أطلقت Liquid AI LFM2.5-350M: نموذج فعال بـ 350M معاملة مع RL مُوسع

في 31 مارس 2026، أطلقت Liquid AI نموذج LFM2.5-350M — وهو نموذج لغة مضغوط بـ 350 مليون معامل، تم تدريبه بشكل إضافي على مجموعة بيانات موسعة وحجم كبير من التعلم المعزز. كما أفادت MarkTechPost، فإن الإصدار يطعن في القاعدة المرسخة في الذكاء الاصطناعي التوليدي حول قوانين التوسع — الفكرة بأن المزيد من المعاملات تعني دائماً تقريباً "ذكاء" أكثر في نموذج.

لماذا يطعن في قوانين التوسع

على مدى السنوات القليلة الماضية، تطورت صناعة نماذج اللغة الكبيرة في المقام الأول وفقاً لسيناريو واحد: للحصول على نموذج أكثر قدرة، تحتاج إلى زيادة عدد المعاملات وحجم بيانات التدريب والموارد الحسابية. هذه المنطق — ما يسمى بقوانين التوسع — أصبح أساس السباق بين المختبرات الرائدة لإنشاء نماذج رائدة أكبر وأكبر. المشكلة هي أن النماذج التي تحتوي على مئات المليارات من المعاملات مكلفة للتدريب والتشغيل: يصعب تشغيلها محلياً على الأجهزة ذات الموارد المحدودة أو حيث تكون زمن الاستجابة المنخفض مهماً.

توضع Liquid AI LFM2.5-350M ليس كمحاولة للمنافسة مع النماذج الرائدة من حيث الحجم المطلق، بل كدراسة حالة تقنية حول "كثافة الذكاء" — أي كم عدد القدرات المفيدة التي يمكن حزمها في نموذج بحجم معامل ثابت وصغير نسبياً إذا كان الاستثمار ليس موجهاً نحو التوسع بل نحو جودة وحجم التدريب اللاحق.

ما تغير في تدريب النموذج

الروافع التقنية الرئيسية التي تحقق من خلالها Liquid AI قدرات نموذج متزايدة دون زيادة عدد المعاملات هي التدريب الأساسي الإضافي والتعلم المعزز على نطاق واسع. زاد حجم بيانات التدريب الأساسي بمقدار ثلاثة أضعاف تقريباً: من 10 تريليون إلى 28 تريليون رمز. مثل هذه الزيادة في مجموعة التدريب مع حجم نموذج ثابت هي رهان مباشر بأن نموذج بسعة ثابتة يمكن أن يكون "معاد تدريب" بشكل أكثر كثافة، واستخراج من حجم نصي أكبر المزيد من الأنماط المفيدة مما كان ممكناً في السابق مع بيانات أقل.

المعاملات الرئيسية للإصدار:

• اسم النموذج — LFM2.5-350M
• الحجم — 350 مليون معامل
• حجم بيانات التدريب الأساسي — زاد من 10 تريليون إلى 28 تريليون رمز
• المرحلة الإضافية — التعلم المعزز على نطاق واسع
• الموضع — دراسة حالة تقنية حول "كثافة الذكاء" بدلاً من محاولة تحطيم رقم قياسي للحجم

اسم النموذج نفسه — LFM2.5-350M — يثبت على الفور خاصيته الرئيسية: 350 مليون معامل أصغر بعدة رتب من الحجم من النماذج الرائدة الحديثة التي تحتوي على عشرات ومئات المليارات من المعاملات. هذا التباين هو بالضبط ما يجعل الإصدار مثيراً للاهتمام من الناحية التقنية: Liquid AI ليست تحاول إخفاء الحجم المتواضع للنموذج، بل تضعه في المقدمة في الاسم كنقطة انطلاق للتجربة — كم عدد القدرات التي يمكن استخراجها من عدد ثابت صغير من المعاملات من خلال تدريب أكثر طولاً وجودة أعلى.

الرافعة الثانية هي التعلم المعزز على نطاق واسع المطبق فوق التدريب الأساسي الموسع. إذا كان التدريب الأساسي يشبع في المقام الأول نموذجاً بمعرفة واسعة باللغة والعالم، فإن مرحلة RL تُستخدم عادة لتوجيه سلوك النموذج نحو استجابات أكثر فائدة ودقة وقابلية للإدارة — أصبحت هذه المرحلة في السنوات الأخيرة الطريقة الرئيسية لتحسين جودة النموذج دون زيادة حجمه.

لماذا تعود النماذج المضغوطة إلى المركز

إصدار LFM2.5-350M ينسجم مع اتجاه أوسع في 2026: جنباً إلى جنب مع السباق للحصول على أكبر النماذج الرائدة، هناك سباق منفصل للحصول على النماذج المضغوطة ذات الكفاءة القصوى التي يمكن تشغيلها على الهواتف والحواسيب المحمولة والأجهزة المدمجة وفي البيئات ذات الموارد الحسابية المحدودة — دون استدعاء واجهات برمجة التطبيقات السحابية. بالنسبة للمطورين، هذا يعني تكاليف استدلال أقل وتشغيل بدون الاتصال بالإنترنت وزمن استجابة أقل، وهو أمر حرج للتطبيقات في الوقت الفعلي.

إذا تم تأكيد نهج Liquid AI في الممارسة العملية — أي إذا كان نموذج بـ 350 مليون معامل يوضح بالفعل القدرات المتاحة سابقاً فقط للنماذج الأكبر بكثير — فإن هذا سيصبح حجة على أن التقدم المستقبلي في الذكاء الاصطناعي لا يتطلب بالضرورة نمواً لا نهائياً في عدد المعاملات بل يمكن تحقيقه من خلال تدريب جودة أعلى وأطول للهندسات الموجودة.