مدل‌های زبانی محلی (Local LLMs) در سال‌های اخیر سریع‌تر، هوشمندتر و قابل‌اعتمادتر شده‌اند. یک آزمایش تازه نشان می‌دهد همین مدل‌ها می‌توانند در کاری که استیم (Steam) سال‌ها روی آن سرمایه‌گذاری کرده، یعنی پیشنهاد بازی بر اساس سلیقه کاربر، عملکرد بهتری داشته باشند.
استیم چطور بازی پیشنهاد می‌دهد؟
استیم از سال ۲۰۲۰ و در قالب طرح Steam Labs، ابزاری به نام Interactive Recommender را معرفی کرد. این سیستم از الگوریتم یادگیری ماشین (Machine Learning) استفاده می‌کند که بر اساس تاریخچه مدت‌زمان بازی‌کردن میلیون‌ها کاربر استیم آموزش دیده است. با این حال، به گفته نویسنده، پیشنهادهای آن بیش از آنکه شخصی‌سازی‌شده باشند، بر پایه شباهت عادات کاربران دیگر و مدت‌زمان بازی‌کردن شکل می‌گیرند.
در بررسی ۲۸ پیشنهاد استیم، برخی گزینه‌ها مانند R.E.P.O.، Warframe، Hogwarts Legacy و Red Dead Redemption 2 درست از آب درآمدند. اما بسیاری از پیشنهادها نامرتبط بودند؛ مثلاً Yu-Gi-Oh! Master Duel و Dota 2 در فهرست قرار داشتند، در حالی که نشانه‌ای از علاقه کاربر به آن‌ها در کتابخانه استیم دیده نمی‌شد. همچنین Microsoft Flight Simulator 2024 روی Game Pass اجرا شده و برای استیم نامرئی است؛ در نتیجه این پلتفرم نتوانسته علاقه کاربر به شبیه‌ساز پرواز را به‌درستی تشخیص دهد.
آزمایش با Gemma 4 26B A4B
برای این آزمایش، از مدل Gemma 4 26B A4B Instruct گوگل در قالب کوانت‌شده IQ4_XS GGUF از bartowski استفاده شد؛ فایلی ۱۴.۲۱ گیگابایتی که از طریق llama.cpp اجرا می‌شد. تنظیمات نمونه‌گیری (Sampler) نیز مقادیر استاندارد گوگل یعنی temperature ۱.۰، top_p ۰.۹۵ و top_k ۶۴ بود.
ورودی مدل همان فایل CSV استخراج‌شده از استیم بود: ۲۵ عنوان بازی، ساعت‌های بازی‌کردن و بدون اطلاعات اضافی. برای مقایسه منصفانه، از مدل خواسته شد دقیقاً ۲۸ بازی پیشنهاد دهد. پرامپت (Prompt) از مدل می‌خواست بازی‌هایی خارج از کتابخانه کاربر و متناسب با سلیقه او معرفی کند و برای هر انتخاب، نام دقیق بازی در استیم و یک جمله توضیح با ارجاع به بازیهای موجود در CSV ارائه دهد. در این اجرا، جست‌وجوی وب فعال نبود و مدل تنها بر داده‌های آموزشی خود تکیه داشت. مدل ابتدا کتابخانه را بر اساس مدت‌زمان بازی‌کردن دسته‌بندی کرد، سپس آن را در پنج سبد ژانری قرار داد و بعد پیشنهادها را انتخاب کرد.
نتیجه: مدل محلی از استیم جلو زد
از ۲۸ پیشنهاد Gemma 4، کاربر حاضر بود ۱۶ بازی را انجام دهد؛ یعنی نرخ موفقیت ۵۷ درصد. این در حالی است که استیم از ۲۸ پیشنهاد خود فقط ۱۱ مورد را درست ارائه کرده بود؛ نرخ موفقیت ۳۹ درصد. به عبارت دیگر، یک مدل ۱۴ گیگابایتی که کاملاً روی لپ‌تاپ اجرا می‌شد و تنها ۲۵ خط CSV در اختیار داشت، تقریباً دو برابر استیم بازی قابل‌قبول پیشنهاد داد.
بهترین پیشنهادهای مدل در دسته شبیه‌سازی مسابقه‌ای بودند. Forza Horizon 5 بازی‌ای بود که کاربر از قبل داشت، اما Assetto Corsa Competizione و F1 24 ماه‌ها در فهرست علاقه‌مندی‌های او قرار داشتند. مدل احتمالاً این‌ها را بر اساس علاقه کاربر به NASCAR و Trackmania انتخاب کرده بود؛ هرچند استیم هم به این اطلاعات دسترسی داشت.
نقاط ضعف و چشم‌انداز
با این حال، پیشنهادها بی‌نقص نبودند. معرفی Hades به کاربری که به Digimon Story: Time Stranger علاقه داشت، کمی دور از انتظار بود، به‌ویژه اینکه این دو بازی حتی در یک ژانر هم قرار نمی‌گیرند. Half-Life: Alyx نیز برای کاربری که هدست واقعیت مجازی (VR) ندارد، انتخاب عجیبی به نظر می‌رسید؛ اما مدل هرگز چنین اطلاعاتی را دریافت نکرده بود.
نویسنده معتقد است مهم‌ترین نکته این آزمایش، شخصی‌تر بودن پیشنهادهای Gemma 4 نسبت به پیشنهادهای عمومی است. به باور او، اگر مدل‌های محلی روی یک کارت گرافیک قدیمی مانند RTX 3070 از پس چنین وظیفه‌ای برآمده‌اند، فاصله آن‌ها با سیستم‌های بزرگ‌تر در آینده کمتر هم خواهد شد و این موضوع آینده استنتاج محلی هوش مصنوعی (Local AI Inference) را امیدوارکننده می‌کند.