جدول المحتويات
كثيرًا ما يكفي نموذج من 7 مليارات معامل عندما تكون المهمة محددة وتأتي المعلومات من وثائقك أنت: تصنيف تقارير الصيانة، أو استخراج الحقول، أو الإجابة من مقاطع مسترجعة. ويقصر عندما يتعين على النموذج أن يقدّم المعلومات من ذاكرته، أو أن يقرأ مدخلات طويلة جدًا، أو أن يكتب جيدًا بلغات لم يُدرَّب عليها أساسًا. ومجموعة الاختبار الخاصة بك هي التي تحسم الأمر.
أهم النقاط
- لا يوجد حدّ رسمي للحجم. يعدّ باحثون في NVIDIA معظم النماذج التي تقل عن 10 مليارات معامل نماذج لغوية صغيرة (SLM) (Belcak et al., 2025).
- تحسنت النماذج الصغيرة بسرعة. فقد تفوق Mistral 7B على Llama 2 13B في جميع المقاييس التي قيّمها مؤلفوه (Jiang et al., 2023)، وحقق Phi-3-mini ذو 3.8 مليارات معامل 69% في MMLU (Abdin et al., 2024).
- نقطة ضعفها الرئيسية هي المعرفة المخزّنة. يقول مؤلفو Phi-3 إن النموذج لا يملك سعة لتخزين قدر كبير من المعرفة الواقعية، ويقترحون دعمه بمحرك بحث، وهو ما يوفّره الاسترجاع (RAG).
- على خوادمك الخاصة، الحجم يحدد الكلفة: يحتاج نموذج من 8 مليارات معامل إلى نحو 16 غيغابايت لأوزانه بدقة 16 بت، مقابل نحو 145 غيغابايت لنموذج من 72 مليار معامل، كما أنه يولّد النص أسرع على وحدة GPU نفسها.
- اختر بالاختبار: ابدأ بأصغر مرشح جدي على أسئلتك الخاصة، ولا تنتقل إلى حجم أكبر إلا إذا فشل.
ما الذي يُعدّ نموذجًا لغويًا صغيرًا؟
«صغير» وصف نسبي، وحدوده تتغير كل عام. تقدّم ورقة صدرت عام 2025 لباحثين في NVIDIA Research وGeorgia Tech تعريفًا عمليًا: النموذج اللغوي الصغير هو نموذج «يمكن أن يتسع له جهاز إلكتروني استهلاكي شائع» ويجيب بسرعة كافية لخدمة مستخدم واحد. وفي عام 2025 يعدّ المؤلفون معظم النماذج التي تقل عن 10 مليارات معامل نماذج صغيرة (Belcak et al., 2025).
بالنسبة إلى المشتري الصناعي، الحد المفيد عملي: هل يمكن تشغيل النموذج على وحدة GPU متواضعة واحدة، أو حتى على محطة عمل، مع ترك مساحة للمستخدمين؟ تقدّم عدة عائلات من النماذج مفتوحة الأوزان (open-weight) اليوم أحجامًا كهذه. يعرض الجدول أمثلة لا ترتيبًا، وقد جرى التحقق من التفاصيل على صفحات النماذج في نوفمبر 2026.
| النموذج | عدد المعاملات | الترخيص | طول السياق | العربية والفرنسية |
|---|---|---|---|---|
| Qwen3-4B | 4B | Apache 2.0 | 32K | تذكر Qwen3 أنها تدعم 119 لغة ولهجة، منها الفرنسية والعربية الفصحى |
| Qwen3-8B | 8.2B | Apache 2.0 | 32,768 أصلًا؛ 131,072 مع YaRN | قائمة العائلة نفسها |
| Phi-4-mini-instruct | 3.8B | MIT | 128K | اللغتان مذكورتان؛ وتنبّه البطاقة إلى أن أداء اللغات غير الإنجليزية أضعف |
| Gemma 3 4B | 4B | Gemma Terms of Use | 128K | «أكثر من 140 لغة»؛ دون تسميتها في البطاقة |
| ALLaM-7B-Instruct-preview | 7B | راجع ملف LICENSE في المستودع | 4,096 | العربية والإنجليزية؛ الفرنسية غير مذكورة |
ووفق بطاقة النموذج، دُرّب ALLaM، الذي طورته الهيئة السعودية للبيانات والذكاء الاصطناعي (SDAIA)، على 4 تريليونات وحدة نصية (token) بالإنجليزية، ثم على 1.2 تريليون وحدة مختلطة بالعربية والإنجليزية. ويتناول دليلنا حول اختيار نموذج LLM مفتوح الأوزان التراخيص والنماذج الأكبر.
لماذا أصبحت النماذج الصغيرة أفضل مما كانت عليه؟
تُظهر النتائج المنشورة أن النماذج الصغيرة قلّصت جزءًا كبيرًا من الفارق مع النماذج الكبيرة في المقاييس العامة:
- Mistral 7B (2023) تفوق على Llama 2 13B «في جميع المقاييس التي جرى تقييمها» وعلى Llama 1 34B في الاستدلال والرياضيات وتوليد الشيفرة، وفق مؤلفيه (Jiang et al., 2023).
- Phi-3-mini، بـ 3.8 مليارات معامل دُرّبت على 3.3 تريليونات وحدة نصية، حقق 69% في MMLU، وتصف Microsoft ذلك بأنه ينافس Mixtral 8x7B وGPT-3.5. وبعد تكميمه إلى 4 بت يحتاج إلى نحو 1.8 غيغابايت، وقد ولّد أكثر من 12 وحدة نصية في الثانية دون اتصال على هاتف iPhone 14 (Abdin et al., 2024).
- Qwen3: يؤكد المطورون أن «حتى نموذجًا صغيرًا جدًا مثل Qwen3-4B يمكنه منافسة أداء Qwen2.5-72B-Instruct» (Qwen).
- التقطير (distillation): ضبطت DeepSeek نماذج مفتوحة صغيرة على عينات ولّدها نموذجها الكبير DeepSeek-R1. وتعلن النسخة 7B نتيجة 55.5% في مقياس الرياضيات AIME 2024، مقابل 9.3% لـ GPT-4o-0513 في الجدول نفسه (DeepSeek على Hugging Face).
اقرأ هذه الأرقام بحذر. فهي نتائج المطورين أنفسهم، ومعظمها على مقاييس بالإنجليزية وفي الرياضيات والبرمجة. ولا يقيس أي منها كيف يجيب النموذج عن أسئلة حول أدلة الضواغط لديك أو إجراءات الصحة والسلامة والبيئة (HSE).
ما الذي يوفّره نموذج أصغر على خوادمك الخاصة؟
أمران: الذاكرة والسرعة.
الذاكرة. يحتاج تحميل نموذج من X مليار معامل إلى نحو 2 × X غيغابايت بدقة 16 بت (Hugging Face). ويحتاج كل طلب قيد المعالجة أيضًا إلى ذاكرة تخزين مؤقت للمفاتيح والقيم (KV cache). ومن إعدادات Qwen3-8B (36 طبقة، و8 رؤوس للمفاتيح والقيم، و128 بُعدًا لكل رأس)، يشغل هذا التخزين 2 × 36 × 8 × 128 × 2 بايت، أي نحو 0.15 ميغابايت لكل وحدة نصية بدقة 16 بت. ويشرح دليلنا لتحديد حجم وحدات GPU هذه الطريقة ويعطي 0.33 ميغابايت لكل وحدة نصية لنموذج Qwen2.5-72B.
السرعة. توليد النص محدود بالذاكرة: فالوقت اللازم لنقل الأوزان وذاكرة التخزين المؤقت من الذاكرة هو ما يحدد زمن الاستجابة (NVIDIA). والحد الأعلى التقريبي لطلب واحد هو عرض نطاق ذاكرة وحدة GPU مقسومًا على حجم الأوزان. وعلى بطاقة بعرض نطاق 1,597 غيغابايت/ثانية، مثل RTX PRO 6000 Blackwell Server Edition، تعطي حساباتنا ما يلي:
| Qwen3-8B | Qwen2.5-72B | |
|---|---|---|
| الأوزان بدقة 16 بت | نحو 16.4 غيغابايت | نحو 145 غيغابايت |
| الأوزان بدقة 8 بت | نحو 8.2 غيغابايت | نحو 73 غيغابايت |
| الأوزان بدقة 4 بت | نحو 4.1 غيغابايت | نحو 36 غيغابايت |
| KV cache لسؤال واحد حول وثيقة من 6,500 وحدة نصية، بدقة 16 بت | نحو 0.96 غيغابايت | نحو 2.1 غيغابايت |
| الحد الأعلى لطلب واحد بدقة 8 بت، عند 1,597 غيغابايت/ثانية | نحو 195 وحدة نصية في الثانية | نحو 22 وحدة نصية في الثانية |
هذه حدود محسوبة لا قياسات؛ فالإنتاجية الفعلية تتوقف على محرك التشغيل والمعالجة بالدفعات (batching) وطول التعليمات.
عمليًا، يتسع Qwen3-8B بدقته الكاملة 16 بت على بطاقة NVIDIA L40S واحدة بسعة 48 غيغابايت، مع نحو 27 غيغابايت متبقية للتخزين المؤقت بعد حجز 10% لمتطلبات التشغيل، وهو ما يكفي لنحو 28 سؤالًا حول وثائق بهذا الطول في الوقت نفسه. أما نموذج 72B فيحتاج إلى بطاقتين من هذا النوع حتى بدقة 8 بت.
ويذهب مؤلفو NVIDIA أبعد من ذلك، فيقدّرون أن تشغيل نموذج صغير من 7 مليارات معامل أرخص بـ 10 إلى 30 مرة من حيث زمن الاستجابة والطاقة والحوسبة مقارنة بنموذج من 70 إلى 175 مليار معامل (Belcak et al., 2025). وهذا تقديرهم في ورقة تدافع عن النماذج الصغيرة، لا نتيجة مقيسة على عبء العمل لديك.
أين تقصر النماذج الصغيرة؟
المعرفة المخزّنة. يكتب مؤلفو Phi-3 أن النموذج «لا يملك ببساطة السعة لتخزين قدر كبير من المعرفة الواقعية»، وهو ما يظهر في نتائجه الضعيفة في مقياس للمعلومات العامة، ويقترحون دعمه بمحرك بحث (Abdin et al., 2024). وتكرر بطاقة Phi-4-mini التحذير نفسه (Microsoft). وبالنسبة إلى المصنع، فهذا أقل خطورة مما يبدو: فالمعلومات المهمة، مثل عزوم الشد ورموز الإنذار ومراجعات الإجراءات، يجب أن تأتي في كل الأحوال من وثائقك لحظة طرح السؤال. انظر الضبط الدقيق أم RAG.
اللغات غير الإنجليزية. تنص بطاقة Phi-4-mini على أن اللغات غير الإنجليزية «سيكون أداؤها أضعف». وفي Open Arabic LLM Leaderboard v2 تميل النماذج الأكبر إلى تحقيق متوسطات أعلى. ويلاحظ القائمون عليها أن نماذج 7B في عائلتين موجهتين إلى العربية لم تتحسن بين النسختين، ويرجّحون أن السبب هو ضعف أداء النماذج الأصغر في ALRAGE، وهي مهمة RAG توليدية باللغة العربية. وهذا قريب مما يقوم به مساعد الوثائق.
المدخلات الطويلة. في مقياس RULER، ارتبط حجم النموذج الأكبر بأداء أفضل في السياقات الطويلة، وتفوق Yi-34B بوضوح على Yi-6B مع سياق التدريب نفسه (Hsieh et al., 2024). وقد تكون نافذة السياق الأصلية للنماذج الصغيرة أقصر أيضًا: فأصغر ثلاثة نماذج في Qwen3 توفر 32K وحدة نصية (Qwen).
أي المهام الصناعية تناسب نموذجًا صغيرًا؟
هذا الجدول نقطة انطلاق لاختباراتك، مبني على نقاط القوة والقصور المذكورة أعلاه، لا على نتائج مقاييس لهذه المهام.
| المهمة | هل النموذج الصغير مرشح أول؟ | ما يجب التحقق منه |
|---|---|---|
| تصنيف تقارير الصيانة حسب نمط العطل أو درجة الحرجية | نعم | مخرجات محددة ومتكررة؛ قد يساعد محوّل (adapter) مضبوط إذا لم تكفِ التعليمات |
| استخراج الحقول من أوامر العمل أو الشهادات أو صحائف البيانات الفنية | نعم | المعلومات موجودة في المدخلات؛ تحقق من صيغة المخرجات وجودة الوثائق الممسوحة ضوئيًا |
| الإجابة من مقاطع إجراءات مسترجعة (RAG) | غالبًا | جودة الاسترجاع؛ اختبر الإجابات بالعربية والفرنسية كلًّا على حدة |
| تلخيص سجلات الورديات وملاحظات الحوادث القصيرة | غالبًا | الطول الفعلي للمدخلات مقارنة بسياق النموذج؛ النصوص متعددة اللغات |
| أسئلة بلغة طبيعية على قواعد البيانات (text-to-SQL) | يحتاج إلى اختبار | حجم المخطط وتعقيد الاستعلامات؛ انظر text-to-SQL على قواعد بيانات الإنتاج |
| تقارير طويلة تستند إلى وثائق كثيرة، أو تحرير طويل بالعربية | النموذج الأكبر أكثر أمانًا عادة | نتائج السياق الطويل والتوليد بالعربية المذكورة أعلاه |
| تخطيط إجراءات الوكيل متعددة الخطوات | ابدأ بنموذج كبير ثم اختبر نماذج أصغر خطوة بخطوة | دقة كل خطوة، مع موافقة بشرية على الإجراءات |
والمهام المحددة هي التي تستفيد فيها النماذج الصغيرة أكثر من الضبط الدقيق. ففي دراسة LoRA Land، ضُبط 310 نماذج على 31 مهمة، وتفوقت النماذج المضبوطة بطريقة LoRA بدقة 4 بت على نماذجها الأساسية بـ 34 نقطة وعلى GPT-4 بـ 10 نقاط في المتوسط (Zhao et al., 2024).
هل يمكن الجمع بين النماذج الصغيرة والكبيرة؟
نعم، وكثيرًا ما يكون ذلك التصميم الأكثر اقتصادًا.
التوجيه (routing). يرسل الموجّه كل طلب إلى نموذج أقوى أو أضعف. ويذكر مؤلفو RouteLLM تخفيضات في الكلفة تزيد على الضعف في بعض الحالات دون المساس بجودة الإجابات (Ong et al., 2024).
الوكلاء. تلاحظ ورقة NVIDIA أن النماذج اللغوية في الأنظمة الوكيلية «تؤدي عددًا صغيرًا من المهام المتخصصة بشكل متكرر»، وتدعو إلى أنظمة «تُستخدم فيها النماذج الصغيرة افتراضيًا، ولا تُستدعى النماذج الكبيرة إلا بانتقائية واقتصاد» (Belcak et al., 2025).
المفاضلة. كل نموذج إضافي عنصر آخر يجب تقييمه وتحديثه وتأمينه وإدراجه في سجل الأصول. لا تضف نموذجًا ثانيًا إلا إذا أظهرت اختباراتك مكسبًا يبرر هذا الجهد.
كيف تقرر، خطوة بخطوة؟
- افصل المهام. «مساعد المصنع» يضم عدة مهام: البحث، والاستخراج، والتصنيف، والتلخيص، والأسئلة على قواعد البيانات.
- ابنِ مجموعة اختبار لكل مهمة، بأسئلة حقيقية من المهندسين بالعربية والفرنسية والإنجليزية، مع إجابات مرجعية والمقاطع المصدرية. ويشرح دليلنا حول تقييم نموذج LLM على وثائقك الطريقة.
- اختر نموذجًا صغيرًا وآخر أكبر يجتازان فحوص الترخيص واللغات لديك.
- شغّل النموذجين بالدقة التي ستنشرها، بالاسترجاع والتعليمات نفسها، وعلى مدخلات بطولها الحقيقي.
- احتفظ بالنموذج الصغير حيث ينجح بهامش مريح. وحيث يفشل، تحقق مما إذا كان استرجاع أفضل أو بضعة أمثلة في التعليمات يحلّان المشكلة قبل الانتقال إلى حجم أكبر.
- حدد العتاد بناءً على النتيجة، مع احتساب KV cache لذروة الاستخدام المتوقعة.
- أعد تشغيل الاختبارات كلما ظهرت نسخة جديدة من النموذج.
ما لاحظناه في KABAS AI
يعمل DALILE على خوادم العميل، ودون اتصال بالإنترنت عند الحاجة، ويجيب عن الأسئلة انطلاقًا من الوثائق الفنية وجداول البيانات وقواعد البيانات عبر مجموعة من الوكلاء المتخصصين. لذلك يكون حجم النموذج قرارًا تخطيطيًا في كل عملية نشر، لأنه يحدد العتاد الذي يجب على الموقع شراؤه وتزويده بالطاقة وتبريده. والأرقام الواردة في هذا المقال مأخوذة من المصادر العامة المذكورة، لا من مقاييس أجريناها.
والتوصيات العملية المستخلصة منها: إبقاء التطبيق مستقلًا عن أي نموذج بعينه، حتى يمكن استبداله بنموذج أصغر أو أحدث بعد الاختبار؛ وتقييم كل مهمة على حدة بدل تقييم النظام ككل؛ وترك أسئلة العميل نفسه، بالعربية والفرنسية والإنجليزية، تحسم الاختيار بين أحجام النماذج. وللاطلاع على البنية التحتية والحوكمة، انظر دليلنا للذكاء الاصطناعي السيادي في الموقع. وإذا أردت مساعدة في بناء مجموعة الاختبار ومقارنة أحجام النماذج على وثائقك، يمكن لـ فريق الاستشارات في الذكاء الاصطناعي القيام بذلك معك.
المصادر
جرى التحقق من تفاصيل النماذج في نوفمبر 2026، وهي تتغير مع الإصدارات الجديدة؛ أعد التحقق قبل اتخاذ القرار.
- Belcak et al., Small Language Models are the Future of Agentic AI, arXiv 2506.02153, 2025
- Jiang et al., Mistral 7B, arXiv 2310.06825, 2023
- Abdin et al., Phi-3 Technical Report, arXiv 2404.14219, 2024
- Qwen, Qwen3: Think Deeper, Act Faster
- بطاقة نموذج Qwen3-8B، Hugging Face
- ملف config.json لنموذج Qwen3-8B، Hugging Face
- بطاقة نموذج Phi-4-mini-instruct، Hugging Face
- بطاقة نموذج Gemma 3 4B، Hugging Face
- بطاقة نموذج ALLaM-7B-Instruct-preview، Hugging Face
- بطاقة نموذج DeepSeek-R1-Distill-Qwen-7B، Hugging Face
- Hugging Face: Optimizing LLMs for speed and memory
- NVIDIA: Mastering LLM Techniques, Inference Optimization
- NVIDIA RTX PRO 6000 Blackwell Server Edition
- وحدة NVIDIA L40S
- Hugging Face, The Open Arabic LLM Leaderboard 2
- Hsieh et al., RULER: What's the Real Context Size of Your Long-Context Language Models?, 2024
- Zhao et al., LoRA Land: 310 Fine-tuned LLMs that Rival GPT-4, arXiv 2405.00732, 2024
- Ong et al., RouteLLM: Learning to Route LLMs with Preference Data, arXiv 2406.18665, 2024
الأسئلة الشائعة
ما هو النموذج اللغوي الصغير؟
لا يوجد حدّ رسمي. يعرّف باحثون في NVIDIA النموذج اللغوي الصغير بأنه نموذج يتسع له جهاز استهلاكي شائع ويجيب بسرعة كافية لمستخدم واحد، ويعدّون معظم النماذج التي تقل عن 10 مليارات معامل نماذج صغيرة. ويتغير هذا الحد مع تطور العتاد والنماذج، لذا فهو مرجع تقريبي لا معيار.
هل يمكن تشغيل نموذج بحجم 7B دون وحدة GPU لمراكز البيانات؟
في الغالب نعم. فوفق القاعدة التقريبية لـ Hugging Face، يحتاج نموذج من 7 مليارات معامل إلى نحو 14 غيغابايت لأوزانه بدقة 16 بت، وإلى نحو ربع ذلك بدقة 4 بت. وتذكر Microsoft أن نموذجها Phi-3-mini ذا 3.8 مليارات معامل يعمل على هاتف بدقة 4 بت. لكن المساعد المشترك بين مستخدمين كثيرين يحتاج إلى ذاكرة لكل طلب قيد المعالجة، لذا أجرِ اختبار حمل قبل اختيار العتاد.
هل تتعامل النماذج الصغيرة جيدًا مع اللغة العربية؟
يختلف ذلك من نموذج لآخر. فبطاقة Phi-4-mini تذكر العربية والفرنسية لكنها تنبّه إلى أن أداء اللغات غير الإنجليزية أضعف، في حين دُرّب ALLaM-7B خصيصًا على العربية والإنجليزية. وفي لوحة Open Arabic LLM Leaderboard تميل النماذج الأكبر إلى تحقيق نتائج أعلى، ويربط القائمون عليها ضعف نتائج نماذج 7B بمهمة RAG توليدية باللغة العربية. اختبر النماذج المرشحة على وثائقك العربية.
هل نحتاج إلى الضبط الدقيق (fine-tuning) للنموذج الصغير؟
ليس دائمًا. ابدأ بتعليمات جيدة وبالاسترجاع من وثائقك (RAG)، ولا تلجأ إلى الضبط الدقيق إلا إذا ظلت مهمة محددة تفشل. وعندما يكون مبررًا، تستفيد منه النماذج الصغيرة جيدًا: ففي إحدى الدراسات تفوقت نماذج مضبوطة بطريقة LoRA بدقة 4 بت على نماذجها الأساسية بـ 34 نقطة وعلى GPT-4 بـ 10 نقاط في المتوسط عبر 31 مهمة.
هل الأفضل تشغيل نموذج كبير واحد أم عدة نماذج صغيرة؟
النموذج الواحد أبسط في الاختبار والتحديث والتأمين. وتكون النماذج المتعددة مجدية عندما ينقسم العمل إلى مهام واضحة متفاوتة الصعوبة، مع موجّه أو بنية وكلاء ترسل كل طلب إلى أصغر نموذج قادر على معالجته. وكل نموذج إضافي يزيد أعباء التقييم والصيانة، فلا تضفه إلا إذا أظهرت اختباراتك مكسبًا.



