NVIDIA Vera Rubin — Dollar Başına İntellekt: AI Sonrası Təlimin Yeni Dövrü

Aqent AI-ya Keçid: Niyə Sonrası Təlim Davamlı Olur

Peşəkar bir idmançı təsəvvür edin. Elit ifaçıları fərqləndirən şey oyunlar arasında baş verənlərdir: davamlı təkmilləşmə, yeni rəqiblərə uyğunlaşma, son oyunun üzə çıxardığı səhvlər əsasında bacarıqları itiləmək. Aqent AI da eyni şəkildə işləyir. Model artıq sadəcə sorğuya cavab vermir — ona bir məqsəd verilir və mühit dəyişdikcə, kənar hallar ortaya çıxdıqca və alətlər həftədən həftəyə dəyişdikcə davamlı uyğunlaşmalı olur.

Bu, AI modellərinin hazırlanması haqqında düşüncə tərzimizi kökündən dəyişir. Sonrası təlim (post-training) — modeli xam verilənlər üzərində ilkin təlimdən sonra təkmilləşdirən mərhələ — artıq birdəfəlik tamamlama addımı deyil. O, davamlıdır, çünki aqent modellərin işlədiyi mühit daim təkamül edir. Aqentin istifadə etdiyi alətlər həftədən həftəyə dəyişə bilər. İstehsalatda heç bir test dəstinin proqnozlaşdırmadığı kənar hallar üzə çıxır. Hər yerləşdirmə öz kod bazasını, siyasətlərini və mühitini gətirir.

Hesablama resurslarının istehlakı tək bir çalışdırmanın daha böyük olmasından deyil, çalışdırmaların heç vaxt dayanmamasından artır. Məhz bu, sonrası təlimi aqent dövrünün mərkəzi iş yükünə çevirir — və dollar başına intellektin əsas hərəkətverici qüvvəsi edir.

Sonrası Təlim Nədir və Niyə Vacibdir

Sonrası təlim intellektin qurulduğu yerdir. İlkin təlimdə (pre-training) model növbəti tokeni proqnozlaşdırmağı öyrənir — bu ona dildə rəvanlıq verir, lakin intellekt vermir. Sonrası təlim modelin kod yazmağı, çoxaddımlı tapşırığı planlaşdırmağı, axtarış alətindən istifadə etməyi və bir şey səhv gedəndə bərpa olmağı öyrəndiyi yerdir.

İnferens (inference) daha sonra gəlir: model iş başında çalışır, token başına maya dəyəri (cost per token) ilə qiymətləndirilir. Lakin sonrası təlim fərqli işləyir. Əzbərlənəcək düzgün cavab olmadığından — yalnız bir mükafat var — model möhkəmləndirici öyrənmə (RL) texnikaları ilə öyrənir.

Proses belə işləyir: tapşırıq verildikdə, model cəhd yazır — irəli keçid (forward pass) (iş başında edəcəyi eyni iş). Cəhd qiymətləndirilir və dərs modelin çəkilərini yeniləyir — geri keçid (backward pass). Milyonlarla cəhd boyunca intellekt böyüyür. Hər addım hesablama baxımından intensivdir və bu dövrəni miqyasda işlətmək orkestrasiya problemidir: paralel olaraq rollouts yaradan minlərlə mühit, mükafatların təsdiqlənməsi və yenilənmiş çəkilərin təlimə geri axması.

NVIDIA-nın açıq mənbə NeMo kitabxanaları — təlim mühitləri üçün NeMo Gym və paylanmış sonrası təlim üçün NeMo RL kimi — sonrası təlimi fərdi tədqiqat kodundan təkrarlana bilən, istehsal səviyyəli infrastruktura çevirir.

Dollar Başına İntellekt: Token Başına Maya Dəyərini Genişləndirmək

İnferens gəlir mühərrikidirsə, sonrası təlim çarpandır: model nə qədər bacarıqlıdırsa, xidmət göstərilən hər tokenin dəyəri bir o qədər yüksəkdir. Token başına maya dəyəri (cost per token) inferens fabrikinin əsas metrikasıdır — bir milyon tokenin çatdırılmasının ümumi dəyəri.

Dollar başına intellekt (intelligence per dollar) bir səviyyə yuxarıda oturur və fərqli suala cavab verir: xidmət göstərməyə dəyər bir model qurmağın dəyəri nədir — və mühiti dəyişdikcə onu dəyərli saxlamaq? Bu iki metrika bir-birinə yerləşib, rəqabət aparmır. Token başına maya dəyərini aşağı salan AI infrastrukturu, həm də modelə quraşdırılmış hər intellekt nöqtəsinin dəyərini aşağı salır. Və quraşdırılmış hər intellekt nöqtəsi, inferens fabrikinin xidmət göstərdiyi hər tokenin dəyərini artırır.

Başqa sözlə: cost per token əməliyyat məhsuldarlığını ölçür; intelligence per dollar model intellektinə qoyulan investisiyanın özünü doğruldub-doğrultmadığını ölçür. Sonrası təlimdəki hər irəli keçid mahiyyətcə cost per token ilə ölçülən inferens işi olduğundan, inferens səmərəliliyindəki hər yaxşılaşma birbaşa dollar başına intellekt tənliyinə axır.

Vera Rubin: Dörddə Bir GPU, Maksimum İntellekt

NVIDIA Blackwell platforması artıq çalışdırma dəyərini aşağı salaraq aqent dövrünün tələb etdiyi tez-tez sonrası təlimi iqtisadi cəhətdən mümkün etmişdi. Lakin Vera Rubin bu trayektoriyanı kəskin şəkildə genişləndirir — ən böyük modelləri Blackwell nəslinin dörddə biri qədər GPU ilə təlim edir.

Vera Rubin, aqent sonrası təlim yükü üçün dollar başına intellekti maksimuma çatdırmaq məqsədilə əvvəldən sona kodizayn edilmişdir: çalışdırma başına daha çox rollout, eyni anda daha çox mühit və heç vaxt dayanmayan sonrası təlim dövrələri. Bu səmərəlilik artımı o deməkdir ki, təşkilatlar eyni intellektə — və ya daha çoxuna — əhəmiyyətli dərəcədə az avadanlıq investisiyası ilə nail ola bilərlər.

Bu vacibdir, çünki cost per token və intelligence per dollar sıx bağlıdır. İrəli keçidin (inferens) dəyərindəki hər azalma, birbaşa sonrası təlimdəki hər öyrənmə dövrünün dəyərini azaldır, milyonlarla cəhd boyunca məcmu qənaət təmin edir.

Nemotron 3 Ultra: Açıq Çəkili İntellekt, Təsdiqlənə bilən Nəticələr

NVIDIA-nın Nemotron 3 Ultra — açıq çəkili (open-weight), 550 milyard parametrli ekspertlər qarışığı (MoE) modeli — təsdiqlənə bilən benchmarklar və NeMo RL üzərində işlədilmiş tam açıqlanmış sonrası təlim resepti təqdim edir. O, SWE-bench verified-də 71.7% bal topladı — real dünya kodlaşdırma benchmarkı, burada açıq mənbə layihələrindən təxminən on real proqram səhvindən yeddisi üçün işlək düzəliş istehsal etdi, hər biri layihənin öz test paketinə qarşı yoxlanıldı.

Nemotron 3 Ultra-nın sonrası təlim çalışdırması təxminən 20 milyard rollout tokeni istifadə etdi, əvvəlki nəsil Nemotron 3 Super-in hər biri təxminən 10.000 tokenlik ~1,2 milyon rollout-dan miqyaslandırıldı. Kritik olaraq, platformalar arasında dollar başına intellekt nisbəti bu spesifik fərziyyədən müstəqildir — mütləq dəyərlər token sayı ilə miqyaslanır, lakin Vera Rubin-in Blackwell-ə nisbətən üstünlüyü sabit qalır.

Tam Ekosistem: NeMo, Dynamo və Sənaye Tətbiqi

Vera Rubin platforması aqent AI üçün daha geniş, inteqrasiya olunmuş NVIDIA ekosisteminin bir hissəsidir:

• NeMo Gym və NeMo RL — Sonrası təlimi fərdi tədqiqat kodundan təkrarlana bilən infrastruktura çevirən açıq mənbə kitabxanaları. NeMo Gym təlim mühitlərini idarə edir; NeMo RL miqyasda paylanmış sonrası təlimi idarə edir.
• NVIDIA Dynamo — İstehsalatda ötürmə qabiliyyətini maksimuma çatdırmaq və gecikməni minimuma endirmək üçün inferens orkestrasiyası.

Sənaye liderləri artıq bu ekosistemdən istifadə edir:

• Prime Intellect — NVIDIA Blackwell üzərində qabaqcıl açıq modelləri davamlı olaraq sonradan təlim edir və Vera Rubin-də RL mühitlərini miqyaslandırmağı planlaşdırır. Onların müqayisəli ölçmələri alternativ x86 arxitekturaları ilə müqayisədə NVIDIA Vera CPU-ları ilə CPU başına 30% daha çox ötürmə qabiliyyəti göstərir.
• Perplexity — RL sonrası təlim yığınını yüzlərlə NVIDIA GPU-da asinxron olaraq işlədir, trilyon parametrli modelləri təlim və inferens qovşaqları arasında iki saniyədən az müddətdə sinxronizasiya edən RDMA əsaslı çəki ötürmə mühərriki ilə.
• Together AI — NVIDIA platformasında nəzarətli incə tənzimləmə, RL və birbaşa üstünlük optimallaşdırması daxil olmaqla sonrası təlimi xidmət kimi təklif edir və növbəti mərhələdə Vera Rubin-dən yararlanmağı planlaşdırır.

Davamlı İntellektin Gələcəyi

Vera Rubin-in gəlişi ilə NVIDIA, AI investisiya səmərəliliyini necə ölçdüyümüzü yenidən müəyyən edir. Dollar başına intellekt, modellərin sadəcə istəmlərə cavab verməklə qalmayıb planlaşdırdığı, düşündüyü, alətlərdən istifadə etdiyi, uğursuzluqlardan bərpa olduğu və davamlı təkmilləşdiyi aqent AI dövrünə ən yaxşı hansı platformanın xidmət edə biləcəyini müəyyən edən metrikaya çevrilir.

AI modelləri sadə sual-cavabdan mürəkkəb, çoxaddımlı, davamlı uyğunlaşan davranışa keçdikcə, sonrası təlimin rolu yalnız artacaq. NVIDIA-nın Vera Rubin platforması — NeMo kitabxanaları, Nemotron 3 Ultra modeli və Dynamo inferens orkestratoru ilə birlikdə — yatırılan hər dolların intellektual gəlirini maksimuma çatdıran inteqrasiya olunmuş, ucdan-uca sistem yaradır.

Bu, AI infrastrukturunun yeni dövrüdür. Sual artıq "neçə GPU-m var?" deyil, "dollar başına nə qədər intellekt alıram?"

📖 Mənbə