Gemma 4 وQwen Coder في مواجهة السحابة: نماذج LLM المحلية في العمل الفعلي

تحتل النماذج المحلية مثل Gemma 4 وQwen Coder موقعًا غريبًا: فمن جهة لا يأخذها الكثيرون على محمل الجد، ومن جهة أخرى قلّما اختبر أحد قدراتها في العمل الفعلي بدلًا من الاختبارات المعيارية الاصطناعية (benchmarks).

مشكلة اختبارات YouTube

يعجّ YouTube باختبارات لنماذج LLM المحلية، لكنها كلها متشابهة: يأخذون نموذجًا كبيرًا، ويشغّلونه بأي إعدادات كانت، ثم يطلبون منه كتابة خوارزمية الفرز الفقاعي. وبالطبع سينجح النموذج في ذلك، ولن يتأثر أحد بهذه النتيجة.

السؤال الحقيقي مختلف: هل يستطيع النموذج المحلي كتابة شيفرة تعمل، وإعادة هيكلة ملفات تحتوي على أخطاء برمجية، واستخراج البيانات من HTML، كما في المشاريع الحقيقية؟

معظم الاختبارات تتجاهل المعاملات (parameters)، مع أنها كثيرًا ما تحسم النتيجة. فقيمة temperature الخاطئة، أو نافذة السياق، أو نظام التكميم (quantization)، قد تدفع النتيجة إلى الانهيار. الحصول على نتيجة سيئة من نموذج محلي أمر سهل، أما الحصول على نتيجة جيدة فيتطلب وقتًا.

Gemma 4 وQwen: أي النماذج وفي أي ظروف

اختبر Vyacheslav عدة نماذج، واختار منها ما يتسع فعلًا في 16 غيغابايت من ذاكرة بطاقة رسوميات عادية:

• Gemma 4 (من Google) — نموذج عام يتميز بتوازن جيد
• Qwen 3.6 (من Alibaba) — أداء وسرعة متوازنان
• Qwen Coder — متخصص في توليد الشيفرة وتحليلها
• التشغيل عبر llama.cpp بمعاملات محسّنة
• تحسين استخدام GPU واختيار مستوى التكميم (quantization) المناسب للذاكرة

الجزء الأول من المشكلة هو تشغيل واجهة llama.cpp API ببساطة، والثاني هو اختيار المعاملات الصحيحة. أي مستوى تكميم؟ وأي قيمة لـ temperature؟ وإلى كم رمز (token) يمكن توسيع السياق؟ هذه الأمور يجب أن تُضبط وفق المهمة المحددة، لا أن تُخمَّن.

النتائج في بيئة الوكلاء

لم يختبر المؤلف النماذج على أمثلة معزولة، بل في بيئة وكلاء حقيقية، حيث تتكون سلاسل من الإجراءات يؤدي فيها الخطأ في خطوة واحدة إلى إفساد كل ما بعدها.

• كتابة شيفرة تعمل من المحاولة الأولى
• إعادة هيكلة قاعدة شيفرة تتضمن منطقًا معقدًا وأخطاء قائمة
• استخراج بيانات منظمة من HTML
• اتباع تعليمات معقدة ضمن سياق المهمة
• التكيف مع تغيّر المتطلبات داخل الجلسة الواحدة

أظهرت النتائج أنه عند ضبط المعاملات بشكل صحيح، تتعامل النماذج المحلية مع المهام النمطية بمستوى الحلول السحابية، ودون تأخيرات الشبكة.

لماذا نحتاج إلى نماذج LLM المحلية

قد يبدو أن هذه مسألة أكاديمية، لكن هناك سيناريوهات لا تصلح فيها واجهة API السحابية: البيانات الحساسة، والبيئات المغلقة، ومتطلبات الجهات التنظيمية، وتكلفة API عند التوسع.

تمنحك النماذج المحلية السيطرة. فأنت تعرف أين تجري عملية الحوسبة، ولا مفاجآت تتعلق بتسجيل البيانات. وهذا مهم عند العمل مع معلومات سرية (confidential) أو في بيئات تُحظر فيها واجهات API السحابية.

ماذا يعني ذلك

خرجت نماذج LLM المحلية من مرحلة التجارب، وأصبحت جاهزة للعمل الفعلي، بشرط أن تكون مستعدًا لتخصيص الوقت لضبط المعاملات. وبالنسبة إلى الشركات، يعني ذلك أن الاستثمار في بطاقة رسوميات قد يغني عن واجهات API السحابية في فئة كاملة من المشكلات، من البرمجة إلى معالجة المعلومات الحساسة.