خريطة التقنيات
تقنيات الذكاء الاصطناعي
من بنية النماذج وتدريبها إلى الاستدلال والنشر وحالات النماذج مفتوحة الأوزان
خريطة منتقاة للطبقات التقنية التي تحوّل أفكار البحث إلى نماذج قابلة للتدريب وأنظمة قابلة للاستخدام. تربط كل مدخلة المفاهيم بالأوراق البحثية والحقب التاريخية وحالات النماذج والأدوات والمصادر الأولية.
بنية النماذج
البنى التي تحدّد كيف تُمثّل النماذج المعلومات وكيف تحوّلها.
Transformer
بنية عصبية قائمة على الانتباه تعالج مواضع المتتالية على التوازي. وقد صارت أساسًا لكثير من النماذج اللغوية ومتعددة الوسائط الحديثة.
- الانتباه الذاتي
- المُرمِّز
- مفكِّك الترميز
مزيج الخبراء (MoE)
عائلة من البنى ذات الخبراء الموجَّهين. وتفعّل الصيغ المتفرّقة الحديثة شبكات خبراء فرعية منتقاة لكل مدخل، فتزيد السعة دون تفعيل كل وسيط عند كل رمز.
- الخبراء
- الموجِّه
- التنشيط المتناثر
نموذج الانتشار
نموذج توليدي يتعلّم عكس عملية تشويش تدريجية. وقد صارت إزالة التشويش التكرارية مقاربة رئيسة لتوليد الصورة والصوت والفيديو والمحتوى متعدد الوسائط.
- إضافة الضوضاء الأمامية
- إزالة التشويش
- مطابقة الدرجات
الأطر والتمثيل
البرمجيات وواجهات البيانات المستخدمة في بناء النماذج وتدريبها وتشغيلها.
PyTorch
إطار مفتوح المصدر للتنسورات والتعلّم العميق، فيه اشتقاق تلقائي ووحدات للشبكات العصبية وتصريف وتنفيذ موزّع. ويُستعمل على نطاق واسع من نماذج البحث الأولية إلى التدريب الإنتاجي.
- التنسور
- autograd
- الوحدة
Hugging Face Transformers
مكتبة لتعريف النماذج تصل البنى المدرَّبة مسبقًا بمنظومات التدريب والاستدلال. وتوحّد التهيئة والمعالجة المسبقة والتحميل والتوليد وكثيرًا من واجهات المهام.
- تعريفات النماذج
- نقاط التحقق المدرَّبة مسبقًا
- Trainer
التقطيع إلى رموز
التقابل بين النص الخام والوحدات المنفصلة التي يعالجها النموذج. ويؤثّر بناء المفردات والتقطيع في طول المتتالية والتغطية متعددة اللغات والكلفة وسلوك النموذج.
- الرمز
- المفردات
- BPE
التدريب وما بعد التدريب
طرائق التوسيع والتكييف والمواءمة مع التفضيلات التي تشكّل قدرات النماذج وسلوكها.
التدريب الموزّع
تقنيات تقسّم البيانات أو الوسائط أو التفعيلات أو الحساب عبر الأجهزة والعقد. وهي تتيح تدريب النماذج الكبيرة لكنها تُدخل مقايضات في الاتصال والتزامن وتحمّل الأعطال.
- توازي البيانات
- توازي التنسورات
- توازي خط الأنابيب
SFT / RLHF / DPO
عائلة من طرائق ما بعد التدريب لتعليم اتّباع التعليمات والسلوك المتوائم مع التفضيلات. يتعلّم SFT من عروض عملية، بينما يستعمل RLHF وDPO مقارنات تفضيلية عبر إجراءات استمثال مختلفة.
- الضبط الدقيق الخاضع للإشراف
- بيانات التفضيل
- نموذج المكافأة
الاستدلال والحوسبة وقت الاختبار
تدريب لاحق يعلّم النموذج أن ينتج أثر استدلال طويلًا قبل الإجابة، وأن ينفق حسابًا أكبر عند الاستدلال كلما صعبت المسألة. والتعلّم المعزّز بمكافآت قابلة للتحقق — حيث تمدّ إجابة قابلة للفحص إشارة التدريب — هو ما جعل المقاربة قابلة لإعادة الإنتاج خارج المختبرات المغلقة. والمقايضة جديرة بأن تُقال صراحةً: دقة تُشترى بطول التوليد لا بنموذج أكبر، ويُدفع ثمنها من زمن الاستجابة وكلفة التقديم.
- آثار الاستدلال
- مكافآت قابلة للتحقق
- ميزانية الاستدلال
LoRA / QLoRA
طرائق ضبط دقيق موفّرة للوسائط تدرّب مكيّفات صغيرة منخفضة الرتبة مع إبقاء الأوزان الأساس مجمَّدة. ويجمع QLoRA بين المكيّفات ونموذج أساس مكمَّم لخفض استهلاك الذاكرة أكثر.
- مكيّفات منخفضة الرتبة
- نموذج أساسي مجمَّد
- التدريب بدقة ٤ بتات
الاستدلال والنشر
تقنيات الذاكرة والجدولة والضغط ووقت التشغيل المستخدمة في تقديم النماذج.
التكميم
تمثيل الأوزان أو التفعيلات أو الذاكرة المخبئية بدقة عددية أدنى. وقد يخفض ذلك كلف الذاكرة وعرض النطاق والحساب، مع مقايضات في الدقة وفي دعم العتاد.
- الدقة العددية
- INT8
- INT4
KV Cache
ذاكرة لمفاتيح الانتباه وقيمه من الرموز السابقة في أثناء التوليد الانحداري الذاتي. وهي تتجنّب إعادة حساب البادئة كاملةً، لكنها كثيرًا ما تصير مستهلكًا رئيسًا للذاكرة.
- المفاتيح
- القيم
- التعبئة المسبقة
التجميع المستمر / PagedAttention
تقنيات تقديم تقبل الطلبات وتُنهيها باستمرار مع إدارة ذاكرة KV في صفحات. وهما معًا يحسّنان الاستغلال والإنتاجية تحت أحمال متغيّرة الطول.
- جدولة الطلبات
- ترحيل الذاكرة
- الإنتاجية
فكّ الترميز التخميني
طريقة استدلال يقترح فيها مسوّدة أسرع عدة رموز يتحقّق منها النموذج الهدف على التوازي. وقد تخفض زمن التوليد دون تغيير توزيع الهدف.
- نموذج المسودة
- التحقق
- زمن الاستجابة
منظومة الاستدلال للنماذج المفتوحة
محرّكات وأزمنة تشغيل مثل vLLM وllama.cpp تحوّل أوزان النماذج القابلة للتنزيل إلى استدلال محلي أو خادمي. وتختلف أولوياتها بين الإنتاجية وقابلية النقل بين العتاد وصيغ النماذج والتعقيد التشغيلي.
- vLLM
- llama.cpp
- GGUF
طبقة التطبيقات
بنية التطبيقات
تصير النماذج منتجات عبر مسارات العمل والأدوات وتبادل السياق وحواجز الأمان والتقييم. يغطي قسما MCP والأدوات هذه الطبقة التطبيقية، فلا حاجة إلى تكرارها هنا.
حالات النماذج المفتوحة
عائلات نماذج مفحوصة من خلال الشِفرة والأوزان وإفصاح التدريب والرخصة.
Llama
ساعدت عائلة نماذج Meta القابلة تنزيل أوزانها على توسيع الاستدلال المحلي والضبط الدقيق اللاحق. وتستعمل إصداراتها شروطًا خاصة بـLlama، فعبارة «أوزان مفتوحة» أدقّ من افتراض مصدر مفتوح بتعريف OSI.
- الأوزان المفتوحة
- ترخيص مجتمعي
- عائلة النماذج
Qwen
تمتد عائلة Qwen من Alibaba عبر إصدارات كثيفة وموجَّهة الخبراء ومتعددة اللغات ومتعددة الوسائط. وكثير من نقاط التحقق قابل للتنزيل علنًا، لكن دعاوى الرخصة والإفصاح ينبغي فحصها على مستوى بطاقة النموذج المفردة.
- متعدد اللغات
- الكثيفة وMoE
- الأوزان المفتوحة
Mistral / Mixtral
تضم عائلة Mistral AI نماذج Mistral الكثيفة ونماذج Mixtral الموجَّهة الخبراء معًا. وتستعمل بعض الإصدارات رخصًا متساهلة دون بعضها الآخر، فيجب تقدير الانفتاح لكل أثر على حدة.
- النماذج الكثيفة
- MoE
- الأوزان المفتوحة
DeepSeek
جعلت إصدارات DeepSeek القابلة للتنزيل تصميم مزيج الخبراء والتدريب اللاحق للاستدلال والتقديم الكفء موضع دراسة واسعة. وقد تستعمل الشِفرة والأوزان رخصًا مختلفة، والإفصاح عن بيانات التدريب بُعد منفصل.
- MoE
- الاستدلال
- الأوزان المفتوحة
Gemma
تصل عائلة Google القابلة تنزيل أوزانها أبحاثًا مشتقّة من Gemini بالنشر المحلي والطرفي والمستضاف. وتسمّي Google العائلة نماذج مفتوحة، لكن التراخيص تختلف بحسب الإصدار.
- الأوزان المفتوحة
- النماذج الخفيفة
- النشر على الأطراف
OLMo
يصدر Ai2 عائلة OLMo مع بيانات تدريبها المسبق وشِفرة تدريبها ونقاط تحققها الوسيطة وسجلاتها إلى جانب الأوزان. وهي الحالة التي تُنشر فيها فعلًا الأمور الأربعة الجديرة بالفحص كلٌّ على حدة — الشِفرة والأوزان وإفصاح التدريب والرخصة — وهو ما يجعلها مرجعًا في مقابل عائلات لا تصدر إلا الأوزان.
- مفتوح بالكامل
- بيانات تدريب مفتوحة
- نقاط التحقق الوسيطة
gpt-oss
نموذجا OpenAI المسمّيان gpt-oss-120b وgpt-oss-20b نموذجا استدلال بمزيج خبراء قابلان للتنزيل مصمَّمان للاستدلال المحلي والمستضاف. وأوزانهما وتنفيذاتهما المرجعية برخصة Apache 2.0 توسّع إتاحة النشر، بينما لا تُصدَر مجموعة بيانات التدريب المسبق نفسها.
- الأوزان المفتوحة
- الاستدلال
- MoE
GLM-5
سلسلة GLM-5 من Z.ai عائلة نماذج لغوية كبيرة بمزيج خبراء للاستدلال والبرمجة والعمل الوكيل بعيد الأفق. ظهر GLM-5 في فبراير ٢٠٢٦، و5.1 في أبريل، و5.2 في يونيو بـ٧٥٣ مليار وسيط ونافذة سياق بمليون رمز، و5.3 في أغسطس على الأساس نفسه مع تغييرات في ما بعد التدريب؛ وتبعه بأيام نموذج GLM-5.3-Flash الأصغر بـ٣٢٠ مليار وسيط إجمالًا و١٨ مليار وسيط نشط. وحجم الأعضاء الأكبر يجعل الاستضافة الذاتية كثيفة الموارد.
- الأوزان المفتوحة
- MoE
- السياق الطويل
Kimi K3
أصدرت Moonshot AI نموذج Kimi K3 في يوليو ٢٠٢٦ نموذجًا لغويًا مفتوح الأوزان متعدد الوسائط أصلًا بمزيج خبراء، بـ٢٫٨ تريليون وسيط إجمالًا و١٠٤ مليارات وسيط نشط ونافذة سياق بمليون رمز. وهو يستهدف البرمجة بعيدة الأفق والعمل المعرفي والوكلاء المستعملين للأدوات، بينما يجعل حجمه النشر المحلي شاقًا.
- الأوزان المفتوحة
- MoE
- السياق الطويل
هذه خريطة تقنية منتقاة، لا ادّعاء بتغطية شاملة.