Liquid AI تطلق LFM2.5-350M: نموذج فعّال بـ 350 مليون معامل يعتمد على التعلم المعزز واسع النطاق

في 31 مارس 2026 أطلقت شركة Liquid AI النموذج LFM2.5-350M، وهو نموذج لغوي مدمج بـ 350 مليون معامل، خضع لتدريب إضافي على مجموعة بيانات موسّعة وعلى حجم كبير من التعلم المعزز (reinforcement learning). ووفق ما نقله موقع MarkTechPost، يتحدى هذا الإصدار قاعدة راسخة في الذكاء الاصطناعي التوليدي هي قوانين التوسّع (scaling laws)، أي الفكرة القائلة إن زيادة عدد المعاملات تعني في الغالب زيادة «ذكاء» النموذج.

لماذا تحدّي قوانين التوسّع

سارت صناعة النماذج اللغوية الكبيرة خلال السنوات الأخيرة وفق سيناريو واحد في الأساس: للحصول على نموذج أقدر، يجب زيادة عدد المعاملات وحجم بيانات التدريب والموارد الحوسبية. وقد شكّل هذا المنطق، المعروف بقوانين التوسّع، أساس سباق المختبرات الرائدة نحو بناء نماذج رائدة أكبر فأكبر. أما المشكلة فهي أن النماذج التي تضم مئات المليارات من المعاملات مكلفة في التدريب وفي التشغيل، ويصعب تشغيلها محليًا أو على أجهزة محدودة الموارد أو في الحالات التي يكون فيها زمن الاستجابة المنخفض أمرًا حاسمًا.

ولا تقدّم Liquid AI نموذج LFM2.5-350M على أنه محاولة لمنافسة النماذج الرائدة من حيث الحجم المطلق، بل بوصفه دراسة حالة تقنية في «كثافة الذكاء» (intelligence density). أي إنه يختبر مقدار القدرات المفيدة التي يمكن حشدها في نموذج ذي عدد معاملات ثابت وصغير نسبيًا، إذا جرى الاستثمار في جودة التدريب اللاحق وحجمه لا في توسيع النطاق.

ما الذي تغيّر في تدريب النموذج

تعتمد Liquid AI في رفع قدرات النموذج دون زيادة عدد معاملاته على رافعتين تقنيتين رئيسيتين: التدريب المسبق الإضافي والتعلم المعزز واسع النطاق. فقد ارتفع حجم بيانات التدريب المسبق بنحو ثلاثة أضعاف، من 10 تريليون إلى 28 تريليون رمز (توكن). وتمثّل زيادة مجموعة التدريب هذه مع بقاء حجم النموذج على حاله رهانًا مباشرًا على أن النموذج ذا السعة الثابتة يمكن «استكمال تدريبه» بكثافة أكبر، فيستخلص من حجم أكبر من النصوص أنماطًا مفيدة أكثر مما كان ممكنًا سابقًا مع كمية بيانات أقل.

أبرز معطيات الإصدار:

• اسم النموذج: LFM2.5-350M
• الحجم: 350 مليون معامل
• حجم بيانات التدريب المسبق: ارتفع من 10 تريليون إلى 28 تريليون رمز (توكن)
• مرحلة إضافية: التعلم المعزز واسع النطاق (large-scale reinforcement learning)
• التموضع: دراسة حالة تقنية في «كثافة الذكاء»، لا محاولة لتحطيم رقم قياسي في حجم النموذج

ويعكس اسم النموذج نفسه، LFM2.5-350M، سمته الأساسية: فـ 350 مليون معامل أقل بعدة مراتب من النماذج الرائدة الحديثة التي تضم عشرات ومئات المليارات من المعاملات. وهذا التباين تحديدًا هو ما يجعل الإصدار مثيرًا من الناحية التقنية: فـ Liquid AI لا تحاول إخفاء الحجم المتواضع للنموذج، بل تضعه في اسمه نقطةَ انطلاق للتجربة، لمعرفة مقدار القدرات التي يمكن استخلاصها من عدد ثابت وصغير من المعاملات عبر تدريب أطول وأعلى جودة.

أما الرافعة الثانية فهي التعلم المعزز (reinforcement learning) واسع النطاق، المطبَّق فوق التدريب المسبق الموسّع. فإذا كان التدريب المسبق يُشبع النموذج في المقام الأول بمعارف واسعة عن اللغة والعالم، فإن مرحلة RL تُستخدم عادةً لتوجيه سلوك النموذج نحو إجابات أكثر فائدة ودقة وقابلية للتحكم، وهي المرحلة التي أصبحت في السنوات الأخيرة الوسيلة الأبرز لرفع جودة النماذج دون زيادة حجمها.

لماذا تعود النماذج المدمجة إلى الواجهة

يندرج إصدار LFM2.5-350M ضمن اتجاه أوسع في 2026: فإلى جانب السباق نحو أكبر النماذج الرائدة، يدور سباق منفصل نحو نماذج مدمجة بأعلى قدرة ممكنة، يمكن تشغيلها على الهواتف وأجهزة الحاسوب المحمولة والأجهزة المدمجة وفي بيئات محدودة الموارد الحوسبية، دون اللجوء إلى واجهة API سحابية. وبالنسبة للمطورين، يعني ذلك كلفة أقل للاستدلال (inference)، وإمكانية العمل دون اتصال بالإنترنت، وزمن استجابة أقل، وهو أمر حاسم لتطبيقات الزمن الحقيقي.

وإذا تأكد نهج Liquid AI عمليًا، أي إذا أظهر نموذج بـ 350 مليون معامل فعلًا قدرات كانت متاحة سابقًا للنماذج الأكبر منه بكثير، فسيشكّل ذلك حجة لصالح القول إن التقدم في الذكاء الاصطناعي لا يتطلب بالضرورة نموًا لا ينتهي في عدد المعاملات، بل يمكن تحقيقه عبر تدريب أفضل جودة وأطول مدة للمعماريات القائمة.