النماذج اللغوية الكبيرة: لماذا يبقى التشغيل الجاهز وهمًا

يشهد سوق النماذج اللغوية الكبيرة المفتوحة طفرة حقيقية. فنماذج GLM وKimi وDeepSeek وعشرات المشاريع الأخرى تقتحم المراتب الأولى في اختبارات الأداء، ويتزايد عدد الجهات المطوِّرة أسرع مما تستطيع الصناعة فهرسته. وقد يبدو أن العصر الذهبي لإتاحة الذكاء الاصطناعي للجميع قد حلّ: حمِّل النموذج، وانشره، واستخدمه. لكن الواقع أقل إشراقًا بكثير: فعمليًا لا يعمل أي نموذج لغوي كبير مفتوح من الصندوق، وحتى أقوى عتاد الخوادم لا ينقذ من ساعات مرهقة من تصحيح الأخطاء.

هذا ما خلص إليه مهندس نشر على Habr تحليلًا مفصلًا لتجربته في تشغيل أحدث النماذج الضخمة. كانت المهمة عملية تمامًا: استعراض النماذج اللغوية الرئيسية واختبارها واختيار «حصان عمل» موثوق للمهام اليومية. أما المنصة فليست رخيصة: خوادم قائمة على NVIDIA B200 وH200، وتعريفات حديثة بإصدار 590.48.01، وصور vLLM-OpenAI للاستدلال. يبدو كل شيء وفق الكتاب المدرسي. لكن تبيّن أن أحدًا لم يكتب هذا الكتاب فعلًا.

لا تكمن المشكلة في النماذج نفسها ولا في العتاد، بل في الهوة الواسعة بين نشر الأوزان والقدرة الفعلية على استخدامها. فكل نموذج يحتاج إلى مجموعته الخاصة من «الحلول الترقيعية»: إعدادات بيئة محددة، وتعديلات على ملفات التكوين، وأحيانًا تخصيصًا لصور Docker. وقد بسّط صدور vLLM بإصدار 0.16 الوضع قليلًا، لكن المؤلف يشير صراحة إلى أن الحلول الالتفافية الأساسية بقيت كما هي. فقد تعلّم الإطار معالجة بعض الحالات الحدّية تلقائيًا، غير أن مشكلة التوافق الجوهرية لم تختفِ.

ومن اللافت بشكل خاص أن المؤلف اضطر إلى البحث عن جزء كبير من الحلول في المنتديات التقنية الصينية. وهذا ليس مصادفة؛ فمعظم النماذج المفتوحة الرائدة في العام الأخير خرجت من مختبرات صينية، ومجتمع المهندسين الصيني هو أول من يصطدم بالعقبات الخفية عند نشرها. أما التوثيق بالإنجليزية، فضلًا عن الروسية، فيتأخر غالبًا أسابيع بل أشهرًا. ويشكّل ذلك حاجزًا إضافيًا ملموسًا للمختصين الذين لا يقرؤون الصينية.

ويكشف هذا الوضع مشكلة بنيوية في منظومة النماذج اللغوية المفتوحة كلها. فالجهات المطوِّرة منشغلة بسباق اختبارات الأداء: من يحصد نقاطًا أكثر في MMLU أو HumanEval أو Arena Elo. ويُنظر إلى نشر الأوزان على Hugging Face بوصفه نقطة النهاية، أما كل ما يأتي بعد ذلك، من النشر وتحسين الاستدلال والدمج في مسارات الإنتاج، فيقع على عاتق المستخدمين. ونتيجة لذلك، تنفق حتى الشركات ذات البنية التحتية القوية ساعات هندسية غير متناسبة لمجرد جعل النموذج يردّ على الطلبات.

ويبدو ذلك أشد وضوحًا في ظل سرعة تغيّر المشهد. فنماذج جديدة تظهر كل أسبوع تقريبًا. وإذا استغرق تصحيح كل نموذج يومًا أو يومين من وقت مهندس مؤهل، فإن كلفة المقارنة البسيطة بين خمسة أو ستة مرشحين تصبح محسوسة حتى للفرق الكبيرة. ثم إن اختيار النموذج لا ينهي العمل؛ إذ يبقى ضبطه لمهام محددة، وإعداد المراقبة، وضمان استقرار التشغيل تحت الأحمال.

ومع ذلك، ثمة إشارات إيجابية في الأفق. فمشروع vLLM يتطور بنشاط، ويتولى مع كل إصدار مزيدًا من أعمال التوافق الروتينية. وتظهر صيغ نماذج موحّدة وتكوينات متسقة. ويخفف مزودو الخدمات السحابية الذين يقدّمون الاستدلال كخدمة جزءًا من العناء عن المستخدمين النهائيين. لكن الصناعة ما زالت بعيدة عن اليوم الذي يصبح فيه تنزيل نموذج لغوي مفتوح وتشغيله بسهولة تثبيت تطبيق عادي.

ومفارقة اللحظة الراهنة أن «انفتاح» النموذج لم يعد يعني «إتاحته». فالأوزان منشورة، والترخيص يسمح بالاستخدام التجاري، لكن بين تنزيل الملف وخدمة تعمل فعلًا حقلًا كاملًا من القرارات غير البديهية التي تتطلب خبرة عميقة. وما لم تبدأ الجهات المطوِّرة بالتعامل مع النشر بالجدية نفسها التي تتعامل بها مع التدريب، سيظل على المهندسين جمع الوصفات من المنتديات، سواء كانت صينية أو إنجليزية أو روسية.