نماذج اللغة الصغيرة SLM: متى تكفي وكيف تبدأ بها؟

تستحق نماذج اللغة الصغيرة (SLM) التجربة حين تكون المهمة محددة، ويمكنك التحقق من الإجابة والتعامل مع الاستثناءات. ابدأ بتقييم نموذج من 1B إلى 4B لمهمة ضيقة النطاق، وأبقِ واجهة API لنموذج متقدم متاحة للأعمال التي تحتاج إلى معرفة أوسع أو استدلال أكثر موثوقية، إذا كانت سياسة البيانات لديك تسمح بذلك.

السؤال الذي يهم العمل هو: هل يستطيع نموذج أصغر تلبية معايير القبول لديك على أجهزتك؟ فالنموذج الذي يقدم إجابة سريعة تبدو مقنعة، ثم يترك وراءه قائمة جديدة من المهام التي تنتظر المراجعة، لم يحل المشكلة.

ما نماذج اللغة الصغيرة SLM؟

يتنازل نموذج اللغة الصغير، أو SLM، عن بعض قدراته العامة مقابل تقليل الموارد الحاسوبية التي يحتاجها. ولأغراض التخطيط العملي، يمكن اعتماد نطاق تقريبي من 100 مليون إلى 10 مليارات معلمة، مع وجود حالات تتجاوز هذا النطاق. فلا يوجد حد فاصل متفق عليه: تصف IBM هذه النماذج بأنها تضم من ملايين إلى بضعة مليارات من المعلمات، بينما تدرج Mistral صراحة نموذجًا بحجم 14B ضمن عائلة نماذجها الصغيرة. ويتغير هذا الحد مع تطور الأجهزة وأساليب التدريب وقدرات أكبر النماذج. ويوضح تعريف IBM وعائلة نماذج Mistral هذا الاختلاف.

المعلمة وزن عددي يتعلمه النموذج ويسهم في تشكيل إجاباته. أما الرمز النصي، أو token، فهو جزء من النص يعالجه النموذج. وتنتج نماذج المحادثة التوليدية الإجابة بالتنبؤ بالرموز المتتابعة انطلاقًا من السياق المقدم لها. يستخدم النموذج الأصغر أوزانًا متعلمة أقل، لكن بنية النموذج وجودة تدريبه تؤثران أيضًا، إلى جانب عدد هذه الأوزان. وتشرح مقدمة Google إلى النماذج اللغوية هذه الآلية.

تخيل مطبخ مخبز صغيرًا جُهّز لإعداد قائمة محددة من المنتجات. قد يكون خيارًا مناسبًا لتلبية الطلبات نفسها كل يوم، لكن مطالبتَه بإعداد أي طبق يخطر ببال الزبون تفرض متطلبات مختلفة. وصغر النموذج لا يجعله متخصصًا تلقائيًا، إلا أن حصر سير العمل في نطاق واضح يتيح توظيف قدراته حيث تكون مفيدة.

يمكن تدريب النماذج الصغيرة مباشرة، أو تطويرها باستخدام التقطير، الذي يعلّم نموذجًا أصغر بالاستفادة من مخرجات نموذج أكبر. أما التكميم فيخزّن الأوزان العددية بدقة أقل لتقليل المساحة التي تشغلها. وهاتان عمليتان مختلفتان: تكميم نموذج كبير لا يقلل عدد معلماته، ولا يجعله مكافئًا لنموذج أصغر منه بكثير. وتشرح IBM كل تقنية على حدة.

نماذج اللغة الصغيرة والكبيرة: أيهما يناسب المهمة؟

ابدأ بجودة أداء المهمة، ثم انظر إلى متطلبات النشر. تتيح واجهة API لنموذج متقدم الوصول عبر الإنترنت إلى نموذج عالي القدرة يقدمه مزوّد خدمة، وتعفيك من تشغيل أجهزة الاستدلال. أما النموذج الصغير فيمنحك خيارات نشر أكثر، منها إمكانية تنفيذ المهمة كاملة على الجهاز.

حجم النموذج ومكان تشغيله قراران منفصلان. يمكنك استضافة نموذج صغير وإتاحته عبر API، كما يمكن تشغيل بعض النماذج المفتوحة الأكبر على بنيتك التحتية. واستخدام المزوّد كلمة «mini» لا يحدد عدد المعلمات، ولا يعني أن أوزان النموذج متاحة للتنزيل.

هذه مفاضلات في النشر، وليست نتائج اختبارات أداء. ويعرض شرح Microsoft لنماذج اللغة الصغيرة مزاياها من حيث الموارد وحدود قدراتها. أما المقارنة المفيدة فعلًا فتُجرى على عبء العمل الحقيقي لديك، بما فيه المدخلات الصعبة.

لماذا قد تختار شركة نموذجًا صغيرًا؟

تكلفة الاستدعاء: قد يستهلك الاستدلال بنموذج أصغر موارد أقل. لكن التشغيل المحلي ليس مجانيًا: فالأجهزة والكهرباء والدعم والسعة غير المستغلة وإعادة المحاولات كلها تدخل في التكلفة. قارن تكلفة كل نتيجة مقبولة، بما يشمل المراجعة والتصعيد، بدل اعتبار اختفاء فاتورة API نجاحًا بحد ذاته. وقد يكون شراء خدمة قليلة الاستخدام أبسط من تشغيلها.

زمن الاستجابة: يلغي التنفيذ المحلي رحلة الاستدلال إلى الخادم البعيد، لكنه لا يضمن إجابة أسرع. فقد يستغرق تحميل النموذج ومعالجة طلب طويل وبطء الذاكرة والطلبات المتزامنة معظم الوقت. وإذا كان الموظف ينتظر تعبئة نموذج بيانات تلقائيًا، فالمقياس المناسب هو الزمن حتى ظهور النموذج مكتملًا وصحيحًا.

الخصوصية: يمكن للاستدلال المحلي إبقاء نص الطلب على الجهاز. لكن هذه الميزة تضيع إذا أرسلت أداة بحث متصلة، أو خدمة بعيدة بديلة، أو سجلات التطبيق النص نفسه إلى جهة أخرى. راجع المسار كاملًا، بما فيه مزامنة الملفات وبيانات القياس عن بُعد، قبل أن تنسب إليه ميزة الخصوصية.

العمل دون إنترنت: بعد تنزيل التطبيق والنموذج والملفات المطلوبة، يمكن أن يظل سير العمل المحلي متاحًا بلا اتصال. وهذا مهم مثلًا لفني ميداني يكتب ملاحظة صيانة في طابق سفلي. لكن الاستعلام المباشر عن المخزون يظل بحاجة إلى اتصال، ما لم توفر نسخة محلية من البيانات أيضًا. وتوضح وثائق LM Studio للعمل دون اتصال الفرق بين الاستدلال بملفات نُزّلت مسبقًا والعمليات التي تتطلب الاتصال.

بالنسبة إلى مؤسس لديه تمويل، غالبًا ما يكون البدء بخدمة مستضافة أسرع وسيلة لمعرفة إن كانت الميزة مفيدة. وبالنسبة إلى مدير تقنية في شركة متوسطة الحجم، يصبح النشر المحلي جذابًا عندما يبرر عبء عمل متكرر أو شرط لإبقاء البيانات ضمن حدود معينة تولّي مسؤولية التشغيل. أما المسؤول المتمرس عن العمليات، فمقياسه الحاسم هو حجم العمل الذي يصل إلى نتيجة قابلة للاستخدام دون تصحيح. ويمكن للمطور المستقل اختبار الجدوى على حاسوب محمول قبل شراء أي أجهزة.

خمس مهام تناسب النماذج الصغيرة

أفضل المهام المرشحة هي التي تكون مخرجاتها محدودة، وتتوفر فيها طريقة واضحة لرفض الأخطاء. والأنماط التالية مقترحات لتنظيم العمل، وليست تأكيدًا أن كل نموذج مذكور لاحقًا اجتاز متطلبات مهمتك بالفعل.

1. التصنيف

استخدم النموذج لإسناد النص إلى فئة من مجموعة ثابتة. فقد يصنف موظف الدعم التذاكر إلى billing أو access أو bug أو other. زوّد النموذج بتعريفات للفئات وأمثلة للحالات التي يصعب الفصل بينها، ثم قِس الأخطاء لكل فئة على حدة.

الحد المفيد للمهمة هو «اختر قائمة المعالجة المناسبة»، لا «حل مشكلة حساب العميل». وأبقِ مسار other للرسائل التي لا تندرج ضمن التصنيف. وإذا كانت قواعد بسيطة تصنف المدخلات بموثوقية بالفعل، فاستمر في استخدامها.

2. استخراج البيانات

حوّل النص المقدم إلى سجل ثابت البنية، مثل رقم الفاتورة والمورّد وتاريخ الاستحقاق والعملة. اشترط إرفاق المقطع الأصلي الداعم لكل حقل مستخرج، واسمح بالقيمة null عندما تكون المعلومة غائبة. يتحقق مخطط البيانات، الذي يحدد البنية والأنواع المسموح بها للمخرجات، من التنسيق؛ لكنه لا يثبت صحة القيم.

في المستندات الممسوحة ضوئيًا، يمثل التعرف على النص خطوة منفصلة، إلا إذا كان النموذج وبيئة التشغيل المختاران يدعمان إدخال الصور. تحقّق برمجيًا من التواريخ والمجاميع والمعرّفات قبل وصول السجل إلى النظام المحاسبي. ولا تطلب من النموذج أبدًا تخمين رقم فاتورة مفقود.

3. توجيه الطلبات

دع النموذج الصغير يقترح مسار العمل المتخصص الذي ينبغي أن يتلقى الطلب. فقد يميز مكتب دعم داخلي بين «العثور على سياسة» و«إعادة ضبط صلاحية الدخول» و«التحدث إلى موظف». ثم يتحقق التطبيق من أن المسار المقترح مسموح به.

ينبغي ألا يتحول نموذج التوجيه إلى نظام لإدارة الصلاحيات. تعامل مع المسار المختار بوصفه اقتراحًا، وطبّق قائمة بالمسارات المسموح بها، وصعّد الطلبات الغامضة. فدرجة الثقة التي يعلنها النموذج عن نفسه ليست احتمالًا مُعايرًا لصحة الإجابة.

4. المساعدات التي تعمل على الجهاز

يمكن للمساعد إعادة صياغة ملاحظة فني، أو تلخيص تعليمات محفوظة محليًا، أو إعداد استعلام بحث، دون إرسال النص الأصلي إلى نموذج بعيد. وينبغي توضيح نطاقه: «المساعدة في هذه الأدلة التي نُزّلت على الجهاز»، بدل «الإجابة عن أي سؤال في الصيانة».

أرفق المقطع ذي الصلة بالطلب. فالنموذج لا يعرف إجراءً جديدًا لمجرد أن التطبيق نزّله في مكان ما. وأتح للمستخدم الوصول بوضوح إلى المستند الأصلي، واختبر الأداء على الهاتف الذي سيُستخدم فعلًا، مع مراعاة قيود البطارية والحرارة.

5. صياغة مسودات وفق قوالب

أنشئ مسودة انطلاقًا من حقول معتمدة وتنسيق محدد مسبقًا. فقد يحوّل مدير حساب سجل اجتماع جرى التحقق منه إلى رسالة متابعة بعناوين للقرارات والمسؤولين عن تنفيذها والخطوات التالية.

احصر الالتزامات والأسعار والتواريخ في حقول مصدرية جرى التحقق منها. وإذا غابت قيمة، فاحذفها أو اطلب توفيرها. يسهل ضبط الصياغة بنموذج صغير عندما يتولى النموذج تغيير التعبير، ويتولى التطبيق توفير الحقائق.

نماذج اللغة الصغيرة مفتوحة المصدر: الأحجام والتراخيص

هذه نماذج مرشحة بأوزان مفتوحة، وفق قوائم الجهات المطورة، جرى التحقق منها في 14 أكتوبر 2026، وليست ترتيبًا مبنيًا على تجارب عملية مباشرة. وكثيرًا ما يُستخدم وصف «مفتوح المصدر» هنا بتساهل: فإمكانية تنزيل الأوزان لا تعني تماثل حقوق الاستخدام. راجع ترخيص نسخة الأوزان المحددة التي ستنشرها، بما في ذلك أي حزمة مشتقة أو مكمّمة.

تتبع الأحجام أدناه تسميات الجهات المطورة، مع توضيح الفروق المهمة في عدد المعلمات. وبيئة التشغيل هي البرنامج الذي يحمّل الأوزان وينفذ النموذج؛ وتظل بحاجة إلى التحقق من التوافق والذاكرة المتاحة.

يستحق Google Gemma 4 التقييم عندما يحتاج المساعد المحلي إلى إدخال الصور أو الصوت إلى جانب النص. وتشير تسميتا E2B وE4B إلى عدد المعلمات الفعّال، لذلك لا تحسب الذاكرة المطلوبة من الاسم وحده. وتوفر Google صيغ النشر وإرشادات الذاكرة، بما يشمل خيارات محلية وأخرى للأجهزة المحمولة.

Microsoft Phi-4-mini-instruct نموذج نصي تتضمن بطاقته تعليمات لتشغيله محليًا وإتاحته للخدمة، وتحذيرًا صريحًا من محدودية معرفته بالحقائق. لذلك فهو مرشح مناسب للعمل على سياق يُزوَّد به، مع تقييم دقيق لأدائه بلغتك وعلى مستنداتك؛ لكنه لا يعوّض مصدر معرفة محدثًا.

توفر Alibaba Qwen3.5 مجموعة مفيدة من الأحجام الصغيرة لمقارنة المهمة نفسها على متطلبات متفاوتة من موارد الأجهزة. وتوثق بطاقة نموذج 4B خيارات تشغيله وإتاحته للخدمة، بينما يحدد ترخيص نسخة الأوزان الشروط. تحقّق من دعم بيئة التشغيل ومن الحزمة متعددة الوسائط كاملة، بدل افتراض أن كل تطبيق محلي يدعم كل نسخة.

توفر Meta Llama 3.2 نماذج نصية فقط، صغيرة بما يكفي لجعل تقييمها على الجهاز عمليًا، مع توثيق Meta للتكميم المخصص للأجهزة المحمولة. ويختلف ترخيصها الخاص عن اتفاقيتي MIT وApache 2.0. اخترها لسير عمل نصي محدد النطاق؛ أما إذا كنت تحتاج إلى قراءة الصور، فستحتاج إلى نموذج مختلف.

توفر Mistral AI Ministral 3 نسخًا أساسية، ونسخًا لاتباع التعليمات، وأخرى للاستدلال، عبر أحجامها الصغيرة، مع قدرة على فهم الصور. وللمهام الروتينية، ابدأ بتقييم نسخة مدرّبة على اتباع التعليمات، أي نسخة تعلمت الاستجابة للطلبات. فقد تزيد إجابة استدلالية مطولة زمن الاستجابة حين لا تحتاج إلا إلى فئة قصيرة أو حقل مستخرج. وتوثق صفحة نموذج 3B الحالي النموذج المستضاف.

كيف تختار نموذجًا صغيرًا لتجربتك الأولى؟

ابدأ بأصغر نموذج مرشح يدعم نوع المدخلات واللغة المطلوبين، ويقدم ترخيصًا مقبولًا وبيئة تشغيل مدعومة. وقارنه بنموذج أكبر على الأمثلة نفسها تمامًا. فلا يمكن ترشيح فائز واحد للجميع دون معرفة عبء العمل الذي سيؤديه.

ولخيارات أوسع بحسب الأجهزة، راجع دليل أفضل النماذج اللغوية للتشغيل المحلي. أما القائمة أعلاه فتركز على توضيح قرار استخدام نموذج صغير.

ما الذي يمكن تشغيله على حاسوب محمول أو هاتف أو بطاقة رسومية واحدة؟

أوزان النموذج ليست سوى نقطة البداية في حساب الذاكرة المطلوبة. فأنت تحتاج أيضًا إلى ذاكرة عمل لبيئة التشغيل وللسياق، أي النص والمدخلات الأخرى التي يعالجها النموذج.

لنأخذ حسابًا مبسطًا عمدًا: 4 مليارات معلمة × 4 بت ÷ 8 = 2 GB من الأوزان الخام، باستخدام الجيجابايت العشري. هذه عملية حسابية أجريناها، وليست اختبار أداء أو ادعاء بأن نموذجًا بحجم 4B يعمل بذاكرة RAM سعتها 2 GB. فالبيانات الوصفية للتكميم، والأوزان المخزنة بدقات مختلفة، وبيئة التشغيل، وذاكرة السياق المؤقتة، كلها تضيف احتياجات أخرى.

ذاكرة KV المؤقتة هي ذاكرة عمل تُستخدم لتجنب إعادة حساب أجزاء من السياق السابق. وقد تزيد المدخلات الأطول والمخرجات الأطول والطلبات المتزامنة الأكثر من الذاكرة التي تحتاجها. وتفصل إرشادات Google لتخطيط الذاكرة صراحة بين الأوزان الثابتة والسياق والبرامج المساندة.

يحتاج الهاتف إلى بيئة تشغيل متوافقة للأجهزة المحمولة وعبء عمل يظل مفيدًا في ظل قيود الجهاز أثناء الاستخدام المتواصل. ويجب أن يترك الحاسوب المحمول ذاكرة لنظام التشغيل والتطبيقات التي تستخدمها فعلًا. أما عبارة بطاقة رسومية واحدة فليست مواصفة كافية: إذ تحدد ذاكرة الفيديو المتاحة والبرامج المدعومة وحجم الطلبات ما يمكن تشغيله.

قد يتسع الجهاز للنموذج، ومع ذلك يكون أداؤه بطيئًا أكثر مما تحتمل المهمة. قِس زمن بدء التشغيل الأول والطلبات المتكررة، ثم اختبر طول الطلب المقصود وعبء العمل المتزامن. ولا تحجز الحد الأقصى لنافذة السياق لمجرد أن بطاقة النموذج تذكره.

كيف تشغّل نموذج لغة صغيرًا؟

استخدم Ollama عندما يناسبك العمل بسطر الأوامر وواجهة API محلية؛ واستخدم LM Studio عندما تريد تنزيل النماذج وتحميلها ومقارنتها من واجهة تطبيق مكتبي. فكلاهما يوفر بيئة تشغيل وتطبيقًا، وليس النموذج نفسه. وتشرح مقارنة Ollama وLM Studio كيفية الاختيار بالتفصيل.

التشغيل المحلي باستخدام Ollama

يوفر Ollama مشغّلًا محليًا للنماذج وواجهة HTTP. ثبّته وشغّله وفق دليل البدء السريع الرسمي، ثم نزّل نموذجًا محددًا باسمه. وتسرد صفحة Llama 3.2 في مكتبته كلا الحجمين الصغيرين.

1. 1

   نزّل نموذجًا صغيرًا

   نفّذ هذين الأمرين في الطرفية بعد تثبيت Ollama:

   ollama pull llama3.2:3b
   ollama run llama3.2:3b

   ينزّل الأمر الأول النموذج، ويفتح الثاني جلسة تفاعلية. هذه طريقة موثقة للبدء، وليست تأكيدًا أن النموذج اجتاز متطلبات مهمتك.

2. 2

   جرّب طلبًا محدد النطاق عبر API

   أثناء تشغيل Ollama، يطلب الاستدعاء التالي تحديد فئة تذكرة دعم وإرجاع المخرجات بصيغة JSON. نفّذه في بيئة سطر أوامر تتوفر فيها أداة curl:

   curl http://localhost:11434/api/generate \
     -H 'Content-Type: application/json' \
     -d '{
       "model": "llama3.2:3b",
       "prompt": "Classify the ticket as billing, access, bug, or other. Return JSON with one key: category. Ticket: I cannot sign in after resetting my password.",
       "format": "json",
       "stream": false
     }'

   اقرأ النص الذي ولّده النموذج في حقل response ضمن الاستجابة. وتقبل نقطة نهاية التوليد أيضًا JSON Schema عندما تحتاج إلى بنية أكثر صرامة للمخرجات. ويظل على تطبيقك رفض أي فئة غير معروفة وتقييم صحة التصنيف.

3. 3

   تحقّق من مسار التنفيذ

   استخدم ollama ps لمعرفة ما إذا كان النموذج محمّلًا على CPU أو GPU أو كليهما. وإذا كان سير العمل يجب أن يبقى محليًا، فعطّل الميزات السحابية بإضافة OLLAMA_NO_CLOUD=1 إلى بيئة خدمة Ollama قيد التشغيل، ثم أعد تشغيلها. وتوثق Ollama هذه الضوابط في الأسئلة الشائعة. استبعد الأدوات المتصلة والخدمات البعيدة البديلة عند اختبار العمل دون إنترنت.

التشغيل المحلي باستخدام LM Studio

LM Studio تطبيق مكتبي لتنزيل النماذج المحلية المتوافقة وتشغيلها. وتشرح وثائق التطبيق دعم GGUF، وهي صيغة ملفات للنماذج المحلية، ودعم MLX على Apple Silicon.

افتح Discover، وابحث عن النموذج، واختر نسخة مدعومة تناسب جهازك لتنزيلها. حمّلها في محادثة وألصق طلب التصنيف نفسه المستخدم أعلاه. سجّل ملف النموذج المحدد وطريقة تكميمه، لأن ملفين من العائلة نفسها قد يختلفان في استهلاك الموارد وجودة النتائج. واتبع دليل تنزيل النماذج للتعامل مع الواجهة الحالية.

لتجربة العمل دون إنترنت، نزّل النموذج وبيئة التشغيل المطلوبة أولًا، ثم اقطع الاتصال وكرر المهمة. قد يعمل النموذج محليًا بينما يظل البحث عن النماذج أو تنزيلها أو استخدام أدوات خارجية بحاجة إلى اتصال. ولا تعتبر نجاح محادثة دون إنترنت دليلًا على خصوصية كل عمليات التكامل في التطبيق.

استخدام واجهة API مستضافة

تتيح لك واجهة API مستضافة لنموذج صغير تقييم النموذج دون إدارة بطاقة رسومية. فخدمة Mistral المستضافة، مثلًا، تدرج Ministral إلى جانب نماذجها الأكبر. اتبع دليل البدء السريع لواجهة API: أنشئ حسابًا ومفتاحًا، واختر المعرّف الحالي للنموذج الصغير من صفحته، ثم أرسل الطلب المحدد النطاق نفسه عبر نقطة نهاية إكمال المحادثة.

احتفظ بالمفتاح على خادمك. وقارن المخرجات المقبولة وزمن الاستجابة وجهد المراجعة باستخدام مجموعة البيانات نفسها التي اختبرت بها التشغيل المحلي. يظل النموذج الصغير المستضاف خدمة استدلال بعيدة؛ فقلة معلماته لا تمنحه إمكانية العمل دون إنترنت أو خصوصية المعالجة على الجهاز.

أين تعجز النماذج الصغيرة، وما الادعاءات المبالغ فيها؟

تظهر أصعب الإخفاقات عندما تتسع المهمة إلى ما يتجاوز الأمثلة التي صممتها. فقد يبدو المصنّف موثوقًا مع التذاكر المباشرة، ثم يفشل أمام رسالة تجمع بين اعتراض على فاتورة ومشكلة في الدخول. وقد يلتزم نموذج الصياغة بالقالب، لكنه يختلق التزامًا.

المعرفة الواسعة والاستدلال في الحالات الغامضة يظلان نقطتي ضعف تستحقان التقييم. تصف بطاقة Phi من Microsoft صراحة محدودية المعرفة بالحقائق، وتحذر من المحادثات الطويلة والاختلافات بين اللغات والمعلومات غير الموثوقة. يساعد توفير مصادر ذات صلة على سد نقص المعرفة، لكنه لا يضمن تفسيرها تفسيرًا صحيحًا.

القول إن «صغر النموذج يعني دقته» لا يستند إلى دليل. تضييق نطاق المهمة يسهّل تقييمها وضبطها، لكنه لا يجعل النموذج صادقًا. حافظ على التحقق من الأدلة وعلى مسار للامتناع عن الإجابة أو التصعيد.

عبارة «المحلي يحافظ على الخصوصية» تصف بنية عليك أن تبنيها. فقد تتجاوز السجلات والأدوات الخارجية ومزامنة المستندات والخدمات البعيدة البديلة حدود البيانات، حتى عندما يكون الاستدلال محليًا.

القول إن «نافذة السياق الطويلة تعني فهم الدليل كاملًا» مبالغة. فسعة المدخلات المعلنة لا تضمن كفاية الذاكرة أو نجاح الاستدلال على كل مقطع. استرجع القسم ذي الصلة، وأرفقه بالسؤال، ثم راجع الإجابة بالرجوع إلى المصدر.

نماذج صغيرة متخصصة في مجال محدد

يبدأ التخصص من سير العمل، قبل التدريب. زوّد النموذج بمصطلحات المهمة ومخرجاتها المسموح بها ومستنداتها ذات الصلة. ويعني التوليد المعزّز بالاسترجاع، أو RAG، العثور على مواد مصدرية ذات صلة وإدراجها في الطلب. وهو يتيح تحديث المعرفة المقدمة للنموذج دون تغيير أوزانه.

في مساعد صيانة المعدات، استرجع التعليمات الخاصة بالآلة والإصدار المحددين. لا تمرر مجلدًا من الأدلة غير المرتبطة وتأمل أن يختار النموذج الصحيح منها. وأبقِ إصدار المصدر مرفقًا بالإجابة حتى يستطيع الموظف التحقق منه.

الضبط الدقيق لنماذج اللغة الصغيرة

يعدّل الضبط الدقيق نموذجًا مدرّبًا مسبقًا باستخدام أمثلة إضافية. فكّر فيه عندما تفشل مهمة مستقرة بصورة متكررة بأشكال لم يعالجها تحسين صياغة الطلب واسترجاع المصادر، وتتوفر لديك أمثلة ممثلة للحالات الفعلية وموسومة بصورة صحيحة.

في مصنّف تذاكر الدعم، قد يعني ذلك تعليمه تمييزًا خاصًا بالشركة بين الحوادث وطلبات الميزات. احتفظ بمجموعة تقييم لا تُستخدم في التدريب. وإذا كانت المشكلة سياسة استرداد أموال تتغير، فحدّث السياسة المقدمة للنموذج أولًا؛ ولا تجعل الضبط الدقيق بديلًا عن مصدر مرجعي محدث.

من يبدأ الآن، ومن ينتظر، ومن يبقي على نظامه الحالي؟

ابدأ الآن إذا كانت المهمة متكررة، ويمكن التحقق من مخرجاتها، وكان توفر الخدمة محليًا أو مكان حفظ البيانات يحل مشكلة محددة. فمسؤول العمليات المتمرس الذي لديه قائمة طلبات تُفرز يدويًا يملك تجربة أولية أنسب من مؤسس يريد استبدال كل المساعدين في الشركة.

تريث في الانتقال إذا لم تستطع تحديد الأخطاء المقبولة، أو لم تتوفر لديك أمثلة ممثلة للواقع، أو كنت تحتاج إلى وكيل مفتوح المهام يتخذ قرارات مؤثرة. حدّد سير العمل وأرسِ خط أساس للتقييم أولًا.

أبقِ على واجهة API الحالية إذا كانت تلبي المتطلبات بالفعل، ولم يبرر مكان البيانات أو العمل دون إنترنت أو الأداء التشغيلي المقاس الانتقال إلى بديل. فحجم النموذج وحده ليس سببًا لإعادة البناء.

خطوتك العملية يوم الاثنين: اختر قائمة مهام واحدة، ومخطط مخرجات واحدًا، ومسؤولًا واحدًا. اجمع 100 حالة أولية، مثل 70 طلبًا روتينيًا و20 طلبًا صعبًا و10 طلبات خارج النطاق. هذه أعداد مقترحة للبدء، وليست ضمانًا إحصائيًا. احتفظ بأمثلة منفصلة للتقييم النهائي، وأضف حالات الإخفاق النادرة كلما اكتشفتها.

اختبر نموذجًا صغيرًا مرشحًا والحل الذي تعتمد عليه حاليًا على الحالات المحجوزة للتقييم نفسها. سجّل صحة النتائج والمخرجات غير الصالحة وحالات التصعيد واستهلاك الذاكرة وزمن الاستجابة من البداية إلى النهاية، بما فيه المئين 95، أي الزمن الذي تنتهي خلاله 95% من الطلبات. حدّد عتبة القبول قبل مقارنة النتائج، وافحص الأخطاء بحسب الفئة بدل الاعتماد على متوسط إجمالي. وابدأ في وضع المراقبة الموازي، حيث يقترح النموذج إجابة بينما يظل سير العمل القائم متحكمًا في التنفيذ.

أسئلة شائعة

في ماذا تُستخدم نماذج اللغة الصغيرة؟

تناسب نماذج اللغة الصغيرة المهام اللغوية المحددة النطاق، مثل التصنيف واستخراج البيانات وتوجيه الطلبات والمساعدة المحلية والصياغة وفق قوالب. وتعتمد ملاءمتها على النموذج والسياق المقدم وآليات التحقق من المخرجات.

ما النماذج اللغوية المدرّبة مسبقًا؟

هي نماذج تعلمت أوزانها أنماطًا من مجموعة بيانات تدريب. ويمكنك استخدامها كما هي أو تكييفها. أما النسخة المدرّبة على اتباع التعليمات فتخضع لتدريب إضافي على الاستجابة للطلبات، وتكون عادة نقطة البداية العملية لبناء مساعد.

ما العائلات الأخرى للنماذج اللغوية الكبيرة؟

Gemma وPhi وQwen وLlama وMistral عائلات من النماذج اللغوية. وتضم بعض هذه العائلات نماذج صغيرة وأخرى أكبر. ووصف SLM يشير إلى الحجم بصورة نسبية، وليس إلى تقنية منفصلة تمامًا عن LLM.

ما النموذج اللغوي القائم على شبكة عصبية؟

هو نموذج يستخدم أوزانًا عددية متعلمة داخل شبكة عصبية لتقدير أنماط اللغة، مثل الرمز المرجح ظهوره تاليًا. وتعتمد كثير من النماذج اللغوية التوليدية الحالية على بنى المحوّلات.

هل ChatGPT شبكة عصبية؟

ChatGPT تطبيق تشغّله نماذج لغوية عصبية. والتطبيق والنموذج الذي يعمل خلفه مستويان مختلفان؛ فاسم «ChatGPT» لا يدل على شبكة ذات حجم ثابت. وتفصل OpenAI بين مفاهيم النماذج والنموذج المستخدم في ChatGPT.

لماذا تُعد CNN أفضل من ANN؟

الشبكة العصبية الالتفافية، أو CNN، نوع من الشبكات العصبية الاصطناعية، أو ANN. وهي ليست أفضل في جميع الحالات. تفيد العمليات الالتفافية في التعامل مع الأنماط المكانية، مثل الموجودة في الصور؛ أما البنية المناسبة فتتوقف على المهمة.

هل YOLO مجرد شبكة CNN؟

YOLO عائلة من أنظمة اكتشاف الأجسام. وتستخدم إصدارات كثيرة منها مكونات التفاف، لكن نظام الاكتشاف المتكامل يشمل بنية وعملية تدريب وآلية لإنتاج التنبؤات. وهو ليس نموذج لغة صغيرًا. وتوثق Ultralytics عائلة النماذج هذه.

هل TensorFlow نموذج CNN؟

لا. TensorFlow إطار برمجي لبناء نماذج تعلم الآلة وتشغيلها. وCNN أحد أنواع النماذج التي يمكنك بناؤها به، كما يوضح دليله التعليمي للشبكات الالتفافية.

ما الأنواع الأربعة للشبكات العصبية؟

لا توجد قائمة عالمية متفق عليها من أربعة أنواع بالضبط. فشبكات التغذية الأمامية، والشبكات الالتفافية، والشبكات المتكررة، وشبكات المحوّلات، أربع فئات شائعة في النقاش، لكن تصنيفات البنى تختلف. وحجم النموذج خاصية منفصلة. راجع مسرد Google لتعلم الآلة.

اشترك في النشرة البريدية للحصول على أدلة عملية لاختيار أنظمة الذكاء الاصطناعي وتشغيلها.