North Mini Code من Cohere: نموذج MoE مفتوح بحجم 30B للبرمجة الوكيلية

أطلقت Cohere نموذج North Mini Code، وهو أول نموذج مفتوح للمطورين تقدّمه الشركة، ويقوم على معمارية mixture-of-experts. من بين 30 مليار معامل، يُفعّل النموذج 3 مليارات فقط عند كل استدعاء، ويتّسع لوحدة GPU واحدة من طراز H100، ويدعم نافذة سياق بحجم 256 ألف رمز.

البرمجة الوكيلية كسيناريو أساسي

صُمّم North Mini Code خصيصًا للبرمجة الوكيلية (agentic coding)، أي الحالة التي لا ينتظر فيها الذكاء الاصطناعي تلميحًا من المطوّر، بل يخطّط ويكتب الشيفرة ويختبرها ويصحّحها بنفسه ضمن حلقة متكررة. هذه فئة مختلفة من المهام مقارنة بالإكمال التلقائي المعتاد: يتلقى النموذج مهمة عالية المستوى ويحلّها بأقل تدخل ممكن من المطوّر.

إن نافذة السياق البالغة 256 ألف رمز خيار معماري موجّه لهذه السيناريوهات. فهي تتيح إبقاء مستودعات كاملة في الذاكرة: ليس ملفًا واحدًا، بل عشرات الوحدات المترابطة والاختبارات وملفات الإعدادات والتوثيق في وقت واحد. وهذا أمر جوهري عند إعادة الهيكلة الشاملة أو البحث عن السبب الجذري لخلل عبر عدة طبقات من التجريد.

أبرز المهام التي حُسِّن النموذج لها:

• إعادة هيكلة مستقلة تأخذ قاعدة الشيفرة كاملة في الاعتبار
• تصحيح أخطاء متعدد الخطوات دون الحاجة إلى تلميحات مستمرة
• تحليل مشاريع legacy وتوثيقها
• الدمج في CI/CD بدور مراجِع قائم على الذكاء الاصطناعي
• توليد حالات الاختبار وتشغيلها ضمن حلقة آلية

كيف تعمل معمارية MoE عمليًا

Mixture-of-Experts نهج يُقسَّم فيه النموذج إلى كتل متخصصة تُسمّى «خبراء»، ويُفعَّل لكل رمز مجموعة جزئية منها فقط. من أصل 30 مليار معامل في North Mini Code، يُستخدم في كل لحظة نحو 3 مليارات، أي ما يقارب العُشر.

عمليًا، يعني هذا أن العبء الحسابي أثناء التشغيل يقترب من عبء نموذج بحجم 3 مليارات معامل، بينما تقترب جودة الإجابة من جودة نموذج بحجم 30 مليارًا.

يعمل النموذج على وحدة GPU واحدة من NVIDIA H100، ما يخفض عتبة النشر بشكل حاد. فاستئجار H100 واحدة في السحابة يكلّف من 2 إلى 4 دولارات في الساعة، مقابل عشرات الآلاف من الدولارات لعنقود يشغّل نموذجًا كثيفًا مكافئًا.

تتحول معماريات MoE إلى معيار للتوسّع الفعّال: فقد سلك DeepSeek-V3 وMixtral الطريق نفسه، وأثبتا أن بالإمكان منافسة نماذج كثيفة أكبر حجمًا بتكاليف استدلال أقل.

الأوزان المفتوحة كحجة تنافسية

تنشر Cohere نموذج North Mini Code بأوزان مفتوحة. وهذا يعني إمكانية تنزيل النموذج وإعادة تدريبه على بيانات المستخدم ونشره على أي بنية تحتية، دون الاعتماد على API الخاص بـ Cohere.

بالنسبة لعملاء المؤسسات، يلبّي ذلك عدة احتياجات رئيسية: تبقى البيانات داخل محيط الشركة، ويمكن تكييف النموذج مع معايير الشيفرة الداخلية والأطر البرمجية المملوكة، ويكون زمن الاستجابة في النشر المحلي في حدّه الأدنى.

وهذا الطلب بالتحديد، أي التحكم وقابلية التخصيص والاستقلال عن خدمات SaaS، يتحول إلى الحجة التنافسية الأبرز لـ Cohere في مواجهة الحلول المغلقة.

ماذا يعني ذلك

سوق نماذج الذكاء الاصطناعي للمطورين مزدحمة: فهناك بالفعل DeepSeek Coder وQwen2.5-Coder وCode Llama وMistral وغيرها. ويحتل North Mini Code ركنًا محددًا هو المهام الوكيلية على بنية تحتية خاصة، ويراهن على ثلاثة عوامل في آن واحد: كفاءة MoE، والسياق الطويل، والأوزان المفتوحة.

أما مدى نجاح هذا المزيج فستحدّده اختبارات benchmark المستقلة وأولى عمليات النشر في بيئات الإنتاج.