مطوّر يبني مرشّح بريد مزعج محليًا باستخدام نموذج ruBert-base-antispam ودون VPN
وصف مقال على Habr كيف يساعد نموذج ruBert-base-antispam المحلي في التخلص من الرسائل المزعجة التي تمرّ عبر فلاتر Yandex وMail وSpamAssassin. يبلغ حجم النموذج 177 مليون معامل ويشغل نحو 550 ميغابايت من الذاكرة، ويستجيب خلال 100-200 ميلي ثانية، فيستبعد ما يشبه البريد المزعج، مثل الدعوات إلى المؤتمرات ونشرات القروض. يعمل النموذج بوصفه مصنِّفًا ثنائيًا يعطي ناتجًا واحدًا فقط: 0 أو 1، دون موجّهات (prompts) أو استدلال (reasoning). ولا يتجاوز حدّ المدخلات 512 رمزًا، وهو قيد غير حرج في مهمة تصفية البريد المزعج. يرى الكاتب أن هذه الحالة تُظهر أن المهام التطبيقية الضيقة لا تحتاج بالضرورة إلى نماذج LLM سحابية كبيرة.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
وصف مطوّر على Habr كيف بنى نظامًا متعدد المستويات لتصفية البريد المزعج على بريده دون VPN، وأضاف إليه نموذج ruBert-base-antispam المحلي من HuggingFace، وهو نسخة مضبوطة بدقة (fine-tune) من DeepPavlov/rubert-base-cased-conversational بـ 177 مليون معامل، ويكفيه نحو 550 ميغابايت من الذاكرة العشوائية.
كيف صُمّمت التصفية متعددة المستويات
يحجب الكاتب الإعلانات عبر خادم DNS خاص به ومرشّحات CSS محلية، أما البريد المزعج فاحتاج إلى معالجة منفصلة. وتتألف المنظومة من عدة مراحل متتالية: تفحص فلاتر Yandex وMail المدمجة الرسائل أولًا، وتستبعد جزءًا من الرسائل المزعجة قبل إعادة توجيهها إلى صندوق بريد آخر. أما ما يجتازها فيصل إلى خادم الكاتب الخاص، حيث يعمل SpamAssassin ويلتقط جزءًا إضافيًا من الرسائل غير المرغوب فيها.
وبعد هذين المستويين، لا تزال بعض الرسائل تتسرّب وتصل إلى Gmail: بعضها يستقر تلقائيًا في مجلد «Spam»، وبعضها يصل إلى صندوق الوارد مصحوبًا بإشعار مزعج. أراد الكاتب ألّا تتراكم في المجلدات رسائل مزعجة يضطر إلى فرزها يدويًا، فالمرسلون المزعجون، على حد قوله، لا يقفون مكتوفي الأيدي ويحدّثون باستمرار أساليب التحايل على الفلاتر.
لماذا لم تكفِ الفلاتر القياسية؟
شكّلت مشكلة خاصة الرسائل التي لا تُعدّ مخالفة من الناحية الشكلية: دعوات المؤتمرات، وعروض الشراكة، ونشرات القروض. فمرشّح بايز (Bayesian) يلتقط هذه الرسائل بصعوبة، لأنها تخلو من علامات البريد المزعج الكلاسيكي الواضحة، ولا يميّزها سوى الإلحاح وضعف قيمتها للمتلقي. هذه المنطقة الرمادية بين «بريد مزعج بالتأكيد» و«ليس بريدًا مزعجًا بالتأكيد» لم تستطع المستويات الثلاثة السابقة معالجتها، فاحتاج الأمر إلى أداة مستقلة قادرة على تقييم معنى الرسالة، لا علاماتها الشكلية الخاصة بالنشرات البريدية فحسب.
- النموذج — ruBert-base-antispam من HuggingFace، نسخة مضبوطة بدقة من DeepPavlov/rubert-base-cased-conversational
- 177 مليون معامل، و12 طبقة من طبقات المحوّل (transformer)، وحجم مخفي (hidden size) يبلغ 768
- حدّ المدخلات — 512 رمزًا
- استهلاك الذاكرة — نحو 550 ميغابايت، ومدة الاستجابة 100-200 ميلي ثانية
- مصنِّف ثنائي: الناتج 0 أو 1 فقط، دون موجّهات (prompts) أو استدلال (reasoning)
أي نموذج اختاره الكاتب
عالج نموذج BERT المحلي المشكلتين معًا: تراكم الرسائل شبه المزعجة، ورفض الاعتماد على واجهات API سحابية مدفوعة. ruBert-base-antispam مصنِّف ثنائي: مدخله نص الرسالة، وناتجه 0 أو 1، دون موجّهات أو استدلال كما هي الحال في نماذج اللغة الكبيرة. وهذه البساطة المعمارية هي ما يمنح سرعة استجابة تبلغ 100-200 ميلي ثانية بذاكرة تقارب 550 ميغابايت، إذ يمكن إبقاء النموذج قيد التشغيل باستمرار على خادم منزلي عادي دون القلق من حمل زائد على النظام.
أما حدّ 512 رمزًا في المدخلات فليس حرجًا في مهمة تصفية البريد المزعج: فالرسالة لا تحتاج إلى تحليل كامل، وتكفي الفقرات الأولى لفهم طبيعتها. كما أن النموذج الأساسي DeepPavlov/rubert-base-cased-conversational، الذي بُنيت عليه النسخة المضبوطة بدقة، دُرّب في الأصل على اللغة الروسية المحكية، وهو ما ينبغي أن يساعد في التمييز بدقة أكبر بين المراسلات الحية والنشرات الإعلانية وشبه الإعلانية.
ماذا يعني ذلك
تُظهر هذه الحالة أن المهام التطبيقية الضيقة، مثل تصفية البريد المزعج، لا تتطلب بالضرورة نماذج LLM سحابية كبيرة: فنموذج BERT محلي صغير بـ 177 مليون معامل يؤدي المهمة بسرعة أكبر وتكلفة أقل، ويعمل دون اتصال بالإنترنت (offline) وبلا VPN.
أسئلة شائعة
أي نموذج يستخدمه الكاتب لتصفية البريد المزعج؟
هو ruBert-base-antispam من HuggingFace، نسخة مضبوطة بدقة من نموذج DeepPavlov/rubert-base-cased-conversational، ويضم 177 مليون معامل و12 طبقة من طبقات المحوّل (transformer) وحجمًا مخفيًا (hidden size) يبلغ 768.
كم من الموارد يتطلب هذا النموذج المحلي؟
يكفي النموذج نحو 550 ميغابايت من الذاكرة العشوائية، ويستغرق الرد على نص واحد 100-200 ميلي ثانية، والحد الأقصى لطول المدخلات 512 رمزًا.
- 25 أكتوبر 2026Anthropic تصف GLM-5.3 بأنه تهديد سيبراني خطير وتعيد إشعال الجدل حول النماذج المفتوحة
- 25 أكتوبر 2026Anthropic تمنح فريق METR وصولًا بمستوى الموظفين لفحص سلامة أنظمتها
- 24 أكتوبر 2026Google تفتح مصدر TorchTPU: PyTorch يحصل على TPU كجهاز أصيل
- 24 أكتوبر 2026وكلاء الذكاء الاصطناعي اختصروا الاختراق من أسبوعين إلى عشر ساعات: سقوط ثمانية افتراضات
أسئلة وأجوبة حول الخبر
لماذا لم تكفِ الفلاتر القياسية؟
شكّلت مشكلة خاصة الرسائل التي لا تُعدّ مخالفة من الناحية الشكلية: دعوات المؤتمرات، وعروض الشراكة، ونشرات القروض. فمرشّح بايز (Bayesian) يلتقط هذه الرسائل بصعوبة، لأنها تخلو من علامات البريد المزعج الكلاسيكي الواضحة، ولا يميّزها سوى الإلحاح وضعف قيمتها للمتلقي. هذه المنطقة الرمادية بين «بريد مزعج بالتأكيد» و«ليس بريدًا مزعجًا بالتأكيد» لم تستطع المستويات الثلاثة السابقة معالجتها، فاحتاج الأمر إلى أداة مستقلة قادرة على تقييم معنى الرسالة، لا علاماتها الشكلية الخاصة بالنشرات البريدية فحسب. النموذج — ruBert-base-antispam من HuggingFace، نسخة مضبوطة بدقة من DeepPavlov/rubert-bas
أي نموذج يستخدمه الكاتب لتصفية البريد المزعج؟
هو ruBert-base-antispam من HuggingFace، نسخة مضبوطة بدقة من نموذج DeepPavlov/rubert-base-cased-conversational، ويضم 177 مليون معامل و12 طبقة من طبقات المحوّل (transformer) وحجمًا مخفيًا (hidden size) يبلغ 768.
كم من الموارد يتطلب هذا النموذج المحلي؟
يكفي النموذج نحو 550 ميغابايت من الذاكرة العشوائية، ويستغرق الرد على نص واحد 100-200 ميلي ثانية، والحد الأقصى لطول المدخلات 512 رمزًا.
Build & Ship Production AI Apps with Vibe Coding
Join Zhemal Khamidun's hands-on Vibe Coding Intensive at hamidun.com/vibecoding — master Claude Code, Cursor, and autonomous agentic workflows.
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.