Meituan تتيح أوزان LongCat-2.5: ‏1.6 تريليون معلمة، وترخيص MIT، وقدرات متعددة الوسائط

تواصل شركة Meituan الصينية، المعروفة أساساً بتوصيل الطعام، حضورها الجاد في مجال الذكاء الاصطناعي مفتوح المصدر. فقد نشر فريق LongCat أوزان LongCat-2.5 على Hugging Face تحت ترخيص MIT. وهو أحد أكثر التراخيص تساهلاً: يمكن إجراء ضبط دقيق للنموذج، ودمجه في منتج، وبيعه من دون اتفاقات منفصلة.

ما الذي يتضمنه النموذج؟

بُني LongCat-2.5 وفق معمارية مزيج الخبراء، أو Mixture-of-Experts. ويضم إجمالاً 1.6 تريليون معلمة، لكن نحو 48 مليار معلمة فقط تنشط لكل توكن. الفكرة بسيطة: يشبه النموذج مكتباً كبيراً يضم مئات المتخصصين، ولا يجيب عن كل سؤال إلا العدد القليل المناسب منهم. وبذلك تقترب الجودة من مستوى نموذج هائل الحجم، بينما تعادل متطلبات الحوسبة لكل توكن متطلبات نموذج متوسط الحجم.

الميزة الثانية هي أن النموذج متعدد الوسائط بطبيعته. فلم تُضف إليه الرؤية لاحقاً عبر مُرمّز منفصل، بل دُرّبت مع بقية مكوناته. ويقول مطوروه إنه يجمع قدرات قوية على الفهم البصري والبرمجة الوكيلة في نموذج واحد. وتشمل الأمثلة المذكورة مشاريع برمجية معقدة، وتصميماً إبداعياً، ومهام ثلاثية الأبعاد.

لماذا يهم ذلك عملياً؟

تخيّل مهمة شائعة: يرسل مصمم لقطة شاشة لتصميم واجهة، وعلى الوكيل تحويلها إلى واجهة تعمل، ثم تشغيلها وفحص النتيجة وتصحيح تنسيقها. عادةً ما يتطلب ذلك ربط نموذج للرؤية بآخر للبرمجة، مع فقدان جزء من السياق عند الانتقال بينهما. أما إذا كان نموذج واحد يرى الشاشة ويكتب الشيفرة، فتصبح دورة «المعاينة، والتصحيح، والتحقق» أقصر وأكثر موثوقية.

وبالنسبة إلى الشركات التي لا تستطيع إرسال الشيفرة والتصاميم إلى واجهات API خارجية، فهذه أيضاً فرصة لتشغيل وكيل قوي على بنيتها التحتية الخاصة. ويزيل ترخيص MIT العقبات القانونية التي تعرقل كثيراً استخدام النماذج الخاضعة لشروط خاصة.

القيود

أولاً، والأهم: لا يتضمن الإعلان أي اختبار معياري. فالادعاءات المتعلقة بقدرات «أقوى» على الرؤية والبرمجة لا تدعمها نتائج حتى الآن، ولا يزال على المجتمع إجراء المقارنات مع النماذج المفتوحة الأخرى. وينبغي التعامل مع هذه الادعاءات بوصفها تسويقاً إلى أن تتوفر قياسات مستقلة.

ثانياً: لا بد من تخزين 1.6 تريليون معلمة في مكان ما. حتى مع تنشيط 48 مليار معلمة فقط، يجب أن يبقى النموذج بأكمله في الذاكرة، وهو ما يعادل نحو 1.6 تيرابايت بصيغة 8 بت. ويتطلب ذلك عنقوداً من عدة خوادم مزودة بوحدات GPU، وليس محطة عمل. عملياً، ستشغله الفرق الكبيرة أو مزودو الخدمات السحابية على عتادهم الخاص، بينما سينتظر الآخرون نسخاً مكمّمة وخدمات استضافة عبر واجهات API تابعة لأطراف ثالثة.

ثالثاً: لا تزال جودة دعم الأدوات، وطول السياق، والموثوقية خلال سلاسل العمل الوكيلة الطويلة غير واضحة. وهذه تحديداً هي الجوانب التي تتعثر فيها معظم النماذج المتألقة في الاختبارات عند استخدامها في مشاريع حقيقية.

ما الذي ينبغي فعله؟

إذا كنت تطور وكلاء للبرمجة أو تعمل على مهام تحويل الصور إلى شيفرة، فأضف LongCat-2.5 إلى قائمة الخيارات واختبره على مهامك الخاصة، بدلاً من الاعتماد على اختبارات معيارية يجريها آخرون. وإذا كان الاستقلال عن واجهات API المغلقة مهماً لك، فتابع ظهور النسخ المكمّمة ودعم النموذج في vLLM وSGLang. أما إذا كنت مدير منتج، فضع الاتجاه العام في الحسبان: أصبحت النماذج الصينية المفتوحة بترخيص MIT وبحجم تريليونات المعلمات أمراً معتاداً، وهو ما يضغط على أسعار مزودي النماذج المغلقة.