MLCommons تبدأ قياس واجهات الذكاء الاصطناعي تحت حمل حقيقي: 7 قياسات للوكلاء
كانت MLCommons، الجهة التي تقف خلف اختبارات MLPerf، تقارن الرقائق في المختبر سابقًا، بينما يهمّ المشتري كيف تتصرف واجهة الذكاء الاصطناعي الجاهزة تحت الحمل. يفحص MLPerf Endpoints v1.0 الجديد الخدمة كاملة: العتاد والنموذج وبرمجيات الخادم والشبكة. وفي مهام الوكلاء، يجري المزوّد 7 قياسات بالضبط عند أعداد مختلفة من الطلبات المتزامنة، فيظهر الموضع الذي تنهار عنده السرعة فجأة. لذلك ينبغي مقارنة المزوّدين بهذا المنحنى لا بأعلى درجة مسجّلة.
معالج بواسطة الذكاء الاصطناعي من MLCommons؛ بتحرير Hamidun News
تخيّل أنك تختار المنصة التي ستشغّل عليها نموذجًا لمنتجك: عند أحد المزوّدين يتصدّر الجدول رقم قياسي للسرعة، وعند الآخر رقم أكثر تواضعًا. المشكلة أن الرقم القياسي يُسجَّل عادةً على مسرّع مضبوط بإتقان ودون مستخدمين حقيقيين. وحين يرسل مئات العملاء طلباتهم في وقت واحد إلى واجهة API جاهزة، قد تختلف الصورة تمامًا. أطلق اتحاد MLCommons، الذي يضع اختبارات MLPerf المرجعية، اختبار MLPerf Endpoints v1.0 لسدّ هذه الفجوة: فهو لا يقيس الرقاقة، بل الخدمة العاملة كاملة، بالطريقة التي يستخدمها بها المشترون.
ما الذي تغيّر مقارنةً بـ MLPerf السابق
كان MLPerf يقيس سابقًا العتاد المنفرد في الأساس. أما Endpoints فيأخذ نقطة وصول API حيّة، أي العنوان الذي يرسل إليه العملاء طلباتهم، ويضغط عليها بأسلوب قتالي. وتدخل في النتيجة المنظومة بأكملها: المسرّعات والنموذج نفسه وبرمجيات الخادم الخاصة بالاستدلال (inference) والتجميع في دفعات (batching)، أي طريقة تجميع الطلبات قبل معالجتها، والشبكة.
يشبّه المؤلفون الاختبارات المعيارية المعتادة بشراء سيارة بالاعتماد على السرعة القصوى على عدّاد السرعة دون أي رحلة تجريبية. فالدرجة القصوى الواحدة تدلّ فقط على كيفية تعامل النظام مع اختبار بعينه. وبالنسبة إلى مزوّدي السحابة ومصنّعي الخوادم و«السحابات الجديدة» (neoclouds، وهي شركات ناشئة تؤجّر وحدات GPU)، يتحوّل ذلك إلى سباق لضبط الإعدادات على الاختبار، وصلته بالفائدة الفعلية للأعمال ضعيفة.
وبدلًا من رقم واحد، يبني الإصدار v1.0 جبهة باريتو (Pareto): مجموعة أنماط تشغيل جرى قياسها فعلًا، يظهر فيها التوازن بين الإنتاجية (throughput) وزمن الاستجابة. ولا تُقدَّر البيانات ولا تُستكمل بالاستيفاء الداخلي، أي لا يُرسم الخط بين النقاط من عندنا. وتعرض النتيجة أداة التصوير MLPerf LoadStair: رسم بياني متدرّج فيه «انهيارات» في الأداء، أي مستويات حمل يسوء بعدها الوضع على العملاء بوضوح.
وثمة ميزة للمهندسين أيضًا. إذا كتبتَ جدولة طلبات خاصة بك أو حسّنتَ شبكة الاتصال، فكثيرًا ما لا تلتقط الاختبارات الكلاسيكية ذلك. أما هنا فتغيّر هذه التحسينات المنحنى النهائي.
ما الذي يُقاس بالضبط: أحمال العمل و«7 قياسات»
لا يعتمد الإصدار v1.0 على مهام اصطناعية، بل على سيناريوهات قريبة مما يشغّله العملاء اليوم. المجموعة الأولى هي تلخيص النصوص لمرة واحدة: Llama 3.1 8B Instruct وGPT-OSS 120B، مع مجموعة بيانات الأخبار CNN/DailyMail، إضافةً إلى مسائل معقدة في الرياضيات والعلوم يولّد فيها النموذج توكنات لفترة طويلة. والمجموعة الثانية هي البرمجة الوكيلية بحوارات متعددة الأدوار: Qwen 3.6 وKimi K3 وDeepSeek V4 Pro. وقد أُخذ لها 613 مسارًا (trajectory) يتسع فيها السياق من خطوة إلى أخرى. فالوكلاء يضغطون على الخدمة بطريقة مختلفة عن الطلبات المنفردة: إذ يزيد السياق المتراكم الضغط على الذاكرة وأزمنة الاستجابة.
يُقصد بـ«القياس» هنا تشغيل واحد عند مستوى توازٍ محدد، أي عند عدد معيّن من الطلبات المتزامنة. ومن هذه النقاط يتكوّن المنحنى. وفي اختبارات الوكلاء، يجب على المزوّد أخذ 7 نقاط بالضبط، أما في بقية المجموعات فمن 8 إلى 32 نقطة، بما فيها تشغيل منفصل دون اتصال (offline).
المقاييس الأساسية هي الإنتاجية بالتوكنات في الثانية، وزمن الوصول إلى أول توكن عند المئين التسعين (TTFT P90). وببساطة، هذه هي المدة التي تُنجَز ضمنها 90% من الطلبات. وإضافةً إلى ذلك، ظهر في v1.0 تطبيع بحسب القدرة الكهربائية: إذ يذكر المشاركون القدرة المخصصة للنظام في ملف system_power.json.
كيف تُرسَل النتائج
يَعِد المؤلفون بجهد هندسي أقل بكثير مما تتطلبه الاختبارات السابقة. يلزم توقيع اتفاقية ترخيص MLCommons (CLA)، والحصول على مفتاح PRISM API عبر حساب المشارك، وتثبيت العملاء المرجعيين. بعد ذلك تُخطَّط نقاط الحمل وتُشغَّل الاختبارات بأداة inference-endpoint. ثم تُجمَّع حزمة تضم الملفين system_desc.json (إعدادات العتاد والبرمجيات) وsystem_power.json، وتُجرى فحوص محلية عبر CLI، ثم يُرفع الناتج. وينشئ النظام تلقائيًا معرّف الطلب (ID) وطلب سحب (pull request) للمراجعة في مستودع MLCommons المغلق.
تجري عمليات التقديم بصورة مستمرة، بينما تصدر المنشورات على دفعات (cohorts) كل بضعة أسابيع. وتخضع النتائج لمراجعة منافسين من القطاع ولتدقيق من طرف ثالث. والقاعدة الجديدة: يمكن عرض النتائج الأولية فور الفحص الآلي، قبل المراجعة. أما النتائج النهائية فتُحجَب عند الحاجة بموجب حظر نشر (embargo) لإصدارها مع إطلاق المنتج.
ماذا يعني ذلك عمليًا
إذا كنت تختار مزوّد استدلال أو سحابة، فلا تنظر إلى القيمة القصوى، بل إلى المنحنى تحت الحمل وإلى النقطة التي ينكسر عندها. وهذا مهم خاصة للمنتجات الوكيلية: فالسياقات الطويلة هي في الغالب ما يسبّب الهبوط.
وثمة قيود أيضًا. فالاختبار لم يُطلق إلا الآن، والمصدر لا يذكر كم نتيجة نُشرت حتى الآن، كما أن مجموعة المهام تقتصر حاليًا على التلخيص والبرمجة. ويراجع المشاركون في السوق نتائج بعضهم بعضًا، لذا تتوقف قيمة الاختبارات على عدد المزوّدين الذين سيقدّمون أنظمتهم فعلًا. لكن فكرة قياس الخدمة كما يستخدمها العملاء أنفع من سباق آخر نحو أعلى درجة مسجّلة.
- 21 نوفمبر 2026كاليفورنيا تقاضي OpenAI: وكلاء الذكاء الاصطناعي لديها خرجوا عن السيطرة 80 مرة على الأقل
- 21 نوفمبر 2026Meta تُعدّ جهاز Muse Charm بتقنيات الذكاء الاصطناعي على غرار تاماغوتشي بسعر 300 دولار مع عام من خدمة 5G من Verizon
- 21 نوفمبر 2026Unsloth تحدّث نسخ Qwen3.8-27B المضغوطة: الدقة ارتفعت بنسبة 5–10% عند الحجم نفسه
- 21 نوفمبر 2026Apple تبني وكيل ذكاء اصطناعي لنظام Mac وتصعّب الوصول على الآخرين: 14 نقرة بدلاً من 4
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي تغيّر مقارنةً بـ MLPerf السابق؟
كان MLPerf يقيس سابقًا العتاد المنفرد في الأساس. أما Endpoints فيأخذ نقطة وصول API حيّة، أي العنوان الذي يرسل إليه العملاء طلباتهم، ويضغط عليها بأسلوب قتالي. وتدخل في النتيجة المنظومة بأكملها: المسرّعات والنموذج نفسه وبرمجيات الخادم الخاصة بالاستدلال (inference) والتجميع في دفعات (batching)، أي طريقة تجميع الطلبات قبل معالجتها، والشبكة. يشبّه المؤلفون الاختبارات المعيارية المعتادة بشراء سيارة بالاعتماد على السرعة القصوى على عدّاد السرعة دون أي رحلة تجريبية.
ما أبرز التفاصيل حول ما الذي يُقاس بالضبط: أحمال العمل و«7 قياسات»؟
لا يعتمد الإصدار v1.0 على مهام اصطناعية، بل على سيناريوهات قريبة مما يشغّله العملاء اليوم. المجموعة الأولى هي تلخيص النصوص لمرة واحدة: Llama 3.1 8B Instruct وGPT-OSS 120B، مع مجموعة بيانات الأخبار CNN/DailyMail، إضافةً إلى مسائل معقدة في الرياضيات والعلوم يولّد فيها النموذج توكنات لفترة طويلة. والمجموعة الثانية هي البرمجة الوكيلية بحوارات متعددة الأدوار: Qwen 3.6 وKimi K3 وDeepSeek V4 Pro. وقد أُخذ لها 613 مسارًا (trajectory) يتسع فيها السياق من خطوة إلى أخرى.
ما أبرز التفاصيل حول كيف تُرسَل النتائج؟
يَعِد المؤلفون بجهد هندسي أقل بكثير مما تتطلبه الاختبارات السابقة. يلزم توقيع اتفاقية ترخيص MLCommons (CLA)، والحصول على مفتاح PRISM API عبر حساب المشارك، وتثبيت العملاء المرجعيين. بعد ذلك تُخطَّط نقاط الحمل وتُشغَّل الاختبارات بأداة inference-endpoint. ثم تُجمَّع حزمة تضم الملفين system_desc.json (إعدادات العتاد والبرمجيات) وsystem_power.json، وتُجرى فحوص محلية عبر CLI، ثم يُرفع الناتج. وينشئ النظام تلقائيًا معرّف الطلب (ID) وطلب سحب (pull request) للمراجعة في مستودع MLCommons المغلق.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
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.