أدوات AI أخرى: مراجعات ومقارنات

Jev نموذج من TypeSafe يعيد خيارات ودرجات واحتمالات نعم/لا بدلًا من توليد النص. نشرح الفرق بين Choice وScore وNoul ومعنى confidence وبنية طلب API لتوجيه طلبات الدعم. ضمان النوع لا يضمن صحة الحكم. نستعرض نقاط الضعف الموثقة في الحساب والتواريخ والمدخلات المضللة، والأسعار وحدي الإدخال والتقييم قبل الاستخدام بالعربية. المقالة مبنية على مصادر رسمية، وليست اختبار أداء فعليًا عبر API.

لم يعد سؤال «هل سيسلبني الذكاء الاصطناعي عملي» مناسبًا لهذه القصّة. تابع Siddiq وZhang في UCLA Anderson 49,610 مستقلًّا و2.26 مليون عقد على Upwork من يناير 2021 إلى مارس 2026، وما وجداه ليس تغيّرًا في وجود العمل بل تغيّرًا في طريقة اختيارك: تراجع وزن إشارات رأس المال البشريّ لدى العملاء 7.8% بينما ارتفع وزن السعر 1.1%، وتراجع عدد العقود 7.0%. الشهادات المُوثَّقة والسجلّ الوظيفيّ ومعرض الأعمال وتقييمات العملاء فقدت كلّها قدرتها على التنبّؤ بمن يفوز بالعقد، والتراجع أشدّ كلّما اقتربنا من الفترات الأحدث: -10.1% على الإشارات و+1.8% على السعر خلال الأرباع الأربعة الأخيرة. وفي الوقت نفسه يتحرّك جانب العرض في الاتّجاه المعاكس: تفيد Upwork بأنّ حصّة العمل المستقلّ بين عمّال المعرفة المهرة في الولايات المتّحدة انتقلت من 28% إلى 38% في سنة واحدة، مع 58% من الموظفين بدوامٍ كامل يفكّرون في التحوّل. وفي القلب مفارقتان. الأولى أنّ الخبرة درعٌ في التوظيف وليست درعًا في العمل بالعقود، إذ تجد Stanford أنّ توظيف من هم بين 22 و25 عامًا في المهن المعرّضة للذكاء الاصطناعي أدنى بنحو 19% دون فجوةٍ مماثلة لدى أصحاب الخبرة، بينما تجد دراسة Organization Science عن المستقلّين أنّ التراجع أكبر عند الأكثر خبرة. الشركة توظّف دورًا، والعميل يشتري مُخرَجًا. والثانية أنّ العمل لم يختفِ بل اختفى المنتصف: تفيد Management Science بتراجع الإعلانات الأكثر قابليّةً للأتمتة 21%، مع كون المهامّ الباقية أكثر تعقيدًا وأعلى أجرًا. يستخدم المقال أوراقًا محكّمة وأبحاثًا رسميّة من المنصّات تحقّق منها لدى الجهة الناشرة نفسها، ويصف Upwork بأنّها طرف ذو مصلحة، ويصحّح الادّعاء الشائع بأنّ بيان فبراير أورد علاوة 44% على الأجر بالساعة وهو لا يذكرها، وينقل تحفّظات الباحثين أنفسهم بما فيها قول Stanford إنّ جزءًا من التوقيت تحرّكه عوامل غير الذكاء الاصطناعي. وتأتي التنبّؤات الثلاثة مع مستويات ثقةٍ وشروط إبطال، أمّا الفصل الختاميّ عن الإجراءات فموسومٌ بأنّه تخمين.

ظلّت النماذج المحلية قادرة على كتابة الشيفرة سنوات، لكن بوصفها إكمالًا فحسب: ملء بقية السطر الذي بدأت كتابته. أما النمط الوكيلي، حيث يقرأ النموذج المستودع ويعدّل عدة ملفات ويشغّل الاختبارات، فكان أثقل من أن يعمل في البيت. وقد تغيّر ذلك عبر أواخر 2025 و2026، وأوضح دليل عليه أن مطوّري النماذج صاروا يسوّقون له مباشرة: فبطاقة نموذج Qwen تذكر CLINE بالاسم وتقدّم صيغة استدعاء دوال مصمَّمة لهذا الغرض، وأطلقت Mistral نموذج Devstral Small 2 بحجم 24B برخصة Apache 2.0 إلى جانب Devstral 2 بحجم 123B في 9 ديسمبر 2025. ويرتّب هذا المقال ما يمكن بلوغه فعليًا اليوم اعتمادًا على المصادر الأولية وحدها، لأن عدة مقالات تجميع تبيّن أنها نسبت درجة نموذج بحجم معيّن إلى نموذج بحجم آخر. والعقبة المركزية تفصيلة ضبط لا يكاد أحد يذكرها: فـ Ollama لا يستعمل طول سياق افتراضيًا ثابتًا، بل يشتقّه من مقدار VRAM لديك، أي 4k تحت 24 GiB، و32k من 24 إلى 48 GiB، و256k فوق ذلك. وحاسوب الألعاب المعتاد يقع في الصف الأول، فيتجاوز الوكيل النافذة فورًا ويُقتطع أول المحادثة بصمت. ولا يظهر أي خطأ. ينسى التعليمات، ويكرّر العمليات، ويفقد الهدف، فيبدو الأمر كله كأنه نموذج غبيّ لا كأنه سياق مرميّ. ويوثّق Ollama ضرورة 64000 رمز على الأقل لأدوات البرمجة، وتُضبط عبر متغيّر البيئة الخاص بطول السياق، لكن رفعها يرفع استهلاك الذاكرة أيضًا، فيلزم التأكّد من أن النموذج ما زال يتّسع على المعالج الرسومي. ويغطّي المقال كذلك لماذا Continue و Cline أداتان مختلفتان بمتطلّبات عتاد مختلفة، والدرجات المنشورة لـ Qwen3.6-35B-A3B (73.4 على SWE-bench Verified، و3B نشطة من أصل 35B) و Devstral Small 2 (68.0%)، وأحجام التنزيل وإرشاد الذاكرة بحسب فئة VRAM، وإعدادًا من أربع خطوات، ولماذا لم تعد مقارنات «المحلي بلغ كذا بالمئة من السحابة» تصمد بعد أن كفّ جانب الطليعة عن نشر SWE-bench Verified، ومحاسبة صريحة لما تكلّفه «المجانية» فعلًا.

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.