أفضل نماذج التضمين في 2026: كيف تختار للبحث وتطبيقات RAG؟

أفضل نماذج التضمين هي التي تسترجع المعلومات اللازمة للإجابة بثبات. ابدأ بنموذج text-embedding-3-small من OpenAI ليكون مرجعك منخفض التكلفة للبحث النصي، وقارن أداءه في الاسترجاع مع Voyage 4، واختر Embedding 2 من Google Gemini عندما تتضمن المصادر صوتًا أو فيديو. يبدأ سعر نموذج small من OpenAI عند $0.02 لكل مليون رمز إدخال، لكن الالتزام الأكبر هو الفهرس المتجهي الذي ستضطر إلى إعادة بنائه إذا انتقلت إلى نموذج غير متوافق معه.

يحوّل نموذج التضمين المحتوى إلى متجه: قائمة أرقام تتيح للبحث الدلالي العثور على المعنى المتقارب حتى عندما تختلف الكلمات. وفي روبوت الدعم، يعني ذلك ربط عبارة «لا أستطيع الدخول إلى حسابي» بالمقال المناسب لحل مشكلات تسجيل الدخول. أما التوليد المعزّز بالاسترجاع، أو RAG، فيمرّر المصدر الذي عُثر عليه إلى النموذج الذي يصوغ الإجابة.

جرى التحقق من المواصفات والأسعار والتراخيص بالرجوع إلى صفحات الجهات المطوّرة المنشورة على الويب في 15 أكتوبر 2026. تستند هذه المقارنة إلى الوثائق، وليست اختبارًا عمليًا للدقة أو زمن الاستجابة. والتوصيات الواردة فيها نقاط انطلاق لتقييمك الخاص. أما السعر المذكور في المقدمة فمصدره صفحة أسعار OpenAI.

أفضل نماذج التضمين في مقارنة سريعة

اختر أقل النماذج تكلفةً مما يلبّي متطلبات الاسترجاع لديك، ثم عدّل قائمة المرشحين حين تفرض عليك اللغات أو صيغ المصادر أو قيود النشر ذلك. تغطي العائلات السبع أدناه واجهات API مُدارة، والنشر الخاص، والنماذج التي يمكن تنزيل أوزانها.

الأسعار هي التعرفات المدفوعة القياسية بالدولار الأمريكي لكل مليون رمز إدخال نصي، ما لم يُذكر في الصف أن النموذج يُستضاف ذاتيًا. ولا تشمل قاعدة البيانات المتجهية أو توليد الإجابات أو إعادة الترتيب، أي إعادة تقييم النتائج المرشحة بنموذج آخر. ولكل مزوّد طريقته في تقسيم النص إلى رموز، لذا قد تنتج الوثيقة نفسها أعدادًا مختلفة من الرموز المحتسبة في الفاتورة.

تعني «الأوزان المتاحة» أن ملفات النموذج متاحة لتشغيلها بنفسك. ولا تعني أن الحوسبة أو النشر أو الصيانة مجانية. كذلك، لا يعني وصف «متعدد اللغات» تساوي الدقة في كل لغة: اختبر أزواج لغات الاستعلامات والوثائق التي يستخدمها عملاؤك فعلًا.

النماذج المرشحة للتقييم

1. OpenAI text-embedding-3: نقطة انطلاق عملية للبحث النصي

نموذجا text-embedding-3-small وtext-embedding-3-large من OpenAI نموذجان مستضافان لتضمين النصوص. أوصي مؤسس المشروع بالبدء بـsmall عند إطلاق بحث تقليدي في مركز مساعدة أو روبوت دعم؛ فهو يوفر مرجعًا منخفض التكلفة من دون تشغيل خوادم للنموذج. ويستحق large المقارنة حين يعجز small مرارًا عن العثور على المقاطع ذات الصلة. أما دفع تكلفته قبل جمع أمثلة على هذا الإخفاق فيتجاوز أكثر خطوات القرار فائدة.

الأبعاد: العدد الافتراضي 1,536 في small و3,072 في large. ويدعم كلاهما متجهات أقصر عبر المعامل dimensions.
الحد الأقصى للإدخال: 8,192 رمزًا لكل إدخال في أيٍّ من النموذجين.
اللغات والوسائط: نصوص متعددة اللغات؛ ولا يقبل أيٌّ منهما الصور أو الصوت أو الفيديو. ولا تورد الوثائق المستشهد بها عددًا شاملًا للغات المدعومة.
مكان التشغيل: واجهة API المستضافة للتضمين لدى OpenAI. المواصفات، الوسائط.
أنسب استخدام: تطبيق يعتمد أساسًا على النصوص ويريد مطوّره الوصول سريعًا إلى مرجع يمكن قياسه.
أبرز ميزة: تتيح واجهة API نفسها المقارنة بين small وlarge وضبط حجم المخرجات.
الأسعار: $0.02 لكل مليون رمز إدخال في small، و$0.13 في large، وفق التعرفات القياسية التي جرى التحقق منها في 15 أكتوبر 2026. الأسعار.
التجربة المجانية: لا نفترض وجود رصيد API ترحيبي؛ ضع ميزانيتك على أساس الاستخدام المدفوع.

القيد الأساسي هنا هو صيغة الإدخال. فعند اختزال ملف PDF لاستكشاف الأعطال إلى نص مستخرج، قد تضيع لقطة الشاشة التي توضّح الزر المطلوب الضغط عليه. ولا يستعيد أيٌّ من نموذجي OpenAI هذه المعلومات المرئية. استخدم التضمين النصي حين تبقى الإجابة واضحة بعد الاستخراج، وقارن نموذجًا متعدد الوسائط حين يكون شكل الصفحة جزءًا من الإجابة.

وافصل أيضًا بين حجم النموذج وحجم المتجه. فقد يلائم large بأبعاد إخراج أقل قيود التخزين لديك، لكن ذلك لا يجعله قابلًا للتبادل مع small. تساوي طول المتجهين يعني توافق بنيتهما، ولا يثبت أن النموذجين ينظّمان المعاني بالطريقة نفسها.

أنشئ خط الأساس مع إبقاء إخفاقات الاسترجاع واضحة

اجعل الإعداد الأولي بسيطًا بما يكفي لتفسير سبب ظهور كل نتيجة.

1. 1

   جهّز مقاطع مصدرية تتضمن إجابات واضحة

   قسّم محتوى مركز المساعدة بحسب الموضوع أو القسم. واحتفظ بجوار كل مقطع بعنوان الوثيقة ورابط المصدر وصلاحيات العميل ومعرّف ثابت للمقطع. تجنّب جمع تعليمات غير مترابطة لمجرد ملء نافذة سياق النموذج.

2. 2

   ثبّت إعدادات التضمين

   اختر text-embedding-3-small وسجّل عدد أبعاد المخرجات. حوّل جميع المقاطع المخزنة إلى متجهات بالإعداد نفسه، ثم أنشئ الفهرس المتجهي بعدد الأبعاد المطابق. واحتفظ بالنص الأصلي بصورة منفصلة.

3. 3

   اختبر البحث قبل إضافة توليد الإجابات

   حوّل كل سؤال اختباري إلى متجه بالإعداد نفسه، واسترجع أقرب المقاطع وافحصها. فقد تخفي إجابة مولّدة تبدو مقنعة أن الاسترجاع اختار المصدر الخطأ.

4. 4

   قارن نموذجًا منافسًا باستخدام الأسئلة نفسها

   أنشئ فهرسًا منفصلًا لتجربة large أو Voyage. أبقِ المقاطع المصدرية وتسميات الصلة ثابتة. ولا تعتمد المنافس إلا إذا كان التحسن مؤثرًا في تطبيقك.

2. Voyage AI 4: منافس عبر API يركز على جودة الاسترجاع

تستحق عائلة Voyage 4 من Voyage AI أن تقارنها بخط الأساس لديك حين تكون جودة الاسترجاع محور المنتج؛ فهي خيار مستضاف لتضمين النصوص. ابدأ المقارنة بـvoyage-4، ثم قيّم lite من حيث زمن الاستجابة والتكلفة، أو large بوصفه الخيار العام الأعلى جودة بحسب الجهة المطوّرة. والبحث في وثائق تقنية يصف فيها العملاء العطل نفسه بعبارات مختلفة اختبار أجدى من مجموعة حالات سهلة تتطابق فيها الكلمات المفتاحية.

الأبعاد: 1,024 افتراضيًا؛ وتدعم نماذج voyage-4-lite وvoyage-4 وvoyage-4-large أيضًا 256 و512 و2,048 بُعدًا.
الحد الأقصى للإدخال: 32,000 رمز لكل نموذج من هذه النماذج.
اللغات والوسائط: نصوص متعددة اللغات؛ ولا يورد جدول النماذج عددًا شاملًا للغات. وهذه ليست نماذج Voyage متعددة الوسائط المنفصلة عنها.
مكان التشغيل: واجهة API المستضافة للتضمين لدى Voyage AI. مواصفات النماذج.
أنسب استخدام: مطوّر مستعد لإجراء مقارنة في الاسترجاع قبل اختيار واجهة API.
أبرز ميزة: توافق التضمينات بين نماذج عائلة Voyage 4 العامة.
الأسعار: لكل مليون رمز إدخال، $0.02 لنموذج 4-lite، و$0.06 لنموذج 4، و$0.12 لنموذج 4-large؛ جرى التحقق منها في 15 أكتوبر 2026. الأسعار.
التجربة المجانية: تذكر صفحة الأسعار حصة أولية قدرها 200 مليون رمز مجاني للنماذج العامة الحالية؛ تحقّق من الحصة الخاصة بالنموذج الذي تستخدمه.

يفيد هذا التوافق في التشغيل. إذ توثّق Voyage فضاء تضمين مشتركًا بين نماذج هذه العائلة، ما يتيح تقييم إصدار مختلف لمعالجة الاستعلامات من دون الاضطرار تلقائيًا إلى إعادة بناء كل متجهات الوثائق. حافظ على اتساق أبعاد المخرجات، وقِس أداء الاقتران المحدد بين نموذج الوثائق ونموذج الاستعلامات. ولا تعمّم هذا الوعد على كل نموذج يحمل اسم Voyage.

أما القيد الذي يستدعي الانتباه فهو اقتطاع النص من دون تنبيه: القيمة الافتراضية لإعداد truncation في واجهة API هي true. وقد تنتج الوثيقة الطويلة متجهًا صالحًا رغم حذف نهايتها. اضبط truncation=false أثناء تطوير إدخال المحتوى حتى يظهر فشل المدخلات المتجاوزة للحد بوضوح، ثم عالج طريقة التقسيم. حد السياق الكبير يفسح المجال لمقاطع مترابطة، ولا يبرر تحويل دليل كامل إلى نتيجة بحث واحدة. سلوك واجهة API.

ولمجموعات المحتوى المقتصرة على الشيفرة، توفر الجهة المطوّرة أيضًا voyage-code-4؛ قارن النموذج المتخصص بالمرشح العام باستخدام أسئلة عن مستودع الشيفرة. ولا تضف نموذجًا متخصصًا لمجرد أن بعض مقالات الدعم تتضمن مقتطفات برمجية.

3. Google Gemini Embedding 2: خيار شامل للوسائط المتعددة

يستحق Google Gemini Embedding 2 مكانًا في قائمة الخيارات المُدارة حين يتعين على البحث الربط بين النص والصور والصوت والفيديو أو صفحات PDF. فنظام دعم يجمع أدلة مكتوبة وعروضًا مسجلة للمنتج يستطيع إبقاء هذه المصادر في فضاء تضمين واحد. اختره لأن هذه الوسائط تحمل معلومات مفيدة، ثم قارن أداء استرجاعه على مصادرك؛ فمركز المساعدة النصي لا يستفيد تلقائيًا من اتساع أنواع الإدخال المتاحة.

الأبعاد: من 128 إلى 3,072؛ وتوصي Google بـ768 أو 1,536 أو 3,072.
الحد الأقصى للإدخال: 8,192 رمزًا.
اللغات والوسائط: أكثر من 100 لغة؛ النص والصور والصوت والفيديو وPDF.
مكان التشغيل: Gemini API، باستخدام معرّف النموذج المستقر gemini-embedding-2. بطاقة النموذج، القدرات.
أنسب استخدام: بحث مُدار في مصادر لا يكفي تمثيلها كنص مستخرج.
أبرز ميزة: يجمع الصوت والفيديو مع النص والصور في الفضاء المتجهي نفسه.
الأسعار: التعرفات القياسية لكل مليون رمز إدخال هي $0.20 للنص، و$0.45 للصور، و$6.50 للصوت، و$12.00 للفيديو؛ جرى التحقق منها في 15 أكتوبر 2026. الأسعار.
التجربة المجانية: يتوفر مستوى مجاني لواجهة API، ضمن حدود استخدامه.

التحدي هنا هو تهيئة الإدخال بحسب نوع الوسيط. تتيح Google في الطلب الواحد ما يصل إلى 6 صور، أو 180 ثانية صوت، أو 120 ثانية فيديو، أو ملف PDF واحدًا لا يتجاوز 6 صفحات، مع الالتزام بالقيود العامة للإدخال. وتعالج الفيديو باستخدام 32 إطارًا على الأكثر، ولا تعالج مساره الصوتي. لذا يحتاج العرض التوضيحي المصحوب بشرح صوتي إلى خطة واضحة للتعامل مع الكلام، إلى جانب المحتوى المرئي. حدود الإدخال.

احفظ الطابع الزمني أو مرجع الصفحة مع كل عنصر تحوّله إلى تضمين. فالوصول إلى اللحظة المطلوبة أنفع من مجرد العثور على الفيديو الصحيح، وتحديد الصفحة التي تتضمن الإجابة أنفع من استرجاع ملف PDF الصحيح وحده. وطريقة التقسيم والبيانات الوصفية هي التي تحدد تجربة الوصول هذه.

ولمستخدمي Google الحاليين تفصيل مهم عند الترحيل: فضاءا التضمين في gemini-embedding-001 وgemini-embedding-2 غير متوافقين. والحفاظ على عدد الأبعاد نفسه لا يحافظ على التوافق. تنص Google صراحةً على ضرورة إعادة تضمين مجموعة المحتوى الحالية عند الانتقال بينهما. إرشادات الترحيل.

4. Cohere Embed 5: لوثائق المؤسسات وخيارات نشر أكثر مرونة

يناسب Cohere Embed 5 الفرق التي تتمثل مشكلة البحث لديها في وثائق طويلة وجداول ورسوم بيانية وصفحات تجمع النص والصور. تتألف العائلة الحالية من embed-v5.0-pro وembed-v5.0-fast. وإذا كان مساعد الدعم الداخلي يبحث في أدلة ذات بنية مرئية، فقارن الاسترجاع الذي يراعي شكل الصفحة باستخراج النص المستخدم لديك. والسؤال الحاسم هو: هل تبقى التعليمات الصحيحة محفوظة بعد عملية إدخال المحتوى؟

الأبعاد: 2,048 افتراضيًا؛ مع دعم 256 و512 و768 و1,024 و1,536 أيضًا.
الحد الأقصى للإدخال: 128K رمزًا لكل من Pro وFast.
اللغات والوسائط: أكثر من 100 لغة؛ نصوص وصور ومدخلات تجمعهما، بما يشمل تمثيلات صفحات الوثائق.
مكان التشغيل: Cohere API وModel Vault وMicrosoft Foundry وAmazon SageMaker؛ كما يدعم النشر التجاري الخاص داخل VPC لديك أو في مقار المؤسسة. المواصفات، النشر وتغطية اللغات.
أنسب استخدام: البحث في وثائق المؤسسات التي تتطلب خيارات نشر تتجاوز واجهة API عامة مشتركة.
أبرز ميزة: يشترك Pro وFast في فضاء تضمين واحد، ما يتيح استخدام Fast للاستعلام في مجموعة محتوى فُهرست باستخدام Pro.
الأسعار: $0.08 لكل مليون رمز نصي في Fast، أو $0.12 في Pro؛ ويسرد كلاهما سعر $0.40 لكل مليون رمز صورة. جرى التحقق من الأسعار في 15 أكتوبر 2026. أسعار النص، أسعار الصور.
التجربة المجانية: مفاتيح API التجريبية ذات حدود معدل الطلبات مجانية، ولا يجوز استخدامها للإنتاج أو لأغراض تجارية.

تفيد نافذة السياق الطويلة حين يحتاج المقطع إلى ما يحيط به لفهمه، لكنها لا تحل مشكلة تصميم الاسترجاع. فإذا احتوى المقطع المسترجع على دليل كامل، فسيظل على نموذج الإجابة العثور على الجزء المعني داخله. قارن تمثيلًا طويل السياق بمقاطع على مستوى الأقسام قبل اختيار الإدخال الأكبر لمجرد أنه يتسع للمحتوى.

يدعم Cohere أيضًا تمثيلات إخراج من نوع float وint8 وتمثيلات ثنائية. تحدد هذه الأنواع كيفية تخزين أرقام المتجه؛ وقد تغيّر التمثيلات الأصغر استهلاك الذاكرة وسلوك الاسترجاع. تحقّق مما تقبله قاعدة البيانات وآلية الاسترجاع اللتان اخترتهما، ثم قِس أداء الإعداد المضغوط نفسه. فالنتيجة المحققة بمتجهات float كاملة الحجم لا تثبت تلقائيًا جودة فهرس ثنائي أصغر.

ما زالت الجهة المطوّرة توثّق embed-v4.0، بسياق قدره 128K و1,536 بُعدًا افتراضيًا. وهو نموذج قائم ينبغي تقييمه وفق خصائصه، وهذه ليست مواصفات العائلة الحالية. كما أن النشر الخاص لا يجعل Embed 5 نموذجًا قابلًا للتنزيل بترخيص Apache؛ فشروط النشر التجاري تبقى جزءًا من قرار الشراء.

5. Qwen3-Embedding: عائلة نصية مفتوحة وقابلة للضبط

تتيح Qwen3-Embedding للمطوّرين تنزيل نماذج لتضمين النصوص بأحجام مختلفة، ما يجعلها مرشحًا قويًا للاستضافة الذاتية حين يحدد موقع البيانات أو التحكم في بيئة التشغيل تصميم النظام. وفي شركة تبحث داخل وثائق هندسية خاصة، ابدأ بأصغر إصدار يحقق مستوى الصلة المطلوب. فالقفز إلى أكبر إصدار قد يحوّل اختيار نموذج التضمين إلى مشروع بنية تحتية قبل أن تعرف إن كان سيحسّن الإجابات.

الأبعاد: الحدود القصوى لحجم المخرجات هي 1,024 لنموذج 0.6B، و2,560 لنموذج 4B، و4,096 لنموذج 8B؛ وتدعم العائلة أبعادًا قابلة للضبط.
الحد الأقصى للإدخال: 32K رمزًا في هذه الإصدارات.
اللغات والوسائط: أكثر من 100 لغة، مع دعم استرجاع الشيفرة؛ والمدخلات نصية. المقصود هنا Qwen3-Embedding، وليس عائلة Qwen3-VL المنفصلة.
مكان التشغيل: بنيتك التحتية، باستخدام أمثلة الجهة المطوّرة على Sentence Transformers أو Transformers أو vLLM أو Text Embeddings Inference. بطاقة النموذج.
الترخيص: Apache 2.0. ملف الترخيص.
أنسب استخدام: استرجاع نصي متعدد اللغات باستضافة ذاتية، مع التحكم في حجم النموذج والمخرجات.
أبرز ميزة: تعليمات المهمة تتيح تحديد وظيفة الاسترجاع المطلوبة.
الأسعار: أوزان متاحة واستضافة ذاتية؛ ولا يوجد سعر موحد للبنية التحتية لكل مليون رمز.
التجربة المجانية: أوزان قابلة للتنزيل؛ وأنت توفر بيئة التشغيل والموارد الحاسوبية.

التحدي هو تكلفة تقديم الخدمة وسلوكها تحت الحمل. قِس معدل إنجاز الفهرسة وزمن الاستجابة للاستعلامات التفاعلية كلًّا على حدة. يمكن لفهرسة مجموعة المحتوى أول مرة أن تنتظر في طابور، لكن العميل الذي ينتظر إجابة دعم يشعر بكل تأخير إضافي في الاستدلال. وحجم الدفعة وأطوال المدخلات والعتاد وعدد الطلبات المتزامنة هي ما يحدد ملاءمة النموذج الأكبر للمنتج.

اتبع تعليمات الاسترجاع الواردة في بطاقة النموذج. فتنسيق الاستعلام جزء من الإعداد الذي تقيّمه، لذا سجّله مع إصدار النموذج وأبعاد المخرجات. واختبار صيغة تعليمات معينة لا يثبت صلاحية صيغة أخرى في الإنتاج. حافظ على ثبات قواعد إعداد الوثائق والاستعلامات أثناء مقارنة المرشحين.

تزداد جدوى الاستضافة الذاتية حين يكون للتحكم قيمة بحد ذاته، أو حين يبرر حجم العمل المقاس عبء التشغيل. وهي ليست تلقائيًا الوسيلة الأرخص لتضمين مركز مساعدة صغير. فقد تقل فاتورة الرموز البسيطة لدى خدمة مستضافة عن قيمة الوقت الذي تقضيه في صيانة خدمة نموذج، حتى قبل احتساب العتاد.

6. BAAI BGE-M3: استرجاع مفتوح يتجاوز المتجه الكثيف الواحد

ضع نموذج BGE-M3 المفتوح من BAAI ضمن المرشحين إذا أردت استرجاعًا كثيفًا ومتناثرًا ومتعدد المتجهات من النموذج نفسه. تلتقط المتجهات الكثيفة التشابه الدلالي، وتمنح التمثيلات المتناثرة أوزانًا للسمات اللفظية، بينما يحتفظ الاسترجاع متعدد المتجهات بأكثر من متجه لتحقيق مطابقة أغنى. وتصلح مجموعة وثائق دعم تضم معرّفات منتجات ورموز أخطاء لمقارنة هذه الأساليب؛ فتقارب المعنى وحده قد يعيد معرّفًا لا يطابق المطلوب بدقة.

الأبعاد: 1,024 للتضمين الكثيف؛ أما المخرجات المتناثرة ومتعددة المتجهات فلها بنى مختلفة.
الحد الأقصى للإدخال: 8,192 رمزًا.
اللغات والوسائط: أكثر من 100 لغة؛ نصوص.
مكان التشغيل: استضافة ذاتية باستخدام تطبيق FlagEmbedding الذي توفره الجهة المطوّرة. بطاقة النموذج.
الترخيص: MIT، وفق البيانات الوصفية لبطاقة النموذج لدى الجهة المطوّرة.
أنسب استخدام: مطوّرون مستعدون لتقييم الاسترجاع الهجين، الذي يجمع الإشارات اللفظية والدلالية.
أبرز ميزة: تمثيلات متعددة للاسترجاع من عائلة نماذج واحدة.
الأسعار: أوزان متاحة واستضافة ذاتية؛ وتتحمل تكاليف الحوسبة والتخزين.
التجربة المجانية: أوزان قابلة للتنزيل؛ ولا يعني ذلك وجود حصة مجانية في خدمة مستضافة.

القيد هنا أن توليد عدة تمثيلات لا يعني أن قاعدة البيانات ستستخدمها. فإذا حفظت المتجه الكثيف وحده وأجريت بحثًا كثيفًا، فقد بنيت نظام استرجاع كثيفًا. أما استخدام المخرجات المتناثرة أو متعددة المتجهات فيتطلب فهرسةً وحسابَ درجات متوافقين معها، ثم تحديد كيفية دمج النتائج.

ابدأ بالاسترجاع الكثيف، ثم أضف الإشارة اللفظية للأسئلة التي يُفترض أن تستفيد منها: الأسماء الدقيقة للقطع، ونصوص الأخطاء، والمعرّفات. وافحص ما إذا كانت هذه التحسينات تضعف مطابقة المعاني بصياغات مختلفة. ولا تضف نموذجًا لإعادة الترتيب قبل أن ترى النتائج المرشحة التي سيُطلب منه تحسينها.

تؤهّل هذه المرونة BGE-M3 لدخول المقارنة، وليس افتراض أن نتيجة اختبار عند إطلاق قديم تثبت تفوقه على كل واجهات API الحالية. وإذا كنت تحتاج إلى تضمينات كثيفة بسيطة فقط، فقارنه مع Qwen ومع خط الأساس المستضاف قبل قبول تعقيد إضافي في الاسترجاع.

7. Google EmbeddingGemma: بحث محلي بجيلين مختلفين

يُرشَّح Google EmbeddingGemma 2 للتشغيل المحلي حين يحتاج التطبيق إلى البحث في النص والوسائط على جهاز المستخدم. فقد تفهرس أداة معرفة مكتبية الملاحظات إلى جانب لقطات الشاشة أو التسجيلات من دون إرسال كل عنصر إلى واجهة API مستضافة للتضمين. ويختلف النموذج الحالي عن embeddinggemma-300m الأصلي في أنواع الإدخال وطول السياق والترخيص، لذا حدّد المستودع المستخدم بدقة وثبّته في إعداد بناء التطبيق.

الأبعاد: ينتج EmbeddingGemma 2 متجهات من 768 بُعدًا، مع خيارات 512 و256 و128.
الحد الأقصى للإدخال: 8,192 رمزًا.
اللغات والوسائط: أكثر من 100 لغة؛ نصوص تشمل الشيفرة، وصور، وفيديو، وصوت.
مكان التشغيل: محليًا أو على بنيتك التحتية؛ وتوفر الجهة المطوّرة أمثلة باستخدام Sentence Transformers. يبلغ إجمالي معاملاته 740M، ويشمل ذلك مشفّرات للرؤية والصوت يمكن تحميلها انتقائيًا. بطاقة النموذج.
الترخيص: Apache 2.0 لنموذج EmbeddingGemma 2، بحسب بطاقة النموذج.
أنسب استخدام: تطبيقات محلية أو تعمل دون اتصال وتحتاج إلى تضمينات متعددة الوسائط.
أبرز ميزة: تحميل مشفّرات الوسائط التي يحتاج إليها تطبيقك.
الأسعار: أوزان متاحة واستضافة ذاتية؛ وتتحمل تكلفة موارد الجهاز وأي بنية تحتية مستضافة.
التجربة المجانية: أوزان قابلة للتنزيل.

يبقى EmbeddingGemma-300m الأصلي خيارًا مستقلًا للنصوص فقط: 300M معامل، وحد إدخال يبلغ 2,048 رمزًا، و768 بُعدًا مع بدائل 512/256/128، وتدريب على أكثر من 100 لغة بشرية. ويعمل عبر Sentence Transformers، لكن مستودعه يشترط قبول Gemma Terms of Use من Google. لا تنسب ترخيص Apache الخاص بـEmbeddingGemma 2 إلى ذلك الإصدار الأقدم. النموذج الأصلي والشروط.

القيد الأساسي هو موارد الجهاز. فالذاكرة المتاحة والسلوك الحراري والأعمال الأخرى التي ينفذها التطبيق بالتزامن أهم من مجرد القدرة على تحميل ملف النموذج. اختبر الفهرسة في الخلفية أثناء أداء المستخدم مهمة اعتيادية في الواجهة. حتى النموذج المدمج قد يفسد تجربة التطبيق إذا استحوذت عملية إدخال المحتوى على موارد الجهاز.

عند استخدام متجهات مختصرة، اتبع تعليمات Google للتطبيع، وحافظ على تطابق أبعاد الاستعلامات والوثائق. واحتفظ كذلك ببادئات المهام. هذه الإعدادات جزء من نشر النموذج، وليست تفاصيل توثيق اختيارية تحاول استعادتها بعد تغيّر جودة الاسترجاع.

كيف تختار نموذجًا للبحث أو لروبوت الدعم؟

دع متطلبًا محددًا يستبعد المرشحين قبل أن تقارن الجودة. والسؤال الفاصل هو: أي إخفاق سيجعل التطبيق غير قابل للاستخدام؟ العجز عن العثور على الإجابة، أم فقدان الأدلة المرئية، أم إرسال البيانات إلى موقع غير مقبول، أم البطء الشديد في الاستجابة؟

أفضل نماذج تضمين النصوص

ابدأ بـOpenAI small وVoyage 4 لتطبيق نصي مستضاف. أضف OpenAI large إذا أردت المقارنة ضمن واجهة API المستخدمة بالفعل، وأضف Cohere حين تكون بنية الوثائق والنشر الخاص عاملين مهمين. اختر المنافس فقط إذا عالج الإخفاقات التي يواجهها المستخدمون، مع زمن استجابة وتكلفة إجمالية مقبولين.

وللدعم متعدد اللغات، أدرج أمثلة تعبر بين اللغات: سؤالًا بالإسبانية تجيب عنه مقالة إنجليزية، وأسماء منتجات محلية، ورسائل تمزج لغات مختلفة، ومصطلحات مكتوبة بحروف لغة أخرى. فعبارة «يدعم أكثر من 100 لغة» لا تثبت جودة الأداء في زوج اللغات الأهم لعملك.

أفضل نماذج التضمين مفتوحة المصدر

قارن Qwen3-Embedding للاسترجاع النصي القابل للضبط، وBGE-M3 حين تكون المطابقة اللفظية والدلالية كلتاهما مهمتين، وEmbeddingGemma 2 للمدخلات المحلية متعددة الوسائط. يرتبط الترخيص بإصدار النموذج المحدد. تعامل مع الاستضافة الذاتية بوصفها قرار نشر له تكلفة تشغيل يمكن قياسها، لا مرادفًا لاستخدام API مجانًا.

إذا احتوت مجموعة المصادر على تعليمات مصوّرة أو مخططات أو عروض مسجلة، فاختر عن قصد بين استخراج النص والحفاظ على الوسيط الأصلي. قد يكفي استخراج النص ويكون تتبع أخطائه أسهل. استخدم الاسترجاع متعدد الوسائط حين يؤدي غياب المعلومات المرئية أو الصوتية إلى تغيير الإجابة.

أفضل نماذج التضمين للتشغيل المحلي

EmbeddingGemma 2 هو المرشح الأول هنا للوسائط المتعددة محليًا؛ أما الإصدار الأصغر من Qwen وBGE-M3 فيدخلان مقارنة النماذج النصية. قِس الأداء على العتاد الذي سيخدم المستخدمين. فنتيجة محطة عمل مخصصة للتطوير لا تقول الكثير عن حاسوب محمول أو خادم صغير يتعين عليه معالجة الفهرسة والاستعلامات معًا.

قاعدة القرار: احتفظ بأبسط مرشح يلبّي متطلبات الصلة وزمن الاستجابة والنشر واللغات. وانتقل إلى بديل عندما يثبت التقييم أنه يعالج إخفاقًا مهمًا، وبفائدة تكفي لتبرير الترحيل.

راجع MTEB، ثم اختبر بياناتك

استخدم لوحة ترتيب MTEB لتحديد المرشحين، لا لاختيار فائز مطلق. يشمل MTEB، واسمه الكامل Massive Text Embedding Benchmark، مهام مثل الاسترجاع والتصنيف والتجميع والتشابه. وتوفر لوحة ترتيبه أيضًا طرق عرض بحسب اللغة والمجال والوسيط. ولا تكون نتيجة مجموعة مهام قابلة للمقارنة تلقائيًا بنتيجة مجموعة أخرى.

في تطبيقات RAG، افحص نتائج الاسترجاع المرتبطة بلغاتك ومجالك. وللمصادر المرئية، راجع اختبارًا مناسبًا للوسائط المتعددة أو لاسترجاع الوثائق. سجّل إصدار الاختبار وإعداداته قبل الاستناد إلى أي نتيجة لاتخاذ قرار. ولا ننقل هنا أي درجات رقمية من لوحات الترتيب.

يمكن أن تبدأ بتقييم مفيد يتكون من 100 سؤال فعلي، مع تحديد المقاطع المصدرية التي ينبغي أن تجيب عن كل سؤال. هذه عينة بداية مقترحة، وليست ادعاءً باليقين الإحصائي. أدرج أسئلة لا توجد لها إجابة صحيحة، وصياغات ملتبسة، ومعرّفات دقيقة، وتركيبات اللغات التي تخدمها.

ثبّت المقاطع المصدرية والصلاحيات وعدد النتائج المسترجعة وأي نموذج لإعادة الترتيب أثناء مقارنة النماذج. وإلا فلن تعرف هل جاء التحسن من النموذج أم من سلسلة المعالجة المحيطة به. وعند الاكتفاء بأول عشر نتائج، يقيس recall@10 مقدار المحتوى ذي الصلة الذي ظهر ضمنها، بينما يكافئ nDCG@10 وضع النتائج الأكثر صلة قرب المقدمة.

ثم افحص الإخفاقات يدويًا. هل غاب المقطع الصحيح، أم جاء متأخرًا جدًا في الترتيب، أم استبعدته الصلاحيات، أم تضرر أثناء استخراج النص؟ ترقية النموذج لا تصلح مقطعًا مصدريًا لم يدخل الفهرس أصلًا. قِس زمن استجابة الاستعلامات ومعدل إنجاز إدخال المحتوى كلًّا على حدة، وأعد اختبار الحالات الصعبة بعد تغيير الأبعاد أو الضغط.

أين تخزّن المتجهات وتتيح البحث فيها؟

Pinecone قاعدة بيانات متجهية مُدارة تستطيع تخزين متجهات تولّدها خارجها، وتستضيف أيضًا نماذج تضمين مختارة عبر واجهة API للاستدلال. ويورد دليل نماذجها النماذج llama-text-embed-v2 وmultilingual-e5-large وpinecone-sparse-english-v0 ضمن خيارات التضمين المتاحة للاستدلال. وهذا قرار منفصل عن استدعاء Gemini أو OpenAI أو Voyage بنفسك ورفع المتجهات الناتجة.

استخدم التضمين المدمج حين يحقق النموذج المدعوم متطلبات تقييمك وتريد أن تتولى الخدمة تحويل النص إلى متجه. وارفع متجهاتك الخاصة حين تريد التحكم في النموذج أو المعالجة المسبقة للوسائط أو مشفّر تستضيفه ذاتيًا. تميّز وثائق الفهرسة لدى Pinecone بين هذين المسارين.

في روبوت الدعم، احتفظ بالنص المصدري والمعرّفات الثابتة وبيانات التحكم في الوصول والمراجع، إلى جانب بنية الاسترجاع. تشابه التضمينات لا يمنح صلاحية الاطلاع. يجب أن يقصر تطبيقك الاسترجاع على المواد المسموح للمستخدم برؤيتها، أيًا كانت قاعدة البيانات التي تختارها.

تتناول مقارنة أفضل قواعد البيانات المتجهية قرار التخزين، وتشرح أسعار Pinecone فاتورته المنفصلة. وإذا كان المساعد يقرر متى يبحث، أو يعيد صياغة الأسئلة، أو يجري عمليات استرجاع متابعة، فإن شرح agentic RAG يتناول هذا المسار. يوفّر نموذج التضمين التمثيل، بينما يحدد نظام الاسترجاع كيفية استخدامه.

عدد الأبعاد يحدد التزامك بالتخزين

اختر أبعاد المتجهات مع مراعاة قاعدة البيانات. فعند استخدام دقة float32، يشغل كل رقم أربعة بايتات. ولذلك يحتاج مليون متجه من 1,536 بُعدًا إلى 6.144 GB من قيم المتجهات الخام، بينما تحتاج متجهات 3,072 بُعدًا إلى 12.288 GB. هذه أحجام محسوبة بالغيغابايت العشري، ولا تشمل البيانات الوصفية أو بنى الفهرسة أو النسخ المتماثلة أو غيرها من المساحة الإضافية لقاعدة البيانات.

لهذا قد يكون لحجم المخرجات الأصغر أثر مهم حتى عندما تكون تكلفة رموز التضمين منخفضة. ولهذا أيضًا ينبغي ألا تخلط بين عدد معاملات النموذج وأبعاد المتجه: الأول يؤثر في المشفّر الذي تشغّله، والثاني يؤثر في كل تمثيل تخزّنه وتبحث فيه.

اختبر تقليل الأبعاد بالطريقة التي تدعمها الجهة المطوّرة. لا تقتطع الأبعاد عشوائيًا من نموذج لا توثّق الجهة المطوّرة دعمه لذلك. وحين يكون التطبيع مطلوبًا، طبّقه باتساق. ثم قيّم المتجهات المختصرة نفسها؛ فالتوفير في التخزين مفيد فقط ما دام التطبيق يسترجع الأدلة المطلوبة.

تغيير النموذج يعني ترحيل الفهرس

ضع إعادة بناء مجموعة المحتوى ضمن ميزانية الانتقال عندما يستخدم النموذج الجديد فضاء تضمين غير متوافق. فتغيير اسم واجهة API المستخدمة للاستعلامات مع إبقاء متجهات الوثائق القديمة يعطّل المطابقة عادةً، حتى لو أعاد النموذجان العدد نفسه من الأبعاد. ويقدّم الترحيل الموثّق لدى Google من embedding-001 إلى embedding-2 مثالًا صريحًا على ذلك.

توجد استثناءات بحدود معلنة: توثّق عائلة Voyage 4 العامة، وكذلك زوج Cohere Embed 5 Pro/Fast، فضاءات مشتركة. تتيح هذه الخصائص اقترانات محددة بين النماذج، ولا تبيح مزج نماذج المزوّدين عشوائيًا. اختبر الاقتران المقصود، وطابق إعدادات الأبعاد والتمثيل.

قدّر تكلفة إعادة التضمين باستخدام العدد الفعلي لرموز الإدخال. وللتوضيح، تحتوي مليون مقطع بمتوسط 500 رمز للمقطع على 500 مليون رمز. وبالتعرفة النصية القياسية المنشورة لـGemini Embedding 2، تبلغ تكلفة عملية التضمين بالحساب $100. ولا يشمل ذلك الكتابة إلى قاعدة البيانات، أو التخزين المتزامن للقديم والجديد، أو المعالجة المسبقة، أو الاستعلامات، أو العمل الهندسي، أو أي خصم. مصدر التعرفة.

قد تكون رسوم الرموز أيسر ما في العملية. فأنت تحتاج أيضًا إلى الوثائق المصدرية، وإعدادات إدخال المحتوى، وسعة تكفي لإبقاء النظام الحالي متاحًا أثناء بناء بديله. احفظ مع كل إصدار للفهرس معرّف النموذج والأبعاد والتطبيع وإصدار طريقة التقسيم وتعليمات الاستعلامات والوثائق.

1. 1

   أنشئ فهرسًا منفصلًا للنموذج المرشح

   أعد تضمين المقاطع المصدرية المحفوظة بالإعداد الجديد. وأبقِ الفهرس الحالي مستمرًا في خدمة الطلبات. استخدم معرّفات ثابتة للوثائق لتتمكن من مقارنة السجلات المتناظرة.

2. 2

   أعد التقييم وافحص مواضع التراجع

   قارن المرشح باستخدام الاستعلامات نفسها ذات تسميات الصلة. افحص الصلاحيات ووجهات المراجع والوثائق المفقودة وزمن استجابة الاستعلامات، إلى جانب الصلة. وراعِ الوثائق التي تغيّرت أثناء إعادة فهرسة المحتوى.

3. 3

   بدّل النموذج والفهرس معًا

   وجّه الاستعلامات إلى المشفّر الجديد والفهرس المطابق له ضمن تغيير واحد في الإعدادات. واحتفظ بالزوج القديم مدة تكفي للتراجع إذا اختلف سلوك الإنتاج عن نتائج التقييم.

كيف اخترنا هذه النماذج؟

هذه سبع عائلات نماذج، لكل منها دور واضح في اختيار أدوات البحث وRAG وروبوتات الدعم الذي تتناوله المقالة. راعى الاختيار حدود الإدخال والأبعاد والوسائط والتغطية اللغوية وخيارات النشر والتراخيص والأسعار الحالية المنشورة. روجعت صفحات الجهات المطوّرة في تاريخ التحقق المذكور، وحُسبت أمثلة التخزين والتكلفة انطلاقًا من الافتراضات المبيّنة.

لم تُجرَ اختبارات معيارية أو اختبارات تحميل على النماذج لإعداد هذه المقالة. الترتيب مسار تقييم مقترح لمطوّر يبدأ عادةً بتطبيق نصي، وليس ترتيبًا للدقة بناءً على قياس. ولم تُخصَّص بطاقات مستقلة مرتبة للعائلات المتخصصة في الشيفرة أو في مجالات محددة أو للعائلات الأخرى متعددة الوسائط؛ أدرجها في قائمتك عندما يكون ذلك التخصص هو ما يحدد طبيعة التطبيق.

خيارات وممارسات ينبغي تجنّبها

تجنّب OpenAI text-embedding-3 للاسترجاع المباشر للصور أو الصوت. فهي عائلة نصية. واستخراج الكلمات تصميم صالح للنظام، لكنه يفقد المعلومات التي لا توجد إلا في الصورة أو الصوت الأصليين.

تجنّب اعتماد نماذج Voyage 3 الأقدم تلقائيًا كنقطة بداية لمشروع جديد. توصي وثائق Voyage الحالية بالعائلة الأحدث. واحتفظ بالنشر القائم الذي جرى تقييمه إلى أن يوجد سبب يبرر تكلفة الترحيل.

تجنّب اختيار Qwen3-Embedding-8B افتراضيًا لحاسوب محمول من دون قياس. ابدأ بتحديد حدود زمن الاستجابة وموارد الجهاز، ثم قيّم ما إذا كان الإصدار الأكبر يستحق تكلفة تشغيله.

تجنّب استخدام BGE-M3 من أجل «البحث الهجين» إذا كنت ستخزّن مخرجاته الكثيفة فقط. تحتاج إلى تصميم استرجاع يستخدم التمثيل الإضافي حتى تحصل على هذه القدرة.

تجنّب اعتبار كل إصدارات EmbeddingGemma خاضعة لترخيص Apache 2.0. تنص بطاقة EmbeddingGemma 2 الحالية على Apache 2.0، بينما يستخدم مستودع 300M الأصلي شروط Gemma. تحديد الإصدار بدقة مهم للنشر بقدر أهميته للاسترجاع.

أسئلة شائعة

ما أفضل نماذج التضمين لتطبيقات RAG؟

ابدأ بـOpenAI text-embedding-3-small كمرجع نصي مستضاف منخفض التكلفة، وقارن Voyage 4 باستخدام أسئلتك. أدرج Gemini Embedding 2 أو Cohere Embed 5 في المقارنة حين يغيّر نوع وسيط المصدر الإجابة. أما مرشحو الاستضافة الذاتية هنا فهم Qwen3-Embedding وBGE-M3 وEmbeddingGemma. والفائز المفيد هو النموذج الذي يسترجع بثبات الأدلة التي حدّدتها في بيانات التقييم.

ما خيارات نماذج التضمين المجانية؟

للتقييم عبر خدمات مستضافة، يوفر Gemini مستوى API مجانيًا، وتذكر Voyage حصصًا أولية من الرموز، وتتيح Cohere مفاتيح تجريبية بحدود لمعدل الطلبات تستثني الاستخدام الإنتاجي والتجاري. تحقّق من حصة النموذج المحدد وشروط الإنتاج قبل الاعتماد على الوصول المجاني لتطبيق يخدم العملاء.

ما نماذج التضمين المجانية المناسبة لـRAG؟

لتطبيقات RAG النصية باستضافة ذاتية، قارن Qwen3-Embedding وBGE-M3؛ ولتطبيقات RAG المحلية متعددة الوسائط، أدرج EmbeddingGemma 2. تتيح أوزانها القابلة للتنزيل تشغيل المشفّر بنفسك، لكن الاستدلال والتخزين والصيانة تظل تستهلك موارد. اربط الترخيص بإصدار النموذج المحدد، واحتسب تكاليف التشغيل عند المقارنة بواجهة API مستضافة.

خطوتك التالية: اجمع أسئلة الدعم التي يعجز البحث الحالي عن الإجابة عنها، وحدّد المقاطع التي ينبغي أن تجيب عنها. استخدم قائمة تدقيق سير العمل بالذكاء الاصطناعي للأعمال لتحديد سير العمل ومعايير النجاح قبل اعتماد الخيار لكامل مجموعة المحتوى.