ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
إصدارتحليل · على الرادارX: @OpenAI→ المصدر

OpenAI تخفّض تكلفة التضمينات لأنظمة RAG بخمسة أضعاف: 0,02 دولار بدل 0,10 دولار لكل مليون رمز

تحوّل التضمينات (Embeddings) النص إلى مجموعة أرقام، تعتمد عليها أنظمة RAG والبحث في العثور على المستندات المتشابهة. أطلقت OpenAI نموذج text-embedding-3-small: يبلغ سعر مليون رمز 0,02 دولار بدل 0,10 دولار للنموذج السابق ada-002، أي أرخص بخمسة أضعاف. وفي اختبار البحث متعدد اللغات MIRACL يعثر النموذج على المستند المطلوب في 44% من الحالات بدل 31,4%. إذا كان نظام RAG لديك يعمل على ada-002، فإن الانتقال سيعوّض كلفته سريعًا، لكن الأرشيف سيحتاج إلى إعادة احتساب كاملة.

معالج بواسطة الذكاء الاصطناعي من X: @OpenAI؛ بتحرير Hamidun News
OpenAI تخفّض تكلفة التضمينات لأنظمة RAG بخمسة أضعاف: 0,02 دولار بدل 0,10 دولار لكل مليون رمز
المصدر: X: @OpenAI. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @OpenAI ↗
رئيس التحرير
النموذج الأكبر largeمتجه من 3072 رقمًا، ودقة 54,9% في MIRACL، وسعر 0,13 دولار لكل مليون رمز
تتيح المعلمة dimensions ضغط المتجهنموذج large بـ 256 رقمًا يتفوق على ada-002
متجهات النموذج القديم والجديد غير متوافقةيجب إعادة بناء الفهرس بالكامل

إذا كنت تبني بحثًا في المستندات، أو دردشة مع قاعدة معرفية، أو نظام RAG، فإن التضمينات هي أقل بنود الإنفاق ظهورًا وأكثرها كثافة في الاستخدام. يتحول كل مقطع نصي أولًا إلى مجموعة أرقام، ثم يقارن النظام هذه المجموعات ويعثر على الأقرب منها من حيث المعنى. في 25 يناير 2024 أعلنت OpenAI تحديثًا لمنصة المطورين وأطلقت نموذج text-embedding-3-small الجديد. تبلغ كلفة معالجة مليون رمز (نحو 750 ألف كلمة إنجليزية) فيه 0,02 دولار، مقابل 0,10 دولار للنموذج السابق text-embedding-ada-002. أي أرخص بخمسة أضعاف، ومع ذلك لم تنخفض الجودة بل ارتفعت.

شمل الإعلان نفسه تحديثًا لـ GPT-4 Turbo وخفضًا لسعر GPT-3.5 Turbo، لكن التضمينات هي الأكثر تأثيرًا في اقتصاديات البحث، ولذلك سنركز عليها.

ما الذي صدر تحديدًا

لدى OpenAI الآن نموذجان جديدان: text-embedding-3-small وtext-embedding-3-large. ظهر النموذج السابق ada-002 في ديسمبر 2022، وظل الخيار الافتراضي لأكثر من عام.

يبلغ سعر النموذج الأصغر small نحو 0,02 دولار لكل مليون رمز. للتوضيح: إذا كانت القاعدة تضم 100 ألف مستند، في كل منها 1000 رمز، أي 100 مليون رمز، فستكلّف الفهرسة لمرة واحدة 2 دولار بدل 10 دولارات.

ارتفعت الجودة. ففي اختبار MTEB الإنجليزي يحقق small نسبة 62,3% مقابل 61,0% لنموذج ada-002. والفارق أوضح في البحث متعدد اللغات MIRACL: 44,0% مقابل 31,4%. ببساطة، صار النظام يعثر على المستند المطلوب بوتيرة أعلى بكثير عند الاستعلام بلغات غير الإنجليزية.

أما النموذج الأكبر large فيُخرج متجهات من 3072 رقمًا. ويحقق 64,6% في MTEB و54,9% في MIRACL. وسعره 0,13 دولار لكل مليون رمز، أي أعلى قليلًا من ada-002، لكنه الخيار الأدق في الأسرة.

كيف يعمل ضغط المتجهات

أكثر المزايا عملية هي المعلمة dimensions. فكلما طال المتجه زادت المساحة التي يشغلها في قاعدة المتجهات وبطؤ البحث. في السابق لم يكن بالإمكان اختيار الطول: كان ada-002 يُرجع دائمًا 1536 رقمًا.

الآن يمكن تقصير المتجه مباشرة عند الاستدعاء عبر API. وبحسب بيانات OpenAI، فإن large المقتطع إلى 256 رقمًا يتفوق في MTEB على ada-002 كامل الحجم بأرقامه الـ 1536. تخيّل خزانة بطاقات: بدل خزانة مليئة ببطاقات مفصّلة، تحتفظ ببطاقات قصيرة، وتجد المطلوب منها بكفاءة لا تقل عن ذي قبل. وبالنسبة لقاعدة من ملايين المستندات، يعني ذلك فاتورة تخزين أقل وبحثًا أسرع.

ماذا تفعل عمليًا

أولًا: إذا كان لديك نظام إنتاجي على ada-002 وعدد كبير من الاستعلامات، فإن small مرشح واضح للاستبدال. ستنخفض فاتورة التضمينات بنحو خمسة أضعاف.

ثانيًا: الانتقال لا يقتصر على تغيير اسم النموذج في الكود. فمتجهات النماذج المختلفة غير متوافقة، ولذلك لا يمكن البحث بالمتجهات الجديدة في الفهرس القديم. سيتعين إعادة احتساب التضمينات لجميع المستندات. هذه عملية تُجرى مرة واحدة، وبسعر small ستكون كلفتها منخفضة، لكن من الأفضل التخطيط لها وتجربتها أولًا على نسخة من القاعدة.

ثالثًا: إذا كان البحث في النصوص الروسية أو غيرها من اللغات غير الإنجليزية مهمًّا لك، فانظر إلى MIRACL وليس إلى MTEB وحده. أرقام OpenAI مأخوذة من اختبارات عامة، وقد تختلف النتيجة على بياناتك. لذلك، قبل الانتقال، خذ مجموعة استعلامات نموذجية خاصة بك وقارن عدد المرات التي يعثر فيها النموذج القديم والجديد على المستند الصحيح.

رابعًا: إذا كنت تحتاج أقصى جودة والسعر ثانوي، فاختر large وجرّب المعلمة dimensions فورًا. اختر طول المتجه الذي تظل عنده الجودة على بياناتك مقبولة، بينما تبقى القاعدة مضغوطة.

وهناك قيود أيضًا. فمكسب small في MTEB يبلغ 1,3 نقطة، وهو قليل، ولذلك فإن السببين الرئيسيين للانتقال هما السعر ودعم اللغات المتعددة. أما كيف تتصرف النماذج مع النصوص المتخصصة الضيقة، كالطبية أو القانونية، فلا يتضح من الإعلان. كما ينبغي أخذ تحديث GPT-4 Turbo وخفض أسعار GPT-3.5 Turbo في الحسبان عند تخطيط الميزانية، لكن قرار البحث يُفضَّل اتخاذه بمعزل عنهما، وبناءً على قياساتك الخاصة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ما الذي صدر تحديدًا؟

لدى OpenAI الآن نموذجان جديدان: text-embedding-3-small وtext-embedding-3-large. ظهر النموذج السابق ada-002 في ديسمبر 2022، وظل الخيار الافتراضي لأكثر من عام. يبلغ سعر النموذج الأصغر small نحو 0,02 دولار لكل مليون رمز. للتوضيح: إذا كانت القاعدة تضم 100 ألف مستند، في كل منها 1000 رمز، أي 100 مليون رمز، فستكلّف الفهرسة لمرة واحدة 2 دولار بدل 10 دولارات. ارتفعت الجودة. ففي اختبار MTEB الإنجليزي يحقق small نسبة 62,3% مقابل 61,0% لنموذج ada-002. والفارق أوضح في البحث متعدد اللغات MIRACL: 44,0% مقابل 31,4%.

ما أبرز التفاصيل حول كيف يعمل ضغط المتجهات؟

أكثر المزايا عملية هي المعلمة dimensions. فكلما طال المتجه زادت المساحة التي يشغلها في قاعدة المتجهات وبطؤ البحث. في السابق لم يكن بالإمكان اختيار الطول: كان ada-002 يُرجع دائمًا 1536 رقمًا. الآن يمكن تقصير المتجه مباشرة عند الاستدعاء عبر API. وبحسب بيانات OpenAI، فإن large المقتطع إلى 256 رقمًا يتفوق في MTEB على ada-002 كامل الحجم بأرقامه الـ 1536. تخيّل خزانة بطاقات: بدل خزانة مليئة ببطاقات مفصّلة، تحتفظ ببطاقات قصيرة، وتجد المطلوب منها بكفاءة لا تقل عن ذي قبل.

ما أبرز التفاصيل حول ماذا تفعل عمليًا؟

أولًا: إذا كان لديك نظام إنتاجي على ada-002 وعدد كبير من الاستعلامات، فإن small مرشح واضح للاستبدال. ستنخفض فاتورة التضمينات بنحو خمسة أضعاف. ثانيًا: الانتقال لا يقتصر على تغيير اسم النموذج في الكود. فمتجهات النماذج المختلفة غير متوافقة، ولذلك لا يمكن البحث بالمتجهات الجديدة في الفهرس القديم. سيتعين إعادة احتساب التضمينات لجميع المستندات. هذه عملية تُجرى مرة واحدة، وبسعر small ستكون كلفتها منخفضة، لكن من الأفضل التخطيط لها وتجربتها أولًا على نسخة من القاعدة.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…