جدول المحتويات
لاختيار نموذج مفتوح الأوزان، تحققوا من خمسة أمور بالترتيب: ترخيص يقبله فريقكم القانوني، وحجم تستطيع وحدات GPU لديكم تشغيله، ودعم للعربية والفرنسية معلن ثم مُختبَر، وطول سياق يناسب وثائقكم، وتوافق مع برنامج التشغيل (serving) لديكم. ثم اختاروا نموذجين أو ثلاثة واختبروها على أسئلتكم الخاصة قبل اتخاذ القرار.
أهم النقاط
- «مفتوح الأوزان» لا يعني «مفتوح المصدر». فـتعريف الذكاء الاصطناعي مفتوح المصدر يشترط أيضًا شيفرة التدريب ومعلومات مفصلة عن بيانات التدريب.
- تختلف التراخيص أكثر مما يُتوقع. فنماذج Qwen3 الكثيفة وgpt-oss وMistral Small 3.1 تصدر بترخيص Apache 2.0، بينما تأتي Llama وGemma بشروط وسياسات استخدام خاصة بها.
- تتفاوت اللغات المعلنة. فـبطاقة نموذج Llama 3.3 تذكر ثماني لغات مدعومة ليس من بينها العربية، بينما تذكر Llama 4 Scout العربية والفرنسية.
- نافذة السياق المعلنة ليست هي النافذة الفعلية: ففي أحد المقاييس المرجعية، لم يحافظ على أداء مُرضٍ عند 32,000 token إلا نحو نصف النماذج التي تعلن هذا الطول أو أكثر (Hsieh et al., 2024).
- القرار تحسمه مجموعة الاختبار الخاصة بكم، لا لوحات الترتيب العامة.
ما النموذج مفتوح الأوزان، وهل هو مفتوح المصدر؟
النموذج مفتوح الأوزان هو نموذج يمكنك تنزيل معاملاته المدرَّبة وتشغيلها على عتادك الخاص. وهذا ما يجعل النشر المحلي أو النشر في شبكة معزولة (air-gapped) ممكنًا: فالنموذج يعمل دون استدعاء واجهة برمجية (API) لأي جهة.
أما المصدر المفتوح فمفهوم أكثر صرامة. إذ يشترط تعريف الذكاء الاصطناعي مفتوح المصدر 1.0 الصادر عن مبادرة المصدر المفتوح ثلاثة عناصر: معاملات النموذج، والشيفرة الكاملة المستخدمة لتدريب النظام وتشغيله، ومعلومات كافية عن بيانات التدريب تمكّن شخصًا ماهرًا من بناء نظام مكافئ له في الجوهر. كما يشترط حرية استخدام النظام «لأي غرض ودون الحاجة إلى طلب إذن».
والنتيجة بالنسبة إلى المشتري بسيطة: لا تستنتجوا ما يحق لكم فعله بالنموذج من كلمة «مفتوح». اقرؤوا ترخيصه. وللاطلاع على الصورة الأشمل للتحكم في البيانات والنموذج والبنية التحتية والتشغيل، راجعوا دليلنا للذكاء الاصطناعي السيادي والنشر المحلي.
ما بنود الترخيص التي يجب التحقق منها أولًا؟
الترخيص هو ما يحدد إن كان النموذج مرشحًا أصلًا، لذا تحققوا منه قبل أي اختبار. فيما يلي ثلاثة أنواع شائعة من التراخيص:
| الترخيص | أمثلة | ما يجب التحقق منه |
|---|---|---|
| Apache 2.0 | نماذج Qwen3 الكثيفة، وgpt-oss، وMistral Small 3.1 | ترخيص متساهل: تصفه بطاقة Mistral بأنه يسمح بالاستخدام والتعديل لأغراض تجارية وغير تجارية (Mistral AI). احتفظوا بنص الترخيص والإشعارات عند إعادة التوزيع. |
| تراخيص Llama المجتمعية | Llama 3.3، وLlama 4 | يلزم ترخيص من Meta إذا تجاوز عدد المستخدمين النشطين شهريًا 700 مليون؛ ويجب عرض عبارة «Built with Llama»؛ ويجب أن يبدأ اسم النماذج المشتقة بكلمة «Llama» (بطاقة Llama 3.3). |
| شروط استخدام Gemma | Gemma 3 | تنطبق سياسة للاستخدامات المحظورة ويجب نقلها إلى كل من تعيدون التوزيع عليه؛ وتحتفظ Google «بحق تقييد الاستخدام (عن بُعد أو بغير ذلك)» الذي ترى أنه يخالف الشروط (Gemma Terms of Use). |
وهناك تفصيلان مهمان عمليًا. أولًا، قد يختلف الترخيص داخل العائلة الواحدة: فإعلان Qwen يذكر أن نماذج Qwen3 الكثيفة الستة صادرة بترخيص Apache 2.0، لكنه لا يحدد ترخيصًا لنموذجي مزيج الخبراء (Qwen)، لذا تحققوا من صفحة كل نموذج. ثانيًا، تتطلب النماذج ذات الوصول المقيّد مثل Llama وGemma قبول شروط على Hugging Face قبل التنزيل، وهو ما يجب توثيقه في ملف الشراء.
هذا ليس استشارة قانونية. اطلبوا من مستشار قانوني قراءة النص الكامل للترخيص الخاص بالنسخة المحددة من النموذج الذي تنوون نشره.
كيف تتقارن نماذج معروفة مفتوحة الأوزان؟
يقارن الجدول أمثلة، وليس ترتيبًا. تصدر نسخ جديدة كل بضعة أشهر، لذا استخدموه قالبًا لقائمتكم المختصرة. تم التحقق من المعلومات على صفحات النماذج في نوفمبر 2026.
| النموذج | الترخيص | الحجم | طول السياق | العربية والفرنسية |
|---|---|---|---|---|
| Qwen3-32B | Apache 2.0 | 32.8 مليار، كثيف | 32,768 أصليًا؛ 131,072 مع YaRN | تذكر Qwen3 أنها تدعم 119 لغة ولهجة، منها الفرنسية والعربية الفصحى والمغربية والتونسية؛ والجزائرية غير مذكورة (Qwen) |
| gpt-oss-120b | Apache 2.0 | 117 مليار إجمالًا، 5.1 مليار نشطة (MoE) | 131,072 في ملف الإعدادات | غير مذكور في بطاقة النموذج |
| Mistral Small 3.1 | Apache 2.0 | 24 مليار، كثيف | 128k | كلتاهما مذكورة |
| Gemma 3 27B | Gemma Terms of Use | 27 مليار، كثيف | 128K للمدخلات، 8,192 للمخرجات | «أكثر من 140 لغة»؛ ولا تسمّيها البطاقة |
| Llama 3.3 70B | Llama 3.3 Community License | 70 مليار، كثيف | 128k | الفرنسية مذكورة؛ والعربية ليست ضمن اللغات الثماني المدعومة |
| Llama 4 Scout | Llama 4 Community License | 109 مليار إجمالًا، 17 مليار نشطة (MoE) | 10M | كلتاهما مذكورة |
ما حجم النموذج الذي يستطيع عتادكم تشغيله؟
يحدد حجم النموذج ذاكرة GPU المطلوبة، وتحدد ذاكرة GPU الكلفة. وكقاعدة عامة، تحتاج الأوزان إلى نحو 2 غيغابايت لكل مليار معامل بدقة 16 بت، وأقل من ذلك بعد التكميم (quantization). ويشرح دليلنا لتحديد حجم وحدات GPU بالتفصيل الأوزانَ وذاكرة KV المؤقتة (KV cache) والمستخدمين المتزامنين.
تغيّر نماذج مزيج الخبراء (MoE) هذا الحساب. فكل المعاملات يجب أن تكون في الذاكرة، لكن جزءًا منها فقط يُستخدم لكل token، مما يجعل التوليد عمومًا أسرع من نموذج كثيف بالحجم الإجمالي نفسه. فنموذج gpt-oss-120b، بمعاملاته النشطة البالغة 5.1 مليار، يتسع في وحدة GPU واحدة بذاكرة 80 غيغابايت، ويعمل gpt-oss-20b ضمن 16 غيغابايت (OpenAI على Hugging Face). ويتسع Llama 4 Scout في وحدة H100 واحدة مع تكميم int4 أثناء التشغيل، وفق بطاقة النموذج.
انتبهوا إلى الدقة التي يستند إليها كل إعلان. فقد خضع gpt-oss بعد التدريب لتكميم MXFP4 لأوزان MoE، ويفترض رقم وحدة GPU الواحدة لـ Llama 4 Scout استخدام int4. قارنوا المرشحين بالدقة التي ستستخدمونها فعلًا، وتحققوا من جودة الإجابات بتلك الدقة أيضًا.
هل يتقن النموذج العربية والفرنسية؟
تمزج الوثائق الصناعية الجزائرية بين العربية الفصحى الحديثة (MSA) والفرنسية والإنجليزية. ابدؤوا بما يعلنه كل نموذج، ثم اختبروا.
تتفاوت الإعلانات كما يبيّن الجدول. فبعض العائلات تذكر العربية صراحة؛ وLlama 3.3 لا تذكرها؛ وgpt-oss وGemma 3 لا تسمّيان أي لغة في بطاقتيهما. وقائمة اللهجات مثل قائمة Qwen3 مفيدة، لكن إذا كانت وثائقكم التقنية مكتوبة بالعربية الفصحى والفرنسية، فإن تغطية اللهجات تهم أساسًا حقول النص الحر مثل ملاحظات تسليم الوردية.
تساعد المقاييس المرجعية العامة على إعداد قائمة مختصرة. فقد أزالت لوحة ترتيب النماذج اللغوية العربية المفتوحة v2 المهام المترجمة آليًا وأضافت مقاييس مرجعية عربية أصلية، منها مهمة للتوليد المعزز بالاسترجاع (RAG) تُسمّى ALRAGE. ويأمل مؤلفوها أن تغطي مقاييس مستقبلية مجالات متخصصة، ومعظم مهامها بالعربية الفصحى. ولا توجد لوحة ترتيب عامة تختبر تقارير الصيانة الخاصة بكم.
تحققوا من التقطيع إلى tokens أيضًا. فالنص نفسه قد ينتج أعدادًا مختلفة جدًا من tokens بحسب اللغة، بفروق تصل إلى 15 ضعفًا في بعض الحالات (Petrov et al., 2023). وكثرة tokens في الصفحة تعني أن جزءًا أقل من الوثيقة يتسع في نافذة السياق وأن الإجابة تستغرق وقتًا أطول. مرّروا عينة من وثائقكم العربية والفرنسية عبر أداة التقطيع (tokenizer) لكل مرشح. ويتناول مقالنا عن الوثائق بالعربية والفرنسية والإنجليزية جانب الوثائق.
ما طول السياق الذي تحتاجونه فعلًا؟
طول السياق هو عدد tokens التي يستطيع النموذج قراءتها دفعة واحدة: سؤالكم، والمقاطع المسترجعة، والإجابة. ويفترض المثال التطبيقي في دليل تحديد حجم وحدات GPU سؤالًا عن الوثائق بنحو 6,500 token، بما في ذلك المقاطع المسترجعة والإجابة. وكل النماذج في الجدول أعلاه توفر أكثر من ذلك بكثير.
الحدود القصوى المعلنة تستدعي الحذر. فقد اختبر المقياس المرجعي RULER سبعة عشر نموذجًا طويل السياق، يعلن كل منها 32,000 token على الأقل؛ وحقق معظمها نتيجة شبه كاملة في اختبار بسيط من نوع «الإبرة في كومة القش»، لكن نحو نصفها فقط حافظ على أداء مُرضٍ عند 32,000 token في مهام أصعب (Hsieh et al., 2024). كما أن السياقات الطويلة تستهلك ذاكرة GPU لذاكرة KV المؤقتة.
القاعدة العملية: حددوا السياق اللازم انطلاقًا من مطالباتكم (prompts) الفعلية، ثم اختبروا كل مرشح عند هذا الطول لا عند حده الأقصى. وإذا كنتم تفاضلون بين الاسترجاع وتدريب النموذج على وثائقكم، فاقرؤوا أولًا الضبط الدقيق مقابل RAG.
هل يستطيع برنامج التشغيل لديكم تشغيله؟
لا فائدة من النموذج إلا إذا كان خادم الاستدلال لديكم يدعم بنيته. وينشر vLLM، وهو خادم استدلال مفتوح المصدر، قائمة بالبنى المدعومة ويطلب مقارنتها بالحقل architectures في ملف config.json الخاص بالنموذج (vLLM). وتظهر فيها Qwen3 وGemma 3 وMistral وgpt-oss وLlama 4 جميعًا.
وتتوقع بعض النماذج أيضًا صيغة مطالبات محددة. إذ تنص بطاقة gpt-oss على أن النماذج «يجب ألا تُستخدم إلا بصيغة harmony، وإلا فلن تعمل بشكل صحيح» (OpenAI على Hugging Face). تحققوا من ذلك قبل مقارنة الإجابات، وإلا فستقيسون نموذجًا مضبوطًا بشكل خاطئ.
كيف تُنزَّل ملفات النموذج ويُتحقق منها بأمان؟
ملفات النموذج برمجيات تشغّلونها داخل شبكتكم. فتعاملوا معها على هذا الأساس.
- فضّلوا صيغة safetensors على ملفات pickle. تحذّر Hugging Face من أن تحميل ملف pickle قد ينفّذ شيفرة عشوائية، وتوصي بعدم تحميل النماذج إلا من مستخدمين ومؤسسات موثوقة (Hugging Face).
- نزّلوا الملفات من المستودع الرسمي للجهة الناشرة. تشير OWASP إلى أنه «لا توجد حاليًا ضمانات قوية لمصدر النماذج المنشورة»، وتوصي باستخدام مصادر يمكن التحقق منها فقط، مع فحوص سلامة تعتمد على التوقيع وبصمات الملفات (hash) (OWASP LLM03:2025).
- سجّلوا البصمات والإصدارات في جرد، لتعرفوا بدقة الملفات التي تعمل في الإنتاج وتتمكنوا من التراجع.
- أدخلوا الملفات إلى الشبكات المعزولة عبر إجراء النقل والفحص المعتاد لديكم، لا عبر التنزيل على حاسوب محمول.
ويغطي مقالنا عن تأمين نموذج LLM محلي بقية المنظومة.
كيف تختارون خطوة بخطوة؟
- دوّنوا حالة الاستخدام والقيود. اللغات، والطول المعتاد للوثائق، وعدد المستخدمين المتزامنين المتوقع، وما إذا كان النظام يجب أن يعمل في شبكة معزولة.
- صفّوا حسب الترخيص. استبعدوا كل نموذج لن يقبل فريقكم القانوني شروطه لهذا الاستخدام.
- صفّوا حسب العتاد. احتفظوا بالنماذج التي تترك أوزانها، بدقة تقبلونها، مساحة كافية لذاكرة KV المؤقتة على وحدات GPU المتوفرة لديكم أو التي تنوون شراءها.
- صفّوا حسب اللغات المعلنة ودعم خادم الاستدلال. راجعوا بطاقة النموذج وقائمة النماذج المدعومة في خادم الاستدلال لديكم.
- اختاروا قائمة مختصرة من نموذجين أو ثلاثة، منها نموذج أصغر مما تظنون أنكم تحتاجونه.
- اختبروا على أسئلتكم الخاصة. استخدموا أسئلة حقيقية من المهندسين، بكل اللغات التي يستعملونها، مع إجابات مرجعية والمقاطع المصدرية. ويعرض دليلنا عن تقييم نموذج LLM على وثائقكم المنهجية بالتفصيل.
- قارنوا الجودة والسرعة والذاكرة معًا، مع التكميم ودونه، ثم اختاروا أصغر نموذج ينجح بهامش كافٍ.
- خطّطوا للتغيير القادم. سجّلوا النسخة والترخيص ونتائج الاختبار، وأعيدوا تشغيل مجموعة الاختبار نفسها كلما ظهر مرشح جديد.
وإذا كنتم تفاضلون أيضًا بين تجميع هذه المنظومة بأنفسكم وشراء منصة جاهزة، فراجعوا البناء أم الشراء لنموذج LLM محلي.
ما لاحظناه في KABAS AI
يعمل DALILE على خوادم العميل نفسه ويجيب عن الأسئلة انطلاقًا من الوثائق التقنية وجداول البيانات وقواعد البيانات، لذا فإن اختيار النموذج جزء من التخطيط لكل عملية نشر. ويصف هذا المقال طريقتنا في مقاربة هذا الاختيار، وليس مقياسًا مرجعيًا أجريناه: فكل الأرقام الواردة أعلاه مأخوذة من المصادر العامة المذكورة.
وتترتب على ذلك ثلاث ممارسات. إبقاء التطبيق مستقلًا عن أي نموذج بعينه، حتى يمكن استبدال النموذج الحالي بإصدار أفضل مفتوح الأوزان بعد اختباره. والاحتفاظ بمجموعة الاختبار وملفات النموذج والنتائج على البنية التحتية للعميل. وترك أسئلة العميل نفسه، بالعربية والفرنسية والإنجليزية، تحسم المفاضلة بين المرشحين بدل الاعتماد على الترتيب في لوحة عامة.
وإذا أردتم مساعدة في إعداد القائمة المختصرة ومجموعة الاختبار، فإن فريق الاستشارات في الذكاء الاصطناعي لدينا يستطيع إجراء عملية الاختيار باستخدام وثائقكم.
المصادر
تم التحقق من معلومات النماذج في نوفمبر 2026. وهي تتغير مع الإصدارات الجديدة، لذا أعيدوا التحقق قبل اتخاذ القرار.
- Open Source Initiative, The Open Source AI Definition 1.0
- Qwen, Qwen3: Think Deeper, Act Faster
- Qwen3-32B model card, Hugging Face
- openai/gpt-oss-120b model card, Hugging Face
- openai/gpt-oss-120b config.json, Hugging Face
- Mistral Small 3.1 model card, Hugging Face
- Gemma 3 27B model card, Hugging Face
- Google, Gemma Terms of Use
- Llama 3.3 70B Instruct model card, Hugging Face
- Llama 4 Scout model card, Hugging Face
- Hugging Face, The Open Arabic LLM Leaderboard 2
- Petrov et al., Language Model Tokenizers Introduce Unfairness Between Languages, 2023
- Hsieh et al., RULER: What's the Real Context Size of Your Long-Context Language Models?, 2024
- vLLM, Supported models
- Hugging Face, Pickle scanning
- OWASP, LLM03:2025 Supply Chain
الأسئلة الشائعة
هل النموذج مفتوح الأوزان هو نفسه النموذج مفتوح المصدر؟
ليس بالضرورة. يعني «مفتوح الأوزان» أنك تستطيع تنزيل معاملات النموذج وتشغيلها بنفسك. أما تعريف الذكاء الاصطناعي مفتوح المصدر الصادر عن مبادرة المصدر المفتوح (Open Source Initiative) فيشترط أيضًا شيفرة التدريب والاستدلال ومعلومات مفصلة عن بيانات التدريب، بشروط تتيح لأي شخص استخدام النظام ودراسته وتعديله ومشاركته. وكثير من النماذج مفتوحة الأوزان المعروفة لا تستوفي هذا التعريف.
هل يمكن استخدام نماذج Llama أو Gemma في شركة صناعية؟
تسمح تراخيصها باستخدام واسع لكنها تفرض شروطًا. فترخيص Llama 3.3 يشترط عرض عبارة «Built with Llama» والحصول على ترخيص منفصل إذا تجاوز عدد المستخدمين النشطين شهريًا 700 مليون، وتتضمن شروط استخدام Gemma سياسة للاستخدامات المحظورة يجب نقلها إلى كل من تعيد توزيع النموذج عليه. اطلبوا من فريقكم القانوني قراءة الترخيص كاملًا قبل الالتزام بأي نموذج.
هل نختار أكبر نموذج تسمح به الميزانية؟
لا. اختاروا أصغر نموذج يجتاز مجموعة الاختبار الخاصة بكم بهامش كافٍ. فالنموذج الأصغر يترك ذاكرة GPU أكبر للوثائق الطويلة والمستخدمين المتزامنين، ويجيب أسرع، ويكون استبداله أقل كلفة عند صدور نسخة أفضل. كما أن نماذج مزيج الخبراء (mixture-of-experts) تغيّر هذه الموازنة، لأن جزءًا فقط من معاملاتها يُستخدم لكل token.
هل نحتاج إلى نموذج متخصص في العربية لمعالجة الوثائق العربية؟
ليس دائمًا. فعدة نماذج عامة تذكر العربية ضمن اللغات المدعومة، بينما لا تذكرها نماذج معروفة أخرى. وتساعد المقاييس المرجعية العربية العامة على إعداد قائمة مختصرة، لكنها تختبر في الغالب العربية الفصحى الحديثة، لذلك اختبروا المرشحين على وثائقكم الخاصة بالعربية والفرنسية والوثائق متعددة اللغات قبل اتخاذ القرار.
كم مرة يجب استبدال النموذج بعد دخوله مرحلة الإنتاج؟
لا يوجد جدول ثابت. تصدر نسخ جديدة مفتوحة الأوزان كل بضعة أشهر، لكن كل تغيير يتطلب إعادة تشغيل مجموعة الاختبار كاملة، والتحقق من الترخيص الجديد، ونشرًا مضبوطًا. والنهج العملي هو مراجعة المرشحين على فترات ثابتة، مرة أو مرتين في السنة مثلًا، وعدم التبديل إلا عندما يبرر التحسن على مجموعة الاختبار الخاصة بكم الجهد المطلوب.



