Together AI تطلق MiniMax M3 بسياق يبلغ مليون رمز ودعم متعدد الوسائط
أصبحت Together AI الشريك السحابي الرسمي لـ MiniMax في إطلاق نموذج M3، الذي يدعم سياقًا يصل إلى مليون رمز وقدرات متعددة الوسائط أصيلة. وكتب فريق Together أنوية (kernels) مخصصة للانتباه المتناثر، إضافة إلى بوابة معالجة مسبقة بلغة Rust، فارتفع معدل الإنتاجية بنسبة 81–125% بحسب حجم الحمل. وبعد صدور الأوزان المفتوحة، سيتوافر النموذج للمطورين بوصفه واجهة API مباشرة على منصة Together AI.
معالج بواسطة الذكاء الاصطناعي من Together AI Blog؛ بتحرير Hamidun News
أعلنت Together AI شراكتها مع MiniMax وأطلقت نموذج M3 في بيئة الإنتاج، بسياق يصل إلى مليون رمز، ودعم متعدد الوسائط أصيل، وتسريع للاستدلال يبلغ 125%.
ما هو MiniMax M3
MiniMax M3 هو النموذج الرائد لدى الشركة، وقد صُمم لمهام الوكلاء (agentic) الواقعية: مستندات طويلة وقواعد شيفرة وصور واستدعاءات أدوات، كلها ضمن سياق واحد. وكانت النماذج السابقة تتعثر مع السياقات الطويلة بسبب التعقيد التربيعي لآلية الانتباه الذاتي (self-attention). أما M3 فيعالج هذه المشكلة بطريقة مختلفة جذريًا.
تقوم بنية النموذج على MiniMax Sparse Attention (MSA)، وهي آلية انتباه متناثرة على مستوى الكتل. فكل رمز في الاستعلام يتعامل مع عدد محدود من كتل KV-cache ذات الصلة فقط، لا مع التسلسل بأكمله. ولهذا لم يعد التعقيد الحسابي يتزايد تربيعيًا مع طول السياق. وبالمقارنة مع M2.7، تسارعت مرحلة التعبئة المسبقة (prefilling) بمقدار 9 مرات، ومرحلة فك الترميز (decoding) بمقدار 15 مرة.
أبرز خصائص M3:
- نافذة السياق — حتى مليون رمز
- دعم متعدد الوسائط أصيل: نص وشيفرة وصور
- دعم سيناريوهات الوكلاء واستدعاءات الأدوات
- نتائج تنافسية في مهام البرمجة
كيف جهّزت Together AI البنية التحتية
تشغيل نموذج كهذا في بيئة الإنتاج دون خسارة في الكفاءة مهمة ليست يسيرة. فآلية MSA تقتضي مرحلتين عند حساب الانتباه: أولًا حساب درجة الصلة لاختيار كتل KV، ثم انتباه كثيف بين رموز الاستعلام والكتل المختارة. ولا تفي التنفيذات القياسية بهذا الغرض.
وقد كتب فريق الهندسة في Together AI أربعة تحسينات رئيسية:
- KV-Block-Major sparse attention kernel — نواة CUDA للانتباه المتناثر على مستوى كتل KV-cache، مع إعادة تنظيم البيانات في الذاكرة بما يلائم خصوصية MSA
- Paged MSA decode — دمج الانتباه المقسّم إلى صفحات (paged attention) لفك الترميز عند سياق بطول مليون رمز دون تجزئة الذاكرة
- Optimized index scoring kernel — حساب أسرع لدرجة الصلة لاختيار كتل KV عند كل خطوة من خطوات فك الترميز
- Rust-based multimodal gateway — بوابة لمعالجة الصور والمدخلات المختلطة مسبقًا بأدنى زمن استجابة
وقد أضافت هذه التحسينات مجتمعةً ما بين 81% و125% إلى معدل الإنتاجية عند مستويات حمل مختلفة، وأُجريت القياسات على NVIDIA B200.
ما الذي سيأتي لاحقًا
يتوافر MiniMax M3 بالفعل عبر Together AI بوصفه خدمة سحابية. وستصدر الأوزان المفتوحة في الأيام المقبلة، وبعد ذلك سيمكن نشر النموذج ذاتيًا أو استخدامه كنقطة نهاية API على منصة Together مباشرة.
«إطلاق M3 في بيئة الإنتاج يؤكد مكانة
Together AI منصةً مفضلة للنماذج التي تفرض تحديات نظامية حقيقية»، بحسب المدونة الرسمية للشركة.
ماذا يعني ذلك
قدرة Together AI على تشغيل نموذج بسياق مليون رمز بكفاءة تفوق النهج القياسي بنسبة 81–125% تمثّل إشارة تنافسية إلى السوق. وبالنسبة إلى المطورين، فهي تعني وصولًا قريبًا إلى وكيل متعدد الوسائط قوي عبر واجهة API بسيطة، دون حاجة إلى فهم التفاصيل المعمارية لآلية MSA بأنفسهم.
- 28 أكتوبر 2026Meta تفتح Muse Spark Open: نموذج MoE بـ816 مليار معامل ونافذة سياق بمليون رمز
- 28 أكتوبر 2026DeepSeek تفتح مصدر DeepInfer، وواشنطن وبكين تستعدان لفرض رقابة على النماذج المفتوحة
- 28 أكتوبر 2026Anthropic تودع وثيقة S-1: إيرادات ربع سنوية بقيمة $11,6 مليار والتزامات بقيمة $780 مليار
- 28 أكتوبر 2026DeepSeek تفتح مصدر DeepInfer: 155 تريليون توكن يوميًا وهامش ربح 80%
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما هو MiniMax M3؟
MiniMax M3 هو النموذج الرائد لدى الشركة، وقد صُمم لمهام الوكلاء (agentic) الواقعية: مستندات طويلة وقواعد شيفرة وصور واستدعاءات أدوات، كلها ضمن سياق واحد. وكانت النماذج السابقة تتعثر مع السياقات الطويلة بسبب التعقيد التربيعي لآلية الانتباه الذاتي (self-attention). أما M3 فيعالج هذه المشكلة بطريقة مختلفة جذريًا. تقوم بنية النموذج على MiniMax Sparse Attention (MSA)، وهي آلية انتباه متناثرة على مستوى الكتل. فكل رمز في الاستعلام يتعامل مع عدد محدود من كتل KV-cache ذات الصلة فقط، لا مع التسلسل بأكمله. ولهذا لم يعد التعقيد الحسابي يتزايد تربيعيًا مع طول السياق. وبالمقارنة مع M2.7،
ما أبرز التفاصيل حول كيف جهّزت Together AI البنية التحتية؟
تشغيل نموذج كهذا في بيئة الإنتاج دون خسارة في الكفاءة مهمة ليست يسيرة. فآلية MSA تقتضي مرحلتين عند حساب الانتباه: أولًا حساب درجة الصلة لاختيار كتل KV، ثم انتباه كثيف بين رموز الاستعلام والكتل المختارة. ولا تفي التنفيذات القياسية بهذا الغرض. وقد كتب فريق الهندسة في Together AI أربعة تحسينات رئيسية: KV-Block-Major sparse attention kernel — نواة CUDA للانتباه المتناثر على مستوى كتل KV-cache، مع إعادة تنظيم البيانات في الذاكرة بما يلائم خصوصية MSA Paged MSA decode — دمج الانتباه المقسّم إلى صفحات (paged attention) لفك الترميز عند سياق بطول مليون رمز دون تجزئة الذاكرة Optimized
ما أبرز التفاصيل حول ما الذي سيأتي لاحقًا؟
يتوافر MiniMax M3 بالفعل عبر Together AI بوصفه خدمة سحابية. وستصدر الأوزان المفتوحة في الأيام المقبلة، وبعد ذلك سيمكن نشر النموذج ذاتيًا أو استخدامه كنقطة نهاية API على منصة Together مباشرة. «إطلاق M3 في بيئة الإنتاج يؤكد مكانة Together AI منصةً مفضلة للنماذج التي تفرض تحديات نظامية حقيقية»، بحسب المدونة الرسمية للشركة.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.