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 الرادارХабр: NLP→ المصدر

Jev يقدّم قرارات جاهزة بدل النص بسرعة تفوق LLM بما بين 40 و200 مرة، وGoogle ترد بنموذج مماثل

كثيرًا ما يحتاج الوكيل الذكي إلى اختيار سريع لا إلى نص: أي أداة يستدعي، أو هل الإجراء خطِر. أطلقت TypeSafe AI نموذج Jev: يتلقى وصفًا للموقف وقائمة أسئلة، ويعيد في تمريرة واحدة إجابات مع احتمالاتها، دون تحليل نص. وبحسب بيانات الشركة، فإنه أسرع من نماذج LLM المعتادة بما بين 40 و200 مرة في مثل هذه المهام. وردّت Google في نوفمبر بنموذج Gemini Decision 1، لذلك يجدر بمن يبني وكلاء ذكيين أن ينتبه إلى هذه النماذج حين يحتاج إلى قرارات سريعة.

معالج بواسطة الذكاء الاصطناعي من Хабр: NLP؛ بتحرير Hamidun News
Jev يقدّم قرارات جاهزة بدل النص بسرعة تفوق LLM بما بين 40 و200 مرة، وGoogle ترد بنموذج مماثل
المصدر: Хабр: NLP. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليХабр: NLP ↗
رئيس التحرير
Gemini Decision 1زمن استجابة 150–250 مللي ثانية، و$0,10 لكل مليون رمز إدخال
حقيقة رئيسية #2حتى 1000 سؤال في الطلب الواحد وسياق بحجم 256 ألف رمز في نموذج Google
حقيقة رئيسية #3سرعة Jev هي ادعاء من الشركة المطوِّرة في مهام الأتمتة، وليست في جميع المهام

تخيّل وكيل دعم تصله رسالة من عميل. عليه أن يحسم ثلاثة أمور: هل يُعاد المال، أم يُحال الطلب إلى موظف بشري، أم يُكتفى بالرد، وهل يلزم فحص إضافي. نموذج LLM المعتاد سيكتب لذلك فقرة نصية، ثم يتعيّن تحليلها بمحلِّل نصوص (parser). وفي سبتمبر 2026 اقترحت TypeSafe AI طريقًا مختلفًا: نموذج Jev لا يولّد نصًا على الإطلاق. فهو يتلقى وصفًا للموقف وقائمة أسئلة بخيارات إجابة محددة سلفًا، ويعيد فورًا اختيارًا مقرونًا باحتمال. وبحسب الشركة نفسها، فإن هذا أسرع بما بين 40 و200 مرة من نماذج LLM التقليدية في المهام الملائمة من مهام الأتمتة. وفي 11 نوفمبر دخلت Google هذا المجال بنموذج Gemini Decision 1. سنستعرض فيما يلي ماهية هذين النموذجين، وأي بدائل أخرى لـ GPT خرجت فعلًا من المختبرات.

نماذج لا تكتب نصًا: Jev وGemini Decision 1

تتميز نماذج LLM الشبيهة بـ GPT بسمتين: بنية Transformer من نوع decoder-only، والتوليد الانحداري الذاتي (autoregressive)، حيث يُتنبأ بالرمز التالي اعتمادًا على الرموز السابقة (مثل الإكمال التلقائي T9 لكن بقدرة أكبر). وهاتان خاصيتان مستقلتان، ويمكن استبدال أيٍّ منهما.

يتخلى Jev عن التوليد التسلسلي حيث يحتاج التطبيق إلى إجابة محددة: اختيار أداة، أو تصنيف طلب، أو تقييم خطر، أو تحديد الخطوة التالية. تُعالَج الأسئلة بالتوازي، وتصل النتيجة منظَّمة ومعها الاحتمالات. ويُدرَّب النموذج بطريقة Reinforcement Learning for Calibrated Decisions (RLCD). وهي لا تعلّمه اختيار الخيار الصحيح فحسب، بل تعلّمه أيضًا تقدير ثقته به بصدق: فإذا قال النموذج «أنا واثق بنسبة 90%» فينبغي أن يطابق ذلك الواقع.

ينبغي التعامل مع رقم 40–200 مرة بحذر. فهي مقارنة أجرتها الشركة المطوِّرة في سيناريوهات محددة، وليست تسريعًا شاملًا للذكاء الاصطناعي. ولم تكشف الشركة حتى الآن عن البنية الداخلية لـ Jev، لذا من السابق لأوانه تصنيفه ضمن نماذج SSM أو الانتباه الخطي (linear attention). كما أن Jev لا يدّعي أنه بديل عن نماذج LLM العامة: يمكن لنموذج أن يكتب الشيفرة، بينما يحسم آخر بسرعة أي أداة يجب استدعاؤها.

يعمل Gemini Decision 1 بالمبدأ نفسه: يقيّم الخيارات في تمريرة واحدة، ويعيد الاحتمالات ومؤشرات الثقة. لكنه متعدد الوسائط: يفهم النصوص والصور والصوت والفيديو وملفات PDF، ويحتفظ بسياق يصل إلى 256 ألف رمز، ويقبل حتى 1000 سؤال مستقل في الطلب الواحد. وتعلن Google زمن استجابة 150–250 مللي ثانية وسعرًا قدره $0,10 لكل مليون رمز إدخال، ولا تُحتسب رموز الإخراج. وبحسب اختبارات الشركة نفسها، يتفوق النموذج على Jev في جزء من المعايير، لكن ليس في كلها. وتستخدمه Google في توجيه الطلبات بين النماذج وفي فحص أمان الأدوات.

الشبكات التكرارية والانتباه الخطي والهجائن

لم تختفِ الشبكات التكرارية، بل أُعيد بناؤها. يحتفظ RWKV بحالة تكرارية عند الاستدلال، ويتدرب بالتوازي. ورغم وجود Key وValue في الاسم، فلا وجود هناك لـ KV-cache متنامٍ (ذاكرة تحوي المفاتيح والقيم القديمة). أما xLSTM فيحدّث LSTM الكلاسيكية: بوابات أُسّية (exponential gating) وذاكرة مصفوفية. وقد درّب فريق NXAI نموذجًا بسبعة مليارات معامل وفتح الشيفرة والأوزان. لكن الأوزان المفتوحة لا تعني أن النموذج سيندمج بسهولة في خادم الاستدلال لديك: فهو يحتاج إلى نوى (kernels) خاصة وتكميم (quantization) ودمج دفعات (batching) سليم، وفي هذا يتفوق Transformer تفوقًا كبيرًا.

يضغط الانتباه الخطي التاريخ في حالة مدمجة حتى لا يحتفظ بمفتاح وقيمة لكل رمز. والسؤال الرئيس هو كيف لا يُمحى المهم. يراعي DeltaNet الصلة المخزَّنة أصلًا قبل الكتابة ويصحّح الذاكرة. ويتحكم Gated DeltaNet في النسيان، ويفعل Kimi Delta Attention (KDA) ذلك على مستوى القنوات. وفي 2026 اقترحت NVIDIA نموذج Gated DeltaNet-2 الذي يُضبط فيه المحو والكتابة بشكل منفصل.

والأكثر شيوعًا في الممارسة هي الهجائن. يضم Qwen3-Next-80B-A3B ثمانين مليار معامل، نحو 3 مليارات منها فعّال لكل رمز، وتتناوب فيه طبقات Gated DeltaNet مع الانتباه الشامل. والفرق بين المعاملات الكلية والفعّالة هو فضل MoE لا فضل بنية جديدة. وفي Kimi Linear 48B-A3B من Moonshot AI تقابل كل ثلاث طبقات KDA طبقة واحدة من الانتباه الكامل: تعالج الكتل الرخيصة معظم التسلسل، وتحتفظ الكتل الشاملة بوصول مباشر إلى السياق. ويبقى KV-cache في هذه النماذج للطبقات الشاملة، لذا يتوقف الوفر الفعلي على حجم الدفعة وطول النص وجودة نوى الحوسبة.

الالتفافات والانتشار: LFM3 وLLaDA وMercury

أظهرت Liquid AI أن الالتفافات (convolutions) تصلح للنصوص أيضًا. ففي LFM2 تُدمج التفافات قصيرة مع طبقات انتباه منفصلة، واختيرت البنية بما يلائم العتاد الفعلي، بما فيه المعالجات المركزية للأجهزة المحمولة. وفي 27 أكتوبر 2026 صدر LFM3 للنص والرؤية والصوت. وفي النموذج النصي LFM3-1.7B تبلغ الطبقات 24، منها 13 التفافية و5 بانتباه محلي و6 بانتباه شامل. وهذا ليس نموذجًا بلا انتباه، فهو ببساطة لا يلزم في كل طبقة. والهدف هو وكلاء محليون في ظل قيود صارمة على الذاكرة والطاقة وزمن الاستجابة.

تغيّر نماذج LLM الانتشارية (diffusion) ترتيب التوليد. يبدأ النموذج من تسلسل مخفي جزئيًا، ويصقل في عدة خطوات مواضع كثيرة دفعة واحدة. وقد حقق LLaDA نتائج تنافسية في عدد من المهام بحجم 6–10B، مع أن Transformer لا يزال في داخله: والفارق تحديدًا في التوليد غير الانحداري. أما Mercury من Inception Labs فقد وصل إلى API تجاري وشيفرة. ويمنح الصقل المتوازي إنتاجية عالية في الاختبارات المنشورة، لكن التكرارات الإضافية تكلّف حوسبة، لذا يتوقف المكسب على طول الإجابة والعتاد. وبالنسبة إلى الشيفرة تبدو الفكرة مغرية: فالتعديلات كثيرًا ما تُطلب في منتصف الملف. غير أن جودة هذا التحرير تحتاج إلى فحص على فروقات (diff) حقيقية.

ماذا يفعل المطوّر

لا ينبغي الخلط بين MoE والتكميم وspeculative decoding وRAG وبين البنى الجديدة: فهذه طرق لتخفيض كلفة LLM لا بدائل عن GPT. والاختيار ينبغي أن يقوم على قيد المنتج. للمعالجة المتدفقة: نماذج تكرارية، وللمستودعات الطويلة: هجائن، وللمساعدين المحليين: نماذج مدمجة للمعالج المركزي أو NPU، وللقرارات السريعة داخل الوكيل: نماذج مثل Jev وGemini Decision 1.

لم يُزِح RWKV ولا الانتباه الخطي ولا الانتشار نموذج Transformer بصورة شاملة حتى الآن: فله بنية تحتية ناضجة وتوسّع مُثبَت. والأجدى أن نسأل لا «أي نموذج أذكى»، بل أي بنية على أي عتاد ومع أي غلاف وكيلي تحل مهمتك على نحو أفضل. وجميع أرقام التسريع هنا هي ادعاءات من الشركات المطوِّرة، لذا اختبرها على حمل العمل الخاص بك.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول نماذج لا تكتب نصًا: Jev وGemini Decision 1؟

تتميز نماذج LLM الشبيهة بـ GPT بسمتين: بنية Transformer من نوع decoder-only، والتوليد الانحداري الذاتي (autoregressive)، حيث يُتنبأ بالرمز التالي اعتمادًا على الرموز السابقة (مثل الإكمال التلقائي T9 لكن بقدرة أكبر). وهاتان خاصيتان مستقلتان، ويمكن استبدال أيٍّ منهما. يتخلى Jev عن التوليد التسلسلي حيث يحتاج التطبيق إلى إجابة محددة: اختيار أداة، أو تصنيف طلب، أو تقييم خطر، أو تحديد الخطوة التالية. تُعالَج الأسئلة بالتوازي، وتصل النتيجة منظَّمة ومعها الاحتمالات.

ما أبرز التفاصيل حول الشبكات التكرارية والانتباه الخطي والهجائن؟

لم تختفِ الشبكات التكرارية، بل أُعيد بناؤها. يحتفظ RWKV بحالة تكرارية عند الاستدلال، ويتدرب بالتوازي. ورغم وجود Key وValue في الاسم، فلا وجود هناك لـ KV-cache متنامٍ (ذاكرة تحوي المفاتيح والقيم القديمة). أما xLSTM فيحدّث LSTM الكلاسيكية: بوابات أُسّية (exponential gating) وذاكرة مصفوفية. وقد درّب فريق NXAI نموذجًا بسبعة مليارات معامل وفتح الشيفرة والأوزان.

ما أبرز التفاصيل حول الالتفافات والانتشار: LFM3 وLLaDA وMercury؟

أظهرت Liquid AI أن الالتفافات (convolutions) تصلح للنصوص أيضًا. ففي LFM2 تُدمج التفافات قصيرة مع طبقات انتباه منفصلة، واختيرت البنية بما يلائم العتاد الفعلي، بما فيه المعالجات المركزية للأجهزة المحمولة. وفي 27 أكتوبر 2026 صدر LFM3 للنص والرؤية والصوت. وفي النموذج النصي LFM3-1.7B تبلغ الطبقات 24، منها 13 التفافية و5 بانتباه محلي و6 بانتباه شامل. وهذا ليس نموذجًا بلا انتباه، فهو ببساطة لا يلزم في كل طبقة. والهدف هو وكلاء محليون في ظل قيود صارمة على الذاكرة والطاقة وزمن الاستجابة.

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…