نماذج Gemma 4 من Google DeepMind تصل إلى Amazon Bedrock: ثلاثة نماذج بمعمارية MoE ودعم متعدد الوسائط

أضافت Amazon Bedrock إلى كتالوجها ثلاثة نماذج من عائلة Gemma 4 التي طورتها Google DeepMind، وهي نماذج مفتوحة الأوزان تدعم الإدخال متعدد الوسائط وتعتمد معمارية MoE. وأصبحت النماذج متاحة عبر AWS API فور الإعلان عنها.

ثلاثة إصدارات لمهام مختلفة

صُمّمت Gemma 4 مع التركيز على الذكاء بالنسبة إلى عدد المعاملات، أي أقصى كفاءة بأدنى متطلبات حسابية. وتشمل العائلة نهجين معماريين: النماذج الكثيفة (dense)، ونماذج MoE التي لا يُستخدم فيها مع كل طلب سوى جزء من الشبكة العصبية.

تتوفر على Amazon Bedrock ثلاثة إصدارات مضبوطة على التعليمات (instruction-tuned):

• Gemma 4 31B — نموذج كثيف كلاسيكي بـ 31 مليار معامل، يتسم بسلوك يمكن التنبؤ به ويسهل تدريبه الإضافي
• Gemma 4 26B-A4B — معمارية MoE: يضم النموذج 26 مليار معامل، لكن لا يُفعَّل مع كل طلب سوى 4 مليارات
• Gemma 4 E2B — إصدار خفيف مخصص لبيئات الحوسبة الطرفية (edge) والبيئات محدودة الموارد

تُوزَّع النماذج الثلاثة بترخيص Apache 2.0، ما يتيح الاستخدام التجاري دون قيود على حجم الإيرادات أو عدد الطلبات.

ما الذي تقدمه النماذج جاهزةً للاستخدام

تدعم جميع إصدارات Gemma 4 الإدخال متعدد الوسائط: يمكن تمرير النصوص والصور في طلب واحد. ويفتح ذلك المجال أمام تطبيقات مثل تحليل المستندات، والإجابة عن الأسئلة البصرية (visual QA)، ومعالجة لقطات الشاشة، وخطوط المعالجة المختلطة التي تتطلب التعامل مع أنواع مختلفة من البيانات في تمريرة واحدة.

يتيح الاستدلال (reasoning) المدمج للنموذج تنفيذ خطوات وسيطة قبل تقديم الإجابة النهائية. ويظهر ذلك بوضوح خاص في المسائل الرياضية والمنطقية المعقدة والمهام متعددة المراحل، إذ ترتفع الدقة دون الحاجة إلى هندسة إضافية للمطالبات (prompt engineering).

ويوفر استدعاء الدوال (function calling) الأصلي تكاملاً مباشراً مع الأنظمة الوكيلة (agentic) والأدوات الخارجية. فلا يحتاج المطورون إلى ابتكار حلول التفافية عبر تنسيق المخرجات، إذ يستدعي النموذج الدوال بصورة أصلية.

لماذا تهم معمارية MoE عملياً

تُعد Mixture-of-Experts وسيلة فعلية لخفض تكلفة الاستدلال. ففي كل طلب تُفعَّل مجموعة من الكتل «الخبيرة» المتخصصة فقط، لا الشبكة العصبية بأكملها. وبذلك يكون العبء الحسابي كالذي يفرضه نموذج صغير، بينما تقارب الجودة جودة نموذج كبير.

وفي حالة Gemma 4 26B-A4B يعني ذلك أنه رغم وجود 26 مليار معامل، يعمل الاستدلال فعلياً على 4 مليارات فقط. وفي سيناريوهات الإنتاجية العالية (high-throughput) التي تهم فيها تكلفة كل رمز (token)، تمثل هذه ميزة كبيرة مقارنةً بالنماذج الكثيفة المكافئة.

«صُمّمت العائلة مع التركيز على نطاق واسع من سيناريوهات النشر» —

Google DeepMind في وصف معمارية Gemma 4.

ماذا يعني ذلك

يخفض توفر Gemma 4 على Amazon Bedrock عتبة الدخول أمام الشركات العاملة ضمن منظومة AWS: فبدلاً من النشر الذاتي للأوزان المفتوحة، تحصل على واجهة API جاهزة وبنية تحتية مُدارة. كما أن ترخيص Apache 2.0 لا يضع قيوداً على التوسع، ما يجعل العائلة جذابة لفرق المنتجات التي تهمها قابلية التنبؤ بشروط الترخيص.