أدوات AI أخرى: مراجعات ومقارنات

في 16 يوليو 2026 أطلقت Moonshot AI نموذج Kimi K3 بـ 2.8 تريليون معامل إجمالي. تعرضت أسهم أشباه الموصلات الأمريكية لموجة بيع، وتصاعدت القصة حتى اتهم مسؤول في البيت الأبيض الشركة بالاسم بتقطير نماذج Anthropic. ولأن الأرقام بل وحتى التسميات تتناقض بحسب المصدر، يقارن هذا المقال بين ناشري الاختبارات المرجعية والصحافة المالية وإعلانات Moonshot نفسها وصفحة Hugging Face الفعلية، ذاكرًا مَن أنتج كل رقم. في الأداء يسجل 57 نقطة والمركز الثالث في Artificial Analysis Intelligence Index (اعتبارًا من 17 يوليو 2026، مع وجود حصر يضع النتيجة نفسها في المركزين الرابع والسابع). وفي GDPval-AA v2، وهو المقياس الأقرب إلى العمل الحقيقي، يقف K3 عند 1668 مقابل 1760 لـ Fable 5 و1600 لـ Opus 4.8 — أي قفزة قدرها 478 نقطة عن الجيل السابق K2.6 عند 1190، وهذا التقليص للفجوة، لا الترتيب المطلق، هو ما حرّك السوق. وفي البرمجة احتل المركز الأول في Frontend Code Arena من Arena.ai بنتيجة 1679 (‏Fable 5 عند 1631)، لكنه في FrontierSWE يخسر بنسبة 81.2% مقابل 86.6% لـ Fable 5. والتسعير ينقلب بتغيّر المقارنة: 3 دولارات للإدخال و15 دولارًا للإخراج أرخص بنحو 40% في الإدخال وبنسبة 40-50% في الإخراج من Claude Opus 4.8 (‏$5/$25) أو GPT-5.6 Sol (‏$5/$30)، والتكلفة المقيسة البالغة 0.94 دولار لكل مهمة تأتي دون 1.80 دولار لـ Opus 4.8. أما مقابل المنافسين الصينيين فهو الأغلى في المجموعة بنحو ثلاثة أضعاف GLM-5.2 و23 ضعف DeepSeek V4 Pro، ومن ثم فهذا ليس خصم المرتبة العشرية الذي رافق صدمة DeepSeek. وبخصوص الأوزان انقسمت الجهات بين «مفتوح المصدر» (‏VentureBeat وSCMP) و«مفتوح الأوزان» لدى Reuters، والأخير هو المصطلح الدقيق. وقد صدرت الأوزان في موعدها يوم 27 يوليو 2026 ويمكن سحبها من Hugging Face من دون طلب وصول (96 جزءًا من ملفات safetensors). والرخصة المنشورة معها هي «Kimi K3 License» الخاصة بـ Moonshot: إذن على غرار MIT يُضاف إليه شرطان، هما اتفاق منفصل لأي عمل من نوع Model as a Service يتجاوز إيراده 20 مليون دولار، وإظهار «Kimi K3» بوضوح في واجهة المنتجات التي تتجاوز 100 مليون مستخدم نشط شهريًا. ولأن الإذن يتغيّر بحسب حجم المستخدِم فهو ليس مفتوح المصدر بتعريف OSI، ومن ثم حسم نص الرخصة الخلاف حول التسمية. وفي الأسواق هبط ناسداك 1.5% يوم الجمعة، وتايوان أكثر من 6%، واليابان 4%، وانخفض صندوق أشباه الموصلات المتداول (SMH) بأكثر من 20% عن قمته في أواخر يونيو، لكن تراجع SOX الأسبوعي يُنقل بين -9% و-12.5% بحسب الجهة، وقُلّصت الخسائر لاحقًا مع دخول المشترين عند الانخفاض. أما اتهام التقطير فيرفضه الباحثون استنادًا إلى الجدول الزمني — 15 يومًا بين طرح Fable للعموم في 1 يوليو وإطلاق K3 في 15 يوليو — ولم يُنشر أي دليل. ويتناول المقال كذلك السرعة (قياسات تتراوح بين 33 و62 رمزًا في الثانية، مع تحذير OpenRouter من تكرار أخطاء 429 بسبب ضغط السعة)، وارتفاع معدل الهلوسة من 39% إلى 51%، وفجوة تجربة المستخدم الواضحة التي تقرّ بها Moonshot نفسها، كل ذلك بعلامات صريحة لدرجة اليقين.

أطلقت Anthropic نموذج Claude Opus 5 في 24 يوليو 2026، وتصفه وثائقها نفسها بأنه نقلة نوعية لا مجرد تحسين تدريجي على Opus 4.8 — ومع ذلك لم يتحرك السعر: $5 للإدخال و$25 للإخراج لكل مليون توكن، أي نصف سعر النموذج الرائد Fable 5 بالضبط ($10 / $50). يقارن هذا المقال الإعلان الرسمي والوثائق بعدة تقارير إخبارية، ويعرض المواصفات الأساسية (claude-opus-5، ونافذة سياق 1M هي الافتراضية والقصوى معًا، وأقصى إخراج 128K، وحدّ معرفة يصل إلى مايو 2026)، والتسعير بما فيه أسعار الذاكرة المؤقتة والوضع السريع (سرعة أعلى بنحو 2.5 مرة مقابل ضعف السعر، وعبر Claude API فقط)، ثم نتائج الاختبارات المعيارية: تذكر Anthropic في نصّها أن Frontier-Bench يتجاوز ضعف Opus 4.8، وأن CursorBench 3.2 يصل إلى فارق لا يتعدى 0.5% عن أفضل نتيجة لـ Fable 5، وأن ARC-AGI 3 يبلغ ثلاثة أضعاف صاحب المركز الثاني، وأن OSWorld 2.0 يتفوق على Fable 5 بنحو ثلث التكلفة؛ أما الأرقام التي قرأها الصحفيون من الرسوم البيانية فتشمل Frontier-Bench بنسبة 43.3% وARC-AGI-3 بنسبة 30.2% وGDPval-AA عند 1,861 وOSWorld عند 70.6%. ويعرض المقال أيضًا المواضع التي لا يزال متأخرًا فيها: 68.8% مقابل 72.7% لـ GPT-5.6 Sol في DeepSWE v1.1، والأمن الهجومي والبحث البيولوجي طويل الأمد حيث يتصدّر Mythos 5، وحالات سجّل فيها مستوى الجهد max نتائج أقل من المستويات الأدنى. ثم يشرح التغييرين الكاسرين للتوافق في واجهة API (التفكير مفعّل افتراضيًا، ولذلك تُبتر المخرجات عند ميزانيات max_tokens الضيقة؛ وتعطيل التفكير غير مسموح إلا عند جهد high أو أقل، بينما يُعيد xhigh أو max خطأ 400)، وكيفية الاختيار بين مستويات الجهد الخمسة، والميزات الجديدة مثل تغيير الأدوات أثناء المحادثة وخفض الحد الأدنى للتخزين المؤقت إلى 512 توكن ووضع الاحتياط الافتراضي، والتحوّل في الشخصية نحو إجابات أطول وشرح أكثر لخطواته وتفويض أوسع وتحقق ذاتي دون طلب — مع قاعدة الترحيل التي تقول إنك تحذف نصوصًا من مطالباتك بدل أن تضيف إليها — وأخيرًا من ينبغي له الانتقال الآن، إضافةً إلى قائمة ترحيل من ست خطوات.

في 8 يوليو 2026 أطلقت OpenAI عالميًا نموذج GPT-Live الصوتي الجديد الذي يجدّد صوت ChatGPT ببنية كاملة الازدواج (full-duplex): يستمع ويتكلم في آن واحد، ويردّ بتعليقات وجيزة، ويستوعب المقاطعات، ولا يقاطع صمتك أثناء التفكير، بزمن استجابة <250ms. يتولى GPT-Live الاستجابة الفورية بينما يفوّض الاستدلال العميق والبحث خلف الكواليس إلى GPT-5.5 (Instant/Medium/High). المجاني يتيح GPT-Live-1 mini، وGo/Plus/Pro يحصلان على GPT-Live-1. نشرح ماهيته والفرق عن Advanced Voice Mode وآلية عمله وقيوده الحالية والفرق عن GPT-Realtime.

الأشخاص الذين تخلّوا عن الرسم لأنهم "لا يجيدونه" هم بالضبط من يصبح الرسم بالذكاء الاصطناعي ملعباً لهم. حوّل الصورة التي في رأسك إلى كلمات فتتحوّل إلى عمل فني؛ وصورة من الهاتف أو خربشة طفل تصبح قطعة فنية في ثوانٍ. هذا ليس مقارنة أدوات ولا دورة جادّة — إنه دليل أفكار للمرح فردياً أو عائلياً. من أدوات مجانية للبداية (ChatGPT وGoogle Gemini وMicrosoft Copilot وCanva) إلى 10 أفكار (① تحويل الخربشة إلى فن ② صورة بأسلوب جديد ③ شخصيتك عبر مشاهد مختلفة ④ رسم طفل كصفحة كتاب قصص ⑤ رموز تعبيرية أصلية ⑥ قصص من أربع لوحات ⑦ دمجات ماذا لو ⑧ صفحات تلوين خاصة بك ⑨ تجديد ديكور الغرفة ⑩ مبارزات الرسم)، وحيل صغيرة للحصول على صور أفضل، وثلاثة أمور يجب معرفتها قبل أن تلعب (لا تستخدم وجوه الآخرين، تحقّق من الحقوق والاستخدام التجاري، ضع علامة أنها من صنع الذكاء الاصطناعي).

عند البدء مع النماذج اللغوية المحلية، يُعدّ Ollama الأداة المفضّلة لتثبيتها أولاً، إذ يتولّى عنك معظم متاعب الإعداد المعقّدة حتى تتمكن من تنزيل نموذج وبدء المحادثة بأمر واحد. يأخذك هذا الدليل الموجّه للمبتدئين خطوة بخطوة من البداية إلى النهاية عبر التثبيت على Windows وMac وLinux، والأوامر الأساسية، وكيفية الحصول على النماذج واختيارها حسب VRAM، واستخدام واجهة رسومية مثل Open WebUI، وتسخير الـ API المحلي المتوافق مع OpenAI لدمجه في تطبيقاتك، إضافة إلى التخصيص عبر Modelfile ومتغيرات البيئة، وحل المشكلات الشائعة.

أي نموذج LLM محلي تختار في 2026؟ يرتّب هذا الدليل العائلات الرئيسية (Qwen وLlama وGemma وDeepSeek وMistral وPhi) حسب الجهة المطوّرة وبلد المنشأ والحجم وحالة الاستخدام والترخيص، ويوضّح لماذا لا يوجد نموذج واحد لكل الأغراض. كما يستعرض النماذج العربية والإقليمية مثل Jais وFalcon وALLaM وAceGPT للراغبين في طبيعية اللغة العربية أو متطلّبات السيادة، مع توصيات عملية حسب VRAM وحالة الاستخدام، ونصائح الترخيص للاستخدام التجاري.

عند البدء بنموذج LLM محلي، يكون السؤال الأول دائمًا: هل سيعمل على جهازي؟ الجواب أن 90% من المواصفات تعتمد على VRAM، أي ذاكرة بطاقة الـ GPU لديك. يشرح هذا الدليل جدولًا سريعًا لحجم VRAM المطلوب حسب حجم النموذج، ومعادلة تقريبية بسيطة لحسابه، وكيف يضخّم التكميم وطول السياق هذه الحاجة. كما يعرض سرعات واقعية لكل من GPU وMac، ويقدّم ثلاث تركيبات موصى بها حسب الميزانية حتى يعرف المبتدئ أيّ جهاز يشتري.

ما الفرق فعلاً بين تشغيل LLM محلي على حاسوبك الخاص واستخدام نماذج سحابية مثل Claude وChatGPT وGemini؟ يضع هذا المقال الخيارين في مقارنة واحدة عبر الأداء والتكلفة والخصوصية والعتاد والجهد المطلوب. كما يعرض بصدق إلى أي مدى تقلّصت «فجوة الأداء» التي يُساء فهمها كثيراً اعتباراً من 2026 بعد تصاعد النماذج المفتوحة. وأخيراً يرشدك إلى أيهما تختار بحسب حالتك — ولماذا يكون النهج الهجين هو الحل الأمثل لمعظم الناس.

إعادة تدريب ذكاء اصطناعي ضخم من الصفر مكلفة للغاية، لكنك تريد تعديله ليناسبك فقط؛ يحقق LoRA (Low-Rank Adaptation) هذه الأمنية بتجميد النموذج الأصلي وتدريب جزء إضافي صغير (محوّل) فقط، مقلّصًا المعاملات القابلة للتدريب بنحو 90%. يجعل LoRA عملية fine-tuning أرخص وأسرع بكثير، وهو شائع جدًا في توليد الصور مثل Stable Diffusion بوصفه ملفًا صغيرًا يضيف شخصية أو أسلوبًا. يشرح هذا المقال الفكرة عبر تشبيه الرقعة. LoRA رائد fine-tuning كفؤ المعاملات (PEFT): اترك الأوزان الأصلية الضخمة مجمّدة، وأدرج مصفوفة إضافية صغيرة في كل طبقة، ودرّب تلك فقط (W = W0 + BA). من فوائده: معاملات أقل بنحو 90% (وعلى نطاق GPT-3 أقل بمقدار 10,000x)، وذاكرة GPU أقل (نحو 3x)، وتدريب أسرع وأرخص، ودون زمن استجابة إضافي بعد دمج المحوّل، وخطر فرط تطابق أدنى. أكبر قوته هي المحوّلات القابلة للتبديل: أبقِ أساسًا مشتركًا واحدًا وبدّل ملفات LoRA الصغيرة لكل حالة استخدام فوريًا. يلتقي كثيرون بـ LoRA أولًا في توليد الصور حيث تُشارَك LoRA الخاصة بـ Stable Diffusion التي تعلّمت شخصية أو أسلوبًا. يدمج QLoRA الـ quantization، فيدرّب LoRA فوق أساس 4-bit لذاكرة أقل بنحو 4x، مما يتيح fine-tuning نماذج ضخمة على GPU استهلاكية بفقدان دقة طفيف. ومقابل fine-tuning الكامل، يكفي LoRA لمعظم العمل.

نموذج ضخم بحجم 70B يعمل على جهاز ألعاب منزلي واحد بدل رفّ من بطاقات GPU في مركز بيانات، وما يجعل هذا ممكناً هو التكميم الذي يخفض الدقة العددية لأوزان النموذج لتقليص الحجم والذاكرة بشكل كبير. بينما ينقل تقطير النماذج المعرفة إلى نموذج أصغر منفصل، يجعل التكميم النموذج نفسه أخف. يشرح المقال الفكرة عبر تشبيه ضغط الصور: يستبدل التكميم الأوزان المخزَّنة بصيغة FP16/FP32 بأعداد صحيحة INT8 أو INT4، فيقلل البايتات لكل وزن (FP32=4، INT8=1، INT4=0.5)؛ ومثل ضغط صورة RAW إلى JPEG تضحي بقليل من الدقة مقابل تخفيف كبير، والمفاجأة هي قلة ما تتنازل عنه. على صعيد الذاكرة، يستخدم 4-bit نحو ربع FP16: ينخفض نموذج 70B من نحو 140GB إلى 35GB، ونموذج 8B بـ4-bit يصبح نحو 4.5-5GB، فيتسع في GPU متوسط بذاكرة 8GB للاستخدام المحلي (دمقرطة LLM). على صعيد الدقة، INT8 شبه خالٍ من الفقد وINT4 يتدهور أقل من 4% في مهام المعرفة العامة، لكن الفقد أوضح في الرياضيات وتوليد الشيفرة والاستدلال الصعب (يظهر كارتفاع طفيف في perplexity)، فاختر عدد البتات للمهمة. الطرق الرئيسية: GPTQ (رائد 4-bit الدقيق)، وAWQ (يحمي أهم ~1% من الأوزان، وغالباً أدق بنسبة 1-2% وأسرع)، وGGUF (صيغة llama.cpp/Ollama، من Q2_K إلى Q8_0، مزج CPU+GPU، للتشغيل المحلي)، وQLoRA (أساس 4-bit مع LoRA للضبط الدقيق على GPU استهلاكي). يختلف عن التقطير (الانتقال إلى نموذج أصغر منفصل) والضبط الدقيق (إضافة معرفة المهمة)، وتُستخدم الثلاثة عادةً مجتمعة. للبدء، شغّل نموذج GGUF بـOllama بأمر واحد، واختر Q4/Q8 حسب VRAM، وتجنّب INT4 للشيفرة أو الحساب الدقيق. معظم النماذج الرئيسية تُوزَّع مُكمَّمة سلفاً فتنزّلها وتستخدمها فقط. احتفظ بالذكاء وأسقط الوزن فقط.

الذكاء الاصطناعي الضخم وعالي الأداء ذكي لكنه ثقيل ومكلف؛ ويحل تقطير النماذج (تقطير المعرفة) ذلك بنقل معرفة نموذج معلّم كبير إلى نموذج طالب صغير، مع الحفاظ على أكثر من 95% من أداء المعلّم بعُشر الحجم وبسرعة أكبر. يشرح المقال ذلك بتشبيه المعلّم والطالب. المفتاح هو الـ soft labels: التدريب العادي يُعلّم فقط «الجواب قطة» (hard label)، بينما يمرّر التقطير توزيع الاحتمالات الكامل للمعلّم مثل «90% قطة، 8% كلب، 2% ثعلب»، حيث تحمل درجة التردد معلومات غنية؛ ويقوم معامل temperature بتليين الاحتمالات لكشف العلاقات الدقيقة (مثال واقعي: GPT-4o mini مُقطَّر من GPT-4o). الفوائد: سريع ورخيص، أصغر بنحو 10x مع الحفاظ على أكثر من 95% من الأداء، يعمل على الـ edge، وقوي في التخصص. منهجان: white-box (وصول كامل للأوزان والتمثيلات الداخلية، نقل أعمق؛ لنماذجك أو نماذج OSS) و black-box (المخرجات/استجابات API فقط؛ استخدام API شركة أخرى كمعلّم قد يخالف الشروط). ويختلف عن quantization (ضغط دقة أوزان النموذج نفسه) و fine-tuning (مواصلة تدريب نموذج موجود لمهمة) — فالتقطير ينقل المعرفة إلى نموذج صغير منفصل، والثلاثة قابلة للدمج. كان الواقع القانوني وشروط الخدمة قضية كبيرة في 2026: التقنية مشروعة، لكن لدى OpenAI و Anthropic و Mistral و xAI بنود منع تقطير منافس تحظر استخدام المخرجات لبناء نماذج منافسة. نزاع OpenAI ضد DeepSeek يُظهر أن التقييم يعتمد على شروط API مَن تنطبق، وأُفيد بأن Claude Fable 5/Mythos 5 تُقيّد الردود على الأعمال المُصنّفة كتقطير. نصائح: استخدم نماذجك أو نماذج OSS مرخّصة كمعلّم، وتحقق من بنود منع التقطير قبل استخدام API تجاري. الأرقام مقتبسة من مواد عامة وتوجيهية.

عندما تريد تخصيص الذكاء الاصطناعي ليناسب شركتك، يكون الضبط الدقيق (fine-tuning) أحد الخيارات — لكن الخوض فيه باستهتار مُكلِف وسهل الخطأ. يشرح هذا الدليل للمبتدئين الضبط الدقيق: أخذ نموذج أساسي مُدرَّب بالفعل، وتدريبه أكثر على بيانات مُصمَّمة لاستخدامك، وإعادة تشكيله ليصبح نموذجًا متخصصًا يطبع «السلوك» (أسلوب الشركة، صيغة الإخراج، صياغة المجال) داخل النموذج نفسه عبر إعادة كتابة أوزانه. الضبط الدقيق بارع في تغيير السلوك لكنه ضعيف في حفظ المعرفة المُحدَّثة، لذا فالقاعدة هي «الحقائق والمعرفة ← RAG، والشخصية والقالب ← الضبط الدقيق، والبرومبت أولًا». وكما يشير الخبراء، فإن نحو 80% مما يُقال إنه «يحتاج الضبط الدقيق» يُحَلّ باسترجاع أفضل (RAG) أو ببرومبت، فالترتيب مهم. يغطي المقال ما هو الضبط الدقيق (مع تشبيه تدريب الموظفين الجدد)، وفيمَ يبرع وفيمَ يضعف، وجدول مقارنة بين الضبط الدقيق وRAG والبرومبت، والأساليب الرئيسية (الضبط الدقيق الكامل، وLoRA، وQLoRA — التكميم بـ 4-bit الخفيف بما يكفي للمبتدئين)، وما تحتاجه (500+ مثال عالي الجودة كدليل، مع كون بناء البيانات هو العمل الحقيقي؛ تكاليف من $5,000 إلى أكثر من $50,000، والضبط الدقيق من OpenAI بنحو $25–$100 لكل مليون رمز تدريبي؛ وأدوات مثل OpenAI وUnsloth وAxolotl وHugging Face)، والترتيب الذي تبدأ به. الضبط الدقيق هو الملاذ الأخير.