نماذج اتخاذ القرار تردّ في أجزاء من الثانية: Jev بسعر 0.042 دولار لكل مليون توكن
Decision Models هي نماذج اتخاذ القرار: لا تكتب إجابة بالكلمات، بل تُخرج مباشرةً احتمالات الخيارات. فعلى شكوى مثل «خُصم المبلغ ولا يوجد طلب»، يأتي ردّ النموذج: «الدعم الفني — 87%، المحاسبة — 10%»، وهذا كل شيء. وقد بلغ سعر أول هذه النماذج، Jev من TypeSafe AI، عند الإطلاق 0.042 دولار لكل مليون توكن إدخال، بينما لم تُحتسب رسوم على توكنات الإخراج. لذلك يكون أرخص تكليف هذا النوع من النماذج بالخيارات الروتينية داخل الوكلاء، وترك الحالات المعقدة لنموذج LLM كبير.
معالج بواسطة الذكاء الاصطناعي من Habr AI؛ بتحرير Hamidun News
تخيّل أنك تبني وكيل ذكاء اصطناعي للدعم الفني. يكتب العميل: «دفعت ثمن الطلب أمس، وخُصم المبلغ، لكن الطلب غير موجود في حسابي الشخصي». كل ما على الوكيل فعله هو اختيار الجهة التي سيُحوَّل إليها الطلب، لكنه يشغّل لذلك نموذجًا لغويًا باهظ الكلفة يبدأ بالتفكير في ثلاث فقرات.
في خريف 2026 ظهرت فئة مستقلة من الحلول لهذه المشكلة: Decision Models، أي نماذج اتخاذ القرار. هذه النماذج لا تتحاور مع الإنسان ولا تكتب نصًا، بل تُرجع احتمالات للخيارات المحددة مسبقًا. وكان Jev من شركة TypeSafe AI أول هذه النماذج، إذ صدر في سبتمبر بسعر 0.
042 دولار لكل مليون توكن إدخال (والتوكن هو قطعة صغيرة من الكلمة تقريبًا)، ولم تكن بيانات الإخراج مُسعَّرة عند الإطلاق. وللمقارنة، تتقاضى Gemini Decision 1 من Google مبلغ 0.10 دولار لكل مليون توكن إدخال.
ماذا يفعل هذا النموذج؟ مثال بسيط
يشير الاسم إلى كتاب دانيال كانمان: «النظام 1» هو التفكير السريع الحدسي، و«النظام 2» هو التفكير البطيء الواعي. أما Decision Models، أو System One Models، فهي الجزء «السريع» من الذكاء الاصطناعي. فعلى الشكوى المتعلقة بالمبلغ المخصوم، لا يُرجع النموذج سوى أرقام: الدعم الفني — 87%، المحاسبة — 10%، التوصيل — 2%، المبيعات — 1%. لا شروحات، بل ما يستطيع البرنامج استخدامه فورًا.
تعالج معظم النماذج ثلاثة أنواع من المهام:
- Choice — اختيار خيار واحد من قائمة: إلى من يُحوَّل الطلب، أو أي إجراء يُنفَّذ بعد ذلك.
- Yes/No — التحقق من شرط: هل يستوفي المستند المتطلبات، وهل في الردّ خطأ، وهل يلزم تدخل بشري.
- Score — التقييم على مقياس: ما مدى إلحاح المهمة، أو ما مدى ملاءمة المستند للطلب.
وتقبل نماذج كثيرة عدة أسئلة دفعة واحدة عن الكائن نفسه، وتجيب عنها في طلب واحد.
ما الفرق بينها وبين المصنِّف التقليدي وLLM؟
المصنِّفات قديمة: الانحدار اللوجستي والغابة العشوائية وCatBoost. لكن نموذج مكافحة الاحتيال المدرَّب على المعاملات لن يقيّم جودة ردّ الدعم الفني: فالمهمة الجديدة تحتاج إلى نموذج آخر أو إلى إعادة تدريب. أما Decision Model فتحاول الجمع بين شمولية LLM وسهولة استخدام المصنِّف. إذ تُحدَّد الخيارات والمعايير في الطلب نفسه، دون إعادة تدريب. ويستدرك كاتب المقال بأن المصنِّف المتخصص قد يكون، في المهام المستقرة ذات التعريف الواضح، أدق وأسرع وأرخص.
وأمام LLM التقليدي، لدى هذه النماذج الجديدة أربع حجج:
- السرعة. يولّد LLM الإجابة توكنًا بعد توكن، حتى لو كان المطلوب «نعم» أو «لا» فقط. أما كثير من Decision Models فتقيّم الخيارات في مرور واحد عبر الشبكة، فيصل الردّ خلال عشرات أو مئات الميلي ثانية.
- السعر. يكلّف Liquid d1-ultra تقريبًا ما يكلّفه Jev. وفي الطلب الواحد يكون الفارق ضئيلًا، لكنه يصبح ملموسًا عند ملايين القرارات يوميًا.
- الصيغة. الردّ محصور في مجموعة محددة من الخيارات. لكن سلامة الصيغة لا تعني صحة القرار: فهذه النماذج قد تخطئ أيضًا.
- الثقة. تتيح الاحتمالات معالجة الحالات البسيطة تلقائيًا، وإحالة المعقدة منها إلى نموذج أقوى أو إلى إنسان. فإذا قال النموذج «90%» مئة مرة، فينبغي أن يكون محقًّا في نحو 90 حالة. وهذا يجب التحقق منه على بياناتكم الخاصة.
من أصدر نماذجه حتى الآن؟
بدأت الموجة في 15 سبتمبر 2026 مع Jev، وأسّس TypeSafe AI موظف سابق في OpenAI هو ديوغو ألميدا. ثم ظهرت Tev1 من Together AI (22 سبتمبر)، وKev المفتوحة (24 سبتمبر)، وClef من Cloudflare (1 أكتوبر)، وd1 متعددة الوسائط من Liquid AI (5 أكتوبر)، وLiquid d1-ultra (15 أكتوبر)، وDecisions API من OpenAI (22 أكتوبر)، وGemini Decision 1 (11 نوفمبر). وفي 17 نوفمبر صدرت Liquid AI d1.2.
تتوفر عبر API كل من Jev وLiquid d1.1 وd1-ultra، وGemini Decision 1 (نص وصور وصوت وفيديو وPDF)، وOpenAI Decisions API المبنية على GPT-6 Luna، وPerplexity Decider وDecider Flash v1.3، إضافةً إلى عائلة Clef وClef-flash وClef-omni.
ويمكن تشغيل النماذج التالية محليًا: Kev 4B المبنية على Qwen3.5، وLiquid d1-2B وd1-Omni-2B، والنموذج التجريبي d1-omni-600M بـ600 مليون معامل، وPerplexity Decider Flash، وعائلة Laya المبنية على ModernBERT وmmBERT، والأوزان المفتوحة لـClef وClef-flash، وكذلك Tev1 4B و0.8B. وتختلف بنيتها الداخلية: بعضها لا يولّد توكنات إطلاقًا، وبعضها الآخر نماذج لغوية مُدرَّبة إضافيًا تعطي ردًّا قصيرًا جدًا.
كيف نستفيد منها؟
أوضح نمط للوكلاء هو «الدماغ والمنعكسات». يضع LLM القوي الاستراتيجية والخطط، بينما تختار Decision Model الصغيرة الخطوة التالية باستمرار، ولا تستدعي النموذج الكبير إلا في المواقف غير المعتادة. ومن الاستخدامات الأخرى: توجيه الطلبات بين الوكلاء، واختيار الأدوات، والتحقق من إجابات النماذج الأخرى، وتقييم الشيفرة البرمجية، والإشراف على المحتوى، واكتشاف محاولات التلاعب بالوكيل.
وثمة قيود أيضًا. فلم يعرض الكاتب حتى الآن جداول مقارنة خاصة به، ويَعِد بها في الجزء التالي، لذا ينبغي التحقق من أرقام الجودة بأنفسكم. ابدؤوا بمجموعة صغيرة من الأمثلة الموسومة من تدفق بياناتكم، وقارنوا اختيارات النماذج بالوسم اليدوي. ثم افحصوا المعايرة: هل تتطابق الثقة المعلنة مع النسبة الفعلية للإجابات الصحيحة. وبعد ذلك فقط حدّدوا العتبة التي يُحال دونها القرار إلى النموذج الكبير أو إلى إنسان.
- 21 نوفمبر 2026صندوق Plural يجمع مليار يورو — ضعف حجم صندوقه السابق — لدعم الشركات الناشئة الأوروبية
- 21 نوفمبر 2026مجلس إدارة Nvidia يقيل هوانغ: صفقة Hugging Face البالغة 12.9 مليار دولار في خطر
- 21 نوفمبر 2026OpenAI تفتح نماذجها أمام أربعة مدققين خارجيين: Apollo وMETR وTransluce وGoodfire
- 21 نوفمبر 2026كاليفورنيا تقاضي OpenAI بسبب وكلاء ذكاء اصطناعي اخترقوا Hugging Face: غرامة 2500 دولار عن كل مخالفة
أسئلة وأجوبة حول الخبر
ما الفرق بينها وبين المصنِّف التقليدي وLLM؟
المصنِّفات قديمة: الانحدار اللوجستي والغابة العشوائية وCatBoost. لكن نموذج مكافحة الاحتيال المدرَّب على المعاملات لن يقيّم جودة ردّ الدعم الفني: فالمهمة الجديدة تحتاج إلى نموذج آخر أو إلى إعادة تدريب. أما Decision Model فتحاول الجمع بين شمولية LLM وسهولة استخدام المصنِّف. إذ تُحدَّد الخيارات والمعايير في الطلب نفسه، دون إعادة تدريب. ويستدرك كاتب المقال بأن المصنِّف المتخصص قد يكون، في المهام المستقرة ذات التعريف الواضح، أدق وأسرع وأرخص. وأمام LLM التقليدي، لدى هذه النماذج الجديدة أربع حجج: السرعة.
من أصدر نماذجه حتى الآن؟
بدأت الموجة في 15 سبتمبر 2026 مع Jev، وأسّس TypeSafe AI موظف سابق في OpenAI هو ديوغو ألميدا. ثم ظهرت Tev1 من Together AI (22 سبتمبر)، وKev المفتوحة (24 سبتمبر)، وClef من Cloudflare (1 أكتوبر)، وd1 متعددة الوسائط من Liquid AI (5 أكتوبر)، وLiquid d1-ultra (15 أكتوبر)، وDecisions API من OpenAI (22 أكتوبر)، وGemini Decision 1 (11 نوفمبر). وفي 17 نوفمبر صدرت Liquid AI d1.2.
كيف نستفيد منها؟
أوضح نمط للوكلاء هو «الدماغ والمنعكسات». يضع LLM القوي الاستراتيجية والخطط، بينما تختار Decision Model الصغيرة الخطوة التالية باستمرار، ولا تستدعي النموذج الكبير إلا في المواقف غير المعتادة. ومن الاستخدامات الأخرى: توجيه الطلبات بين الوكلاء، واختيار الأدوات، والتحقق من إجابات النماذج الأخرى، وتقييم الشيفرة البرمجية، والإشراف على المحتوى، واكتشاف محاولات التلاعب بالوكيل. وثمة قيود أيضًا. فلم يعرض الكاتب حتى الآن جداول مقارنة خاصة به، ويَعِد بها في الجزء التالي، لذا ينبغي التحقق من أرقام الجودة بأنفسكم.
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.
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.