معلمات النماذج اللغوية: كيف تميّز حجم النموذج عن إعداداته؟

يضم نموذج لغوي كبير (LLM) بحجم 70B نحو 70 مليار معلمة تعلّمها أثناء التدريب. أما ضبط الحرارة على 0.2 فيغيّر طريقة اختيار الإجابة في واجهة API تدعم هذا الإعداد، ولا يغيّر عدد أوزان النموذج. لذلك تشير معلمات النماذج اللغوية إلى قرارين مختلفين: أي نموذج ستشغّل، وكيف ستطلب منه المخرجات. اختر النموذج المناسب للمهمة، ثم اضبط فقط الإعدادات التي تدعمها واجهته وإصدارها المحددان.

رُوجعت المعلومات بالرجوع إلى وثائق المزوّدين المنشورة بتاريخ 25 أكتوبر 2026. أصبح هذا التمييز أكثر أهمية: بعض واجهات API الحالية ترفض إعدادات أخذ العينات، بينما تقبلها واجهات أخرى ثم تتجاهلها. لذا قد يؤدي نسخ إعدادات جاهزة إلى فشل الطلب بالكامل، أو قد لا يغيّر شيئًا.

معلمات النماذج اللغوية: معنيان ووظيفتان مختلفتان

معلمات النموذج جزء من النموذج المدرَّب، أما معلمات التوليد فهي جزء من الطلب الذي ترسله إليه. تغيير الثانية لا يعيد تدريب الأولى.

تخيّل مبنى: هيكله الإنشائي يحدد الأحمال التي يتحملها، بينما تغيّر شرائح التظليل القابلة للضبط طريقة استخدام المساحة. تحريك شريحة لا يضيف طابقًا جديدًا. وبالمثل، لا يحوّل تغيير الحرارة نموذجًا صغيرًا إلى نموذج أكبر.

ما المقصود بمعلمات LLM؟

عند الحديث عن حجم النموذج، فالمعلمات قيم عددية يتعلمها، معظمها أوزان، وتؤثر في حساباته الداخلية. يضبط التدريب هذه القيم باستخدام البيانات. أما في سياق واجهات API، فتُستخدم كلمة «معلمات» أيضًا للإعدادات التي تؤثر في توليد المخرجات. ويميّز شرح IBM بين القيم المتعلَّمة والإعدادات الخارجية.

حين يقول مورّد «نموذجنا يضم معلمات أكثر»، فهو يتحدث عن النموذج نفسه. وحين يقول مطوّر «غيّر المعلمات لاستخراج بيانات الفواتير»، فهو يقصد غالبًا إعدادات الطلب. حدّد المعنى المقصود قبل التعامل مع أي من العبارتين بوصفها دليلًا على الأداء.

ما المعلمة الواحدة داخل النموذج اللغوي؟

المعلمة المتعلَّمة الواحدة هي عدد يُستخدم داخل الشبكة؛ كوزن يغيّر مقدار مساهمة إشارة داخلية في إشارة أخرى. وليست حقيقة تحمل تسمية واضحة، أو مستندًا، أو كلمة محفوظة في درج خاص بها.

وهناك فئة مستقلة هي المعلمات الفائقة للتدريب: إعدادات مثل معدل التعلّم تتحكم في سير التدريب. والتطبيق التجاري الذي يستدعي نموذجًا موجودًا لا يتحكم عادةً في إعدادات التدريب هذه ولا في الأوزان التي تعلّمها النموذج.

أما الرموز النصية، أو tokens، فهي شيء آخر. إنها الوحدات التي تُقسَّم إليها المدخلات والمخرجات، وغالبًا ما تكون أجزاءً من كلمات. زيادة الرموز في الموجّه لا تعني زيادة معلمات النموذج. يشرح دليل الرموز النصية في الذكاء الاصطناعي هذه الوحدة، ويوضح دليل موجّه النظام كيف توجّه التعليمات السلوك من دون تغيير الأوزان المدرَّبة.

الجزء الأول: عدد معلمات النموذج يوضح حجمه

يساعد عدد المعلمات في تقدير متطلبات التخزين والحوسبة، لكنه لا يكفي لاختيار أفضل نموذج لمهمتك التجارية. ابدأ به عند تخطيط البنية التحتية، واحسم القرار بتقييم مخصص للمهمة.

ماذا تعني مليارات المعلمات في النموذج اللغوي؟

يشير الحرف «B» إلى مليار قيمة متعلَّمة. فالنموذج الموصوف بأنه 70B يضم نحو 70 مليار معلمة، بينما يشير «T» إلى تريليون. وقد تستخدم أسماء النماذج المنشورة أرقامًا مقربة؛ لذا ينبغي أن يعتمد التقدير الدقيق لمتطلبات النشر على ملف أوزان النموذج الفعلي وصيغة تخزينه.

قد يتساوى نموذجان في عدد المعلمات ويختلفان في البنية وبيانات التدريب وأساليبه والتخصص. بل إن النموذج نفسه قد يشغل مساحات مختلفة جدًا من الذاكرة بحسب الدقة المستخدمة في تخزين كل وزن.

ما يهم مشتري الحلول للأعمال هو استيفاء النموذج معايير القبول: هل يستخرج إجمالي الفاتورة الصحيح؟ هل يحافظ على معرّف العميل؟ هل ينتج تعديلًا برمجيًا يجتاز الفحوص المطلوبة؟ الرقم الأكبر لا يجيب عن هذه الأسئلة.

حساب ذاكرة الأوزان لنموذج بحجم 70B

مساحة تخزين الأوزان الخام تساوي عدد المعلمات مضروبًا في عدد البايتات لكل معلمة. لنفترض نموذجًا يضم 70 مليار وزن بالضبط. الحسابات الآتية توضيحية، وليست قياسات لنموذج منشور فعليًا.

هذه القيم بوحدة الغيغابايت العشرية. وتعادل 140 GB نحو 130.4 GiB، وهي الوحدة الثنائية التي تعرضها بعض أدوات الذاكرة. التحويل يغيّر وحدة القياس، لا النموذج.

توضح وثائق Hugging Face كيف يقلّل التكميم، أي تخزين الأوزان بدقة أقل، احتياجات الذاكرة مع السعي للحفاظ على الدقة. ويتناول دليل تكميم النماذج اللغوية الصيغ والمفاضلات المرتبطة بها.

كما تغيّر الموجّهات الأطول والطلبات المتزامنة عبء تشغيل الخدمة. وتفصل وثائق أداة تقدير ذاكرة النموذج لدى Hugging Face صراحةً بين تحميل النموذج وتشغيل الاستدلال، أي عملية توليد الإجابات.

ما علاقة عدد المعلمات بالتكلفة والجودة؟

زيادة الأوزان تعني عمومًا زيادة موارد التخزين والتشغيل، إذا تساوت العوامل الأخرى. لكن شرط تساوي العوامل ليس تفصيلًا بسيطًا. فالدقة والبنية والعتاد وتجميع الطلبات وحجم النص المعالَج تؤثر جميعها في النتيجة.

عند الاستضافة الذاتية، يساعد عدد المعلمات في تضييق خيارات العتاد. أما مع واجهة API مستضافة، فلا يحسب فاتورتك؛ إذ تحددها قواعد احتساب الاستخدام لدى المزوّد وطبيعة عملك. وقد يكون النموذج خيارًا تشغيليًا ضعيفًا رغم كفاءته الظاهرية إذا احتاج إلى محاولات متكررة أو تصحيح بشري مكثف.

وفي تقييم الجودة، تعامل مع الحجم بوصفه مؤشرًا على السعة، لا درجةً للأداء. ينبغي أن تطلب وثيقة الشراء نتائج على مدخلات تمثل عملك، وحالات الإخفاق، وشروط التقييم. ولا يصح أن تعتمد تقديرًا غير منشور لعدد معلمات نموذج مغلق بوصفه دليلًا.

المعلمات الكلية والنشطة في نماذج مزيج الخبراء MoE

المعلمات الكلية تصف النموذج بأكمله، بينما تصف المعلمات النشطة المسار الحسابي المعلَن لمعالجة رمز واحد. كلا العددين مهم في نموذج مزيج الخبراء، الذي يُختصر عادةً إلى MoE.

يضم نموذج MoE شبكات فرعية تسمى الخبراء، وموجّهًا يختار أيّها يعالج كل رمز. هؤلاء «الخبراء» مكونات رياضية، وليسوا متخصصين بأسماء يمكن تكليفهم بالمحاسبة أو العمل القانوني. وقد تقلل مجموعة نشطة أصغر مقدار الحساب مقارنةً بتفعيل النموذج كله، لكن بقية الأوزان تظل بحاجة إلى مكان تُخزَّن فيه. ويتناول شرح PyTorch لنماذج MoE التوجيه والاتصال اللازمين لذلك.

ولعبارة «104B نشطة» مثال محدد نشرته الجهة المطوّرة: يذكر إعلان Kimi K3.1 Pro من Moonshot AI أن النموذج يضم 2.8T معلمة إجمالية و104B معلمة نشطة. بتحويل الإجمالي إلى 2,800B، نحصل على 104 ÷ 2,800، أي نحو 3.7% نشطة. هذه النسبة حساب أجريناه اعتمادًا على الأعداد المعلنة، وليست قياسًا للتسارع أو ترتيبًا للجودة.

وفي مثال آخر، تذكر بطاقة نموذج Qwen3-235B-A22B من Qwen وجود 235B معلمة إجمالية و22B معلمة مفعَّلة. ويُبقي الرسم الغرف غير النشطة ظاهرة لأن الحاجة إلى تخزينها لا تزول عندما يسلك رمز معين مسارًا آخر.

عند النشر، اسأل كيف يُخزَّن النموذج كاملًا ويُوزَّع، وكيف يُوزَّع الخبراء على العتاد، وما الأداء عند مستوى التزامن الفعلي لديك. عدد المعلمات النشطة ليس مواصفةً لذاكرة معالج الرسوميات (GPU). ويتوسع شرح مزيج الخبراء في هذا الجانب من البنية التحتية.

الجزء الثاني: إعدادات النماذج اللغوية التي توجّه الإجابة

تغيّر إعدادات التوليد طريقة الاختيار والتوقف ضمن قدرات النموذج. وواجهة API هي الواجهة التي يستدعيها تطبيقك لطلب استجابة. لا تستطيع إعداداتها توفير مادة مرجعية مفقودة، أو إصلاح تعليمات ملتبسة، أو ضمان إجابة صحيحة.

الحرارة: إلى أي حد تتركز الخيارات؟

تغيّر الحرارة التوزيع الاحتمالي المستخدم لاختيار الرمز التالي. القيم المنخفضة ترجّح الخيارات الأعلى احتمالًا بدرجة أكبر، بينما تسمح القيم المرتفعة بتنوع أوسع. يفيد ذلك في المفاضلة بين ثبات الصياغة وتنوّع المسودات.

في معالجة الفواتير، نادرًا ما يكون التنوع هدفًا. أما عند اقتراح عناوين بديلة لحملة تسويقية، فقد يكون مفيدًا. لكن الحرارة المنخفضة لا تجعل رقم فاتورة مختلقًا صحيحًا، والحرارة المرتفعة لا تضيف معرفة.

حتى الطلب بحرارة صفر لا يضمن تكرار النتيجة في جميع الحالات. يحذّر مسرد Anthropic صراحةً من أن المدخلات المتطابقة قد تنتج نتائج مختلفة حتى عند حرارة صفر. فقابلية تكرار النتائج خاصية ينبغي تقييمها على مستوى منظومة تشغيل الخدمة بأكملها.

Top-p: ما الخيارات التي تبقى متاحة؟

يحدّد Top-p، أو أخذ العينات من النواة، مجموعة المرشحين وفق الاحتمال التراكمي. فهو عتبة احتمالية، وليس عدد المرشحين ولا نسبةً من مفردات النموذج.

لنفترض توزيعًا توضيحيًا لاحتمالات الرمز التالي بالقيم 0.60 و0.25 و0.10 و0.05. عند عتبة top-p تساوي 0.9، نحتاج إلى المرشحين الثلاثة الأوائل: مجموع الأول والثاني هو 0.85، بينما يصل مجموع الثلاثة إلى 0.95. هذه أرقام تعليمية، وليست مخرجات رُصدت من نموذج.

تعيد الحرارة تشكيل الاحتمالات، بينما يضيّق top-p مجموعة الخيارات المؤهلة. عند إعداد تطبيق للأعمال للمرة الأولى، غيّر إعدادًا واحدًا لأخذ العينات في كل مرة. ويتفق ذلك أيضًا مع توصية OpenAI في مرجع Chat Completions.

حد الرموز: سقف للإجابة وليس طولًا مطلوبًا

يضع حد رموز التوليد سقفًا للاستجابة. ولا يطلب من النموذج استخدام هذا العدد بالضبط، كما لا يوسّع نافذة السياق، أي سعة النموذج لاستيعاب المحادثة.

قد يقطع الحد الصغير جدًا كائن JSON أو جملة أو تعديلًا برمجيًا. أما السقف المرتفع فلا يجعل الإجابة مفيدة تلقائيًا. حدّد الطول المطلوب في الموجّه، ثم اترك هامشًا كافيًا تحت السقف لإتمام النتيجة.

ويستلزم الاستدلال تمييزًا إضافيًا. يوضح مرجع Responses من OpenAI أن سقف المخرجات يشمل المخرجات الظاهرة ورموز الاستدلال معًا. كذلك يحتسب مرجع Messages من Anthropic رموز التفكير ضمن max_tokens. لذا لا تضع ميزانية لطلب يستخدم الاستدلال على أساس أن كل رمز مسموح به سيظهر في الإجابة النهائية.

سلاسل الإيقاف: إنهاء التوليد عند حد محدد

تنهي سلسلة الإيقاف عملية التوليد عند ظهور نص محدد. استخدمها فقط إذا كان للتطبيق حد موثوق، مثل علامة نهاية صريحة لا يمكن أن ترد بصورة مشروعة داخل المحتوى.

محرف السطر الجديد خيار سيئ للإيقاف العام في تقرير متعدد الأسطر. والقوس المعقوف المغلق خيار سيئ للإيقاف العام في JSON متداخل؛ فقد ينهي أول قوس مطابق الاستجابة قبل اكتمالها. وللاستخراج المنظَّم، فضّل آلية المخطط التي يدعمها المزوّد، وتحقق من الحقول المعادة.

عادةً ما تكون البداية الأنسب هي عدم إضافة سلاسل إيقاف مخصصة. ويظل سقف رموز المخرجات والتحقق من النتيجة ضروريين.

عقوبات التكرار: استخدمها بحذر

تتأثر عقوبة الظهور بما إذا كان الرمز قد ظهر من قبل. أما عقوبة التكرار فتتأثر بعدد مرات ظهوره. تثبّط العقوبات الموجبة إعادة الاستخدام، وقد تشجّعها العقوبات السالبة إذا كانت نقطة النهاية تدعم هذه القيم.

ليس تكرار النص عيبًا دائمًا. فقد يلزم تكرار رمز منتج أو اسم عميل أو مفتاح JSON أو معرّف برمجي كما هو تمامًا. وقد تعاكس معاقبته غرض المهمة.

في الاستخراج والبرمجة، ابدأ من دون عقوبات تكرار. وفي الكتابة، أصلح أولًا أي تعليمات تشجّع بنية متكررة. بعد ذلك فقط، جرّب عقوبة صغيرة تدعمها الواجهة، وتحقق من أنها تحسّن المسودة من دون تغيير المصطلحات المطلوبة. ويحذّر مرجع التوليد من Google أيضًا من أن عقوبات التكرار السالبة قد تؤدي إلى حلقات تكرار الرموز.

النطاقات والقيم الافتراضية لدى OpenAI وAnthropic وGoogle

تحدد نقطة النهاية والنموذج وإصدار API الإعدادات التي يمكنك إرسالها. اشتراك مكتبات SDK في اسم حقل لا يثبت أن جميع المزوّدين يطبقون الإعداد نفسه.

يقتصر الجدول في حالة OpenAI على Chat Completions، وفي حالة Anthropic على Messages API بالإصدار 2026-10-21، وفي حالة Google على generateContent في Gemini Developer API. ولا ينقل إعدادات من Vertex AI أو Interactions API لدى Google.

يشير NS إلى أن وثائق الحقل الحالية المشار إليها لا تذكر نطاقًا عدديًا أو قيمة افتراضية. ولا يعني صفرًا، أو بلا حدود، أو غير مدعوم. وأي توصية أدناه بحذف إعداد هي نصيحة للتطبيق، وليست قيمة افتراضية ننسبها إلى المزوّد.

المصادر: مخطط طلبات OpenAI، ومخطط طلبات Anthropic، ودليل الانتقال بين إصدارات Anthropic، ومخطط التوليد من Google، والبيانات الوصفية لنماذج Google، ونطاق top-p لدى Google.

يعرض جدول استكشاف الأخطاء العام لدى Google نطاق حرارة أضيق من مرجع حقل التوليد. استخدم مرجع الحقل مع maxTemperature للنموذج المختار، وارجع إلى Model.temperature وModel.topP وModel.outputTokenLimit لمعرفة القيم الخاصة بالنموذج. ولا تتعامل مع قيمة في طلب توضيحي على أنها قيمة افتراضية موثقة.

OpenAI: تحقق أولًا من التوافق مع الاستدلال

يوجّه دليل GPT-6 الحالي من OpenAI إلى حذف temperature وtop_p عندما لا يكون جهد الاستدلال مضبوطًا على none. لا يدعم GPT-6 Astra ولا GPT-6.1 Sol الخيار none، بينما يدعمه GPT-6 Sol وGPT-6 Luna. هذا قيد على الإعدادات المدعومة، وليس توثيقًا لدرجة حرارة عددية ثابتة.

وتهم نقطة النهاية أيضًا. تستخدم Responses الحقل max_output_tokens، الذي يحدد مخططه الحالي حدًا أدنى قدره 16؛ ولا يذكر هناك قيمة افتراضية عددية أو حدًا أقصى عامًا. كما لا يتيح مخطط إنشاء الطلب حقول stop أو presence_penalty أو frequency_penalty الخاصة بـChat Completions. وفي Chat Completions، ينص المرجع تحديدًا على أن stop غير مدعوم في o3 وo4-mini، ويصنّف max_tokens ضمن الحقول المتقادمة لصالح max_completion_tokens.

القاعدة العملية هي بناء الطلب وفق نقطة النهاية المختارة، ثم تطبيق قواعد توافق النموذج. لا تنسخ الجدول كاملًا إلى طلب واحد.

Anthropic: قد يلغي إصدار API إمكانية الضبط

يوضح دليل الانتقال بتاريخ 21 أكتوبر من Anthropic أن إرسال temperature أو top_p أو top_k مع إصدار API المسمى 2026-10-21 يؤدي إلى خطأ 400، حتى عند إرسال قيمة افتراضية. وعند حذف هذه الحقول، يشمل السلوك الافتراضي حرارة 1.0.

ولا تعيد إصدارات API الأقدم مرونة الضبط تلقائيًا لكل نموذج. تنص وثائق التفكير من Anthropic على أن نماذج منها Claude Sonnet 5.5 ترفض قيم أخذ العينات غير الافتراضية، سواء كان التفكير مفعّلًا أم لا. وتحدد لهذه النماذج قيمة top-p الافتراضية عند 0.99، وتذكر صراحةً أن القيمة 1 تُرفض. لا يمكن لنطاق عام وارد في وثائق أقدم أن يتجاوز قاعدة تخص النموذج نفسه.

وللتوليد الفعلي، قدّم ميزانية موجبة لـmax_tokens ضمن حد النموذج. فالحد الأدنى الموثّق، وهو صفر، يُستخدم لتهيئة ذاكرة التخزين المؤقت مسبقًا من دون إنتاج إجابة؛ وليس إعدادًا مفيدًا للاستخراج.

Google: قد يُقبل الإعداد من دون أن يؤثر

يوضح دليل الانتقال إلى Gemini 3.6 Flash و3.5 Flash-Lite من Google أن هذه النماذج تتجاهل إعدادات الحرارة وtop-p وtop-k المتقادمة. ويوجّه المطوّرين إلى حذفها، ويذكر أن الأجيال المستقبلية من النماذج سترفضها بخطأ 400.

ينتج عن ذلك نوع من الإخفاق يختلف عن رفض الطلب: فقد يبدو أن تطبيقك يقبل تغيير الحرارة، بينما يظل سلوك النموذج كما كان تمامًا. راجع وثائق النموذج المختار قبل اعتبار الاستجابة الناجحة دليلًا على أن الإعداد طُبّق.

إعدادات عملية لمهام الأعمال

ابدأ بالسلوك الذي يدعمه المزوّد، وبتعريف للنجاح يمكن قياسه. الأرقام الآتية اقتراحاتنا للبدء مع نقاط النهاية التي تسمح بالضبط؛ وليست قيمًا افتراضية من المزوّد، أو إعدادات مثلى أثبتها القياس، أو وصفات تصلح لكل واجهة. وتبقى قواعد التوافق السابقة هي المرجع الأول.

استخراج البيانات: حافظ على القيم كما هي

لاستخراج حقول الفواتير أو تصنيف تذاكر الدعم أو استخراج البيانات الوصفية للعقود، جرّب حرارة 0 أو 0.2 فقط حيث يكون ذلك مدعومًا. اترك top-p كما هو. واحذف سلاسل الإيقاف المخصصة وعقوبات التكرار؛ وفي نموذج يدعمها عبر OpenAI Chat Completions، يمكن أيضًا ضبط العقوبتين صراحةً على 0 لتحديد خط أساس بلا عقوبات.

في طلبات Anthropic الحالية ونماذج Gemini Flash المذكورة، احذف إعدادات أخذ العينات. استخدم تعريفات واضحة للحقول، والفئات المسموح بها، وأمثلة للبيانات المفقودة، وميزة المخرجات المنظَّمة التي يدعمها المزوّد. وتحقق من صحة النتيجة بمعزل عن تنسيقها.

لسجل قصير مستخرج، يمكن تجربة سقف أولي قدره 1,000 رمز للمخرجات في طلب متوافق لا يستخدم الاستدلال. هذا ليس حدًا عامًا؛ افحص حالات اقتطاع الإجابة والاستخدام الفعلي، وخصّص ميزانية منفصلة للاستدلال عند الحاجة. اطلب علامة تدل على القيمة المفقودة بدلًا من اختلاق رقم فاتورة.

معيار القبول: وجود كل حقل مطلوب، وتطابق القيم مع المصدر، وبقاء المعلومات الغائبة غائبة. اجتياز فحص صحة JSON وحده لا يكفي.

كتابة المسودات: نوّع الصياغة وحافظ على الحقائق

لرسالة تواصل أو وصف منتج، ابدأ بالسلوك الافتراضي الذي يدعمه النموذج. وإذا كانت نقطة النهاية تسمح بالضبط، فقارنه بإعداد حرارة 0.7 مع إبقاء top-p كما هو. حدّد في الموجّه الجمهور والطول والنبرة والحقائق المطلوبة والادعاءات المحظورة.

ابدأ من دون عقوبات. وإذا كرر نموذج يدعم ذلك عبر OpenAI Chat Completions عبارات غير مرغوبة، فإن عقوبة تكرار بقيمة 0.2 تجربة محدودة ضمن نطاقه الموثّق. لا تحتفظ بها إلا إذا أظهرت المراجعة تحسنًا؛ ويجب أن تبقى أسماء المنتجات المطلوبة كما هي.

مع النماذج التي ألغت إعدادات أخذ العينات، اطلب صراحةً أساليب متباينة، مثل مسودة موجزة تركز على الحقائق وأخرى بأسلوب سردي. وقيّم الفروق في النص الناتج.

معيار القبول: تنوع مفيد من دون ادعاءات واقعية جديدة. فالصياغة «الأكثر مفاجأة» ليست بالضرورة «الأفضل للأعمال».

البرمجة: اترك مساحة للاكتمال واختبر السلوك

لتعديل برمجي محدد عبر نقطة نهاية قابلة للضبط، تمثل حرارة 0 أو 0.2 نقطة مقارنة معقولة. ومع نموذج يستخدم الاستدلال، اتبع إعداداته المدعومة واحذف حقول أخذ العينات غير المدعومة. ولا تضف عقوبات تكرار أو سلاسل إيقاف مخصصة إلا إذا استلزمها بروتوكول اختُبر بالفعل.

وفّر الشيفرة ذات الصلة والقيود والسلوك المتوقع. واترك مساحة كافية للمخرجات كي يكتمل التعديل. إذا بلغت الاستجابة سقفها، فتعامل معها بوصفها غير مكتملة، بدل افتراض أن الجزء الظاهر آمن للتطبيق.

معيار القبول: أن يطابق التعديل المواصفات ويجتاز الفحوص المناسبة. تكرار المعرّفات طبيعي في الشيفرة، والإجابة التي تبدو مقنعة ليست دليلًا على أنها تعمل.

ما الذي لا تضمنه أعداد المعلمات وإعدادات التوليد؟

الادعاء المبالغ فيه هو أن رقمًا واحدًا يمكن أن يغني عن التقييم. لا يمكنه ذلك، سواء أكان عدد الأوزان أم درجة الحرارة.

النموذج الأكبر ليس أفضل تلقائيًا في سير عملك المتخصص. وانخفاض عدد المعلمات النشطة في MoE لا يعني أن النموذج كله يتسع في ذاكرة تكفي لذلك العدد وحده. والحرارة المنخفضة لا تضمن صحة المعلومات. والسقف المرتفع للمخرجات لا يضمن اكتمال الحجة، كما أن نجاح استدعاء API لا يثبت تطبيق كل إعداد أُرسل معه.

الدليل المفيد يتكوّن من مدخل يمثل العمل، وشرط نجاح محدد، ونتيجة جرى فحصها. عند الشراء، اطلب من المورّد عرض سير العمل بالإعدادات التي ستستخدمها فعليًا. وعند البناء، سجّل النموذج ونقطة النهاية وإصدار API والموجّه والإعدادات، كي تتمكن من فهم ما تغيّر حين يتغيّر السلوك.

الخطوة التالية للمشترين والمشغّلين والمطوّرين

على المشترين مقارنة النتائج، وعلى المشغّلين تحديد الإخفاق، وعلى المطوّرين حذف الإعدادات غير المدعومة. وتلتقي هذه المسؤوليات في مجموعة تقييم صغيرة مشتركة.

يمكن لمن يختار خدمة مستضافة أن يمضي في قراره من دون معرفة عدد المعلمات إذا أثبتت الخدمة تحقيق النتائج المطلوبة. أما شراء عتاد للاستضافة الذاتية، فأجّله حتى تتحدد متطلبات ملف أوزان النموذج كاملًا، والدقة، وعبء العمل. ولا يحتاج مشغّل سير عمل ناجح إلى استبداله لمجرد أن نموذجًا آخر يعلن رقمًا أكبر.

ينبغي للمطوّرين الذين يغيّرون النماذج أو إصدارات API إجراء فحوص التوافق الآن. أما المشغّلون الذين يستخدمون واجهة مُدارة لا تتيح إعدادات التوليد، فلا تؤثر فيهم صياغة حقول الطلب كثيرًا، لكنهم ما زالوا بحاجة إلى التحقق من المخرجات.

1. 1

   اجمع أمثلة العمل الذي يجب أن ينجح

   اجمع يوم الاثنين المقبل 20 مثالًا يمثل سير عمل واحدًا، بما فيها مدخلات ناقصة وملتبسة وأطول من المعتاد. اكتب النتيجة المتوقعة أو معايير المراجعة قبل مقارنة النماذج.

2. 2

   وثّق إعدادات الطلب بوضوح

   سجّل نقطة النهاية والنموذج وإصدار API. تحقق من الإعدادات المدعومة، واحذف ما عداها، واختر ميزانية مخرجات تسمح بنتيجة مكتملة. وأدرج المصطلحات المطلوبة وطريقة التعامل مع البيانات المفقودة في الموجّه.

3. 3

   غيّر شيئًا واحدًا وقيّم النتيجة

   قارن خط الأساس بتعديل واحد مدعوم. في الاستخراج، افحص التطابق مع المصدر؛ وفي المسودات، افحص صحة الحقائق والفائدة؛ وفي البرمجة، افحص السلوك ونتائج الاختبارات. احتفظ بالإعداد الأبسط ما لم يثبت التغيير فائدته.

أسئلة شائعة

كيف تعمل معلمة الحرارة في النماذج اللغوية؟

تغيّر مدى تركز التوزيع الاحتمالي للرمز التالي. ترجّح القيم المنخفضة الخيارات الأعلى احتمالًا، بينما تسمح القيم المرتفعة بتنوع أكبر. وهي تغيّر أخذ العينات لا الأوزان المتعلَّمة، وبعض واجهات API الحالية ترفض هذا الإعداد أو تتجاهله.

ما الحجم التقريبي لنموذج 70B؟

عند وجود 70 مليار وزن بالضبط، تبلغ مساحة التخزين الخام نحو 140 GB بدقة 16 بت، أو 70 GB بدقة 8 بت، أو 35 GB في الحالة المثالية بدقة 4 بت. هذه قيم عشرية لا تشمل ذاكرة التشغيل ولا الأعباء الإضافية للتكميم. ويتحدد ما يلزم للنشر بحسب ملف الأوزان الفعلي وعبء العمل.

ما الأنواع الأربعة للمعلمات؟

لا يوجد تصنيف عالمي من أربعة أنواع لمعلمات النماذج اللغوية. ومن المفيد التمييز بين معلمات النموذج المتعلَّمة، وإعدادات البنية، وإعدادات التدريب، وإعدادات التوليد. هذه فئات لفهم النظام، وليست ادعاءً بأن كل واجهة API تضم أربعة إعدادات.

ما الفرق بين GPT وLLM؟

يعني LLM نموذجًا لغويًا كبيرًا، وهو اسم الفئة العامة. أما GPT فيعني المحوّل التوليدي المدرَّب مسبقًا، ويشير إلى عائلة نماذج ومنهج معين ضمن هذه الفئة. وتندرج عائلات نماذج لغوية أخرى أيضًا ضمن LLM.

ما الأنواع الأربعة للنماذج اللغوية الكبيرة؟

لا توجد قائمة معيارية واحدة من أربعة أنواع. فالتقسيم إلى نماذج كثيفة ونماذج مزيج خبراء يصف البنية، والتقسيم إلى أوزان مفتوحة ومغلقة يصف مدى إتاحتها. تجيب هذه الفروق عن أسئلة مختلفة، ولا ينبغي دمجها في ترتيب مزعوم للجودة.

هل ChatGPT نموذج لغوي كبير أم ذكاء اصطناعي؟

ChatGPT تطبيق ذكاء اصطناعي يستخدم نماذج. ميّز بين التطبيق، والنموذج المختار داخله، وإعدادات API المتاحة للمطوّرين؛ فهي طبقات مختلفة.

ما أمثلة الذكاء الاصطناعي الذي لا يعتمد على LLM؟

الذكاء الاصطناعي أوسع من النماذج اللغوية. فقد يستخدم مصنّف للاحتيال أو نظام للرؤية الحاسوبية أساليب تعلّم آلي من دون استخدام نموذج لغوي كبير. كما أن عدد المعلمات ليس مفهومًا حكرًا على النماذج اللغوية.

ما أذكى نموذج لغوي كبير؟

لا يستطيع عدد المعلمات أن يحدد إجابة مستقلة عن المهمة. قارن النماذج على أمثلة تمثل العمل، بمعايير قبول واحدة وإعدادات موثقة. فالنتيجة على اختبار معياري واحد لا تحسم الأفضلية لكل مهمة تجارية.

إلى أي فرع من الذكاء الاصطناعي تنتمي النماذج اللغوية الكبيرة؟

النماذج اللغوية الكبيرة نماذج تعلّم عميق تُستخدم لمعالجة اللغة وتوليدها. معلماتها المتعلَّمة جزء من النموذج نفسه، أما الحرارة وما شابهها من إعدادات الطلب فتتعلق بكيفية استخدام التطبيق له.

لشروحات عملية عن أنظمة الذكاء الاصطناعي والقرارات المرتبطة بها، اشترك في النشرة البريدية.