Springboards تختبر نموذج Qwen 3 ضد إجابات LLM المتكررة
بنت الشركة الأسترالية Springboards نموذج Flint على Alibaba Qwen 3 لإنتاج إجابات أكثر تنوعا في المطالبات المفتوحة. وتجمع مقالة MIT Technology Review بين ادعاء الشركة وورقة فازت في NeurIPS حول تجانس النماذج، مع تحذيرات مستخدمين من أن النموذج الأولي ما زال يتعثر عند الضغط.
Springboards تبني Flint على Qwen 3
بنت الشركة الأسترالية Springboards نموذجا لغويا كبيرا باسم Flint لجعل إجابات روبوتات المحادثة المفتوحة أقل تكرارا. وتعرض الشركة النموذج على مستخدمي الإعلان والتسويق الذين يريدون مخرجات عصف ذهني أكثر تنوعا مما تنتجه الأنظمة الشائعة غالبا.
قال Pip Bingemann، الشريك المؤسس والرئيس التنفيذي لـ Springboards، إن معظم نماذج اللغة مصممة لمحاربة الهلوسة، بينما صمم Flint لدفع اقتراحات أكثر غرابة. وفي عرض وصفته MIT Technology Review، أعطى ChatGPT وClaude العبارة الترويجية البسيطة نفسها، بينما قدم Flint عبارة مختلفة.
بنت الشركة Flint على Qwen 3، النموذج المفتوح المصدر من Alibaba. وقال Kieran Browne، الشريك المؤسس والمدير التقني في Springboards، إن تدريب نموذج أساس مكلف جدا لفريق صغير، لذلك ركزت الشركة على تغيير المواضع التي يدخل فيها النموذج التنوع في مخرجاته.
ورقة بحثية تظهر الإجابات المتكررة
تعمل الشركة الناشئة على مشكلة قاسها باحثو AI أيضا. وجدت ورقة صدرت في نوفمبر بعنوان "Artificial Hivemind" أن نماذج LLM مختلفة غالبا ما تتقارب نحو إجابات متشابهة في المطالبات المفتوحة.
طلب الباحثون من 25 نموذج LLM كتابة استعارة عن الوقت 50 مرة لكل نموذج. وقالت MIT Technology Review إن معظم الإجابات البالغ عددها 1,250 كانت نسخا من "Time is a river" أو "Time is a weaver". وفازت الورقة بجائزة أفضل ورقة في NeurIPS.
قالت OpenAI لـ MIT Technology Review إن تدريب النماذج على تقديم إجابات موثوقة ومتماسكة قد يجعلها تتقارب حول ردود مألوفة وعالية الاحتمال. وقالت OpenAI أيضا إن الدفع بقوة أكبر نحو الحداثة قد يجعل الإجابات أقل موثوقية.
مستخدمو النموذج الأولي يحتاجون حكما بشريا
تقدم Springboards نموذج Flint كخيار ضمن أداة العصف الذهني الخاصة بها، والتي تتيح للفرق الإبداعية دمج نصوص من عدة نماذج LLM. وقالت Zoe Scaman، مؤسسة Bodacious والمديرة الاستراتيجية في 77X، إن Flint دفعها في اتجاهات مختلفة أثناء الاختبارات.
وقالت Scaman أيضا إن الفكرة قوية، لكنها أشارت إلى أن Flint ما زال نموذجا أوليا ويمكن أن يتعثر عندما يضغط عليه المستخدمون كثيرا. ويجعل ذلك الدليل أقرب إلى اختبار للتنوع الإبداعي منه إلى نشر مؤسسي مثبت.
قال Maximilian Weigl، الشريك المؤسس والمدير الاستراتيجي في Uncommon، إن فريقه يستخدم Flint مع ChatGPT وClaude وGemini. وقال أيضا إن الإجابات المتوسطة تكون كافية غالبا، وحذر من نسخ الفرق لمخرجات AI من دون تفكير بشري.
لم تكشف Springboards أسعار Flint أو موعد إطلاق عام أو أعداد العملاء أو التزامات نشر مؤسسي أو نتائج اختبارات مستقلة للنموذج الأولي.
Summary version for Medium
Springboards Tests Qwen 3 Model Against Repetitive LLM Answers
What the announcement means beyond the headline
Quick Summary: Australian startup Springboards has built Flint on Alibaba’s Qwen 3 to produce more varied answers to open-ended prompts. MIT Technology Review’s article pairs the company’s claim with a NeurIPS-winning homogeneity paper and user cautions that the prototype still fails under pressure.
Springboards Builds Flint On Qwen 3
Australian startup Springboards has built an LLM called Flint to make open-ended chatbot answers less repetitive. The company is pitching the model to advertising and marketing users who want more varied brainstorming output than mainstream systems often produce.
Research Paper Shows Repeated Answers
The startup is working on a problem that AI researchers have also measured.
- Point 1: The central topic is ai, with the announcement framed around concrete operating detail.
- Point 2: A November paper titled "Artificial Hivemind" found that different LLMs often converge on similar answers to open-ended prompts.
The important shift is not the AI label, but the operating boundary it creates for teams.
Prototype Users Still Need Human Judgement
Springboards is offering Flint as an optional model within its brainstorming tool, which lets creative teams combine text from multiple LLMs. Zoe Scaman, founder of Bodacious and chief strategy officer at 77X, said Flint pushed her in different directions during tests.
Read the Full Deep Dive
Want to explore the complete technical analysis, enterprise trade-offs, and detailed metrics?
Read the full article originally published at SendTech Times
