ انتخابِ اول روی بخشِ آزمونِ منجمدشدهٔ سه بنچمارک‌اند (نیمی فارسی، نیمی انگلیسی). laya به‌صورت zero-shot (بدون آموزش روی این وظایف) سنجیده شد، در حالی‌که X1 آموزش دیده است؛ پس این مقایسه نشان می‌دهد آموزشِ اختصاصی چه‌قدر اثر دارد.

در مسیرِ توسعه حدود ۲٫۲ برابر و در ابزارخوانی حدود ۴٫۳ برابرِ laya. در ناوبریِ Wiki Race شباهتِ ساده (حالت fast) بهتر است و X1 تقریباً هم‌سطحِ laya است.

دقت به تفکیکِ فارسی / انگلیسی

هر خانه به‌صورتِ «فارسی / انگلیسی». ابزارخوانیِ فارسی (۰٫۷۰۰) از انگلیسی (۰٫۸۰۳) عقب‌تر است و بستنِ این فاصله، هدفِ نسخهٔ بعدی (X2) است.

کالیبراسیون (خطای کالیبراسیونِ ECE — کمتر بهتر)

اطمینانِ خروجیِ مدل چه‌قدر با درستیِ واقعیِ آن هم‌خوان است. X1 با دمای برازش‌شده روی بخشِ dev منتشر شده و خطایش دو تا سه برابر کمتر از laya است.

نسخه‌های ONNX (حجم و دقت در حالت best)

هر سه نسخه روی کلِ بخشِ آزمون سنجیده شده‌اند. fp16 برای GPU و مرورگر پیشنهاد می‌شود؛ روی CPU از fp32 استفاده کنید.

شروع سریع

pip install onnxruntime tokenizers numpy huggingface_hub

import sys
from huggingface_hub import snapshot_download
sys.path.insert(0, snapshot_download("Dibachain/DibaOne-X1", allow_patterns=["dibaone_x1.py"]))
from dibaone_x1 import DibaOneX1

x1 = DibaOneX1.from_pretrained("Dibachain/DibaOne-X1", backend="onnx", variant="fp32")
r = x1.decide(
    state="user: گزارش فروش هفتهٔ پیش را برای مدیر مالی ایمیل کن.\nTools:\n- send_email\n- sql_query\n- reply_directly",
    question="کدام ابزار صدا زده شود؟",
    options=["send_email", "sql_query", "reply_directly"],
    mode="best", goal="toolcall")
print(r["choice"], round(r["confidence"], 3))

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

دموها و نمایشِ زنده

کاربرد و محدودیت‌ها