المدونة

أفضل نماذج اللغة الكبيرة الصغيرة للتشغيل محليًا: دليل شامل

Markdown

أفضل نماذج اللغة الكبيرة الصغيرة للتشغيل محليًا في 2026: Qwen3 وGemma 3 وLlama 3.2 وPhi-4-mini، إلى جانب مقدار RAM الذي تحتاج إليه وكيفية تشغيلها باستخدام Ollama.

أصبحت نماذج اللغة الصغيرة، بهدوء، من أكثر الأدوات فائدة التي يمكن للمطور الاحتفاظ بها على جهازه. لم تعد بحاجة إلى رف مليء بوحدات GPU أو فاتورة سحابية لتستخدم نموذجًا قادرًا على الإجابة عن الأسئلة وكتابة مسودات التعليمات البرمجية وتلخيص المستندات، وكل ذلك دون اتصال بالإنترنت تمامًا.

تغير المشهد كثيرًا منذ الأيام الأولى للأوزان المفتوحة، حين ظهرت نماذج LLaMA الأصلية وAlpaca وGPT-J. في 2026، يستطيع نموذج يضم 4 مليارات مَعلمة على حاسوب محمول إنجاز مهام كانت تتطلب سابقًا نموذجًا أكبر بعشرة أضعاف. يغطي هذا الدليل أفضل نماذج اللغة الكبيرة الصغيرة التي يمكنك تشغيلها محليًا اليوم، ومقدار العتاد الذي تحتاج إليه، وأبسط الطرق لتشغيلها.

الإجابة السريعة. أفضل نماذج اللغة الكبيرة الصغيرة للتشغيل محليًا في 2026 هي Qwen3 (1.7B–14B) وGoogle Gemma 3 (1B–12B) وMeta Llama 3.2 (1B/3B) وMicrosoft Phi-4-mini (3.8B). ويُعد Qwen3 الخيار الافتراضي الأكثر أمانًا للاستخدامات المتنوعة. شغّلها باستخدام Ollama أو LM Studio؛ فمعظمها لا يحتاج إلا إلى 8–16 GB من RAM.

ما الذي يُعد نموذج لغة كبيرًا صغيرًا في 2026؟

نموذج اللغة الكبير الصغير (ويُسمى أحيانًا نموذج لغة صغيرًا، أو SLM) هو نموذج مدمج يمكنك تشغيله على عتاد استهلاكي بدلًا من مجموعة وحدات GPU سحابية. لا يوجد حد رسمي، لكن النماذج الصغيرة اليوم تشترك عمليًا في ثلاث سمات:

  • نحو 0.5B إلى 14B مَعلمة — أي أنها صغيرة بما يكفي ليتسع إصدارها الكَمّي في ذاكرة حاسوب محمول عادي أو وحدة GPU واحدة من الفئة المتوسطة.
  • تعمل جيدًا بعد التكميم إلى 4 بت، الذي يخفض استخدام الذاكرة بنحو 4x مع تنازل بسيط فقط في الجودة.
  • تُطرح بأوزان مفتوحة، لتتمكن من تنزيلها وتشغيلها، وغالبًا ضبطها الدقيق، دون مفتاح API.

التحول الأهم منذ 2023 هو جودة كل مَعلمة. فالنموذج الحديث الذي يضم 3–4B مَعلمة يكون مضبوطًا لاتباع التعليمات ومتعدد اللغات، وغالبًا ما يكون أفضل في الاستدلال من نموذج 13B يعود إلى ما قبل عامين. ولهذا تقاعدت الخيارات القديمة المفضلة — LLaMA 7B الخام وAlpaca وVicuna وGPT-J وGPT-Neo وFalcon 7B — لصالح العائلات الواردة أدناه.

لماذا تشغّل نموذج لغة كبيرًا صغيرًا محليًا؟

يمنحك تشغيل نموذج على جهازك عدة مزايا لا تستطيع واجهة API مستضافة توفيرها:

  • الخصوصية. لا تغادر المطالبات والبيانات جهازك أبدًا، وهذا مهم عند التعامل مع التعليمات البرمجية الخاصة أو الأعمال القانونية أو الطبية.
  • التكلفة. لا توجد رسوم لكل رمز. بعد تنزيل النموذج، يصبح الاستدلال مجانيًا.
  • الاستخدام دون اتصال. يعمل على متن الطائرة أو ضمن شبكة آمنة أو في أي مكان لا يتوفر فيه اتصال موثوق بالإنترنت.
  • زمن الاستجابة والتحكم. لا توجد رحلة ذهاب وإياب عبر الشبكة ولا حدود لمعدل الطلبات، ويمكنك تثبيت إصدار محدد حتى لا يتغير سلوكه دون علمك.
  • التخصيص. يمكنك ضبط النموذج بدقة أو إرفاق استرجاع المعلومات به ليتكيف مع مجال عملك.

ما أفضل نماذج اللغة الكبيرة الصغيرة للتشغيل محليًا في 2026؟

هذه عائلات النماذج التي تستحق التنزيل في 2026، مرتبة حسب الجهة المطورة وما تتفوق فيه.

Qwen3 — الخيار الافتراضي متعدد الاستخدامات

أصبحت عائلة Qwen3 من Alibaba، بهدوء، الإجابة عن سؤال «ما الذي ينبغي أن أشغّله محليًا؟» لدى معظم المطورين. وهي تشمل مجموعة واسعة من الأحجام — 0.6B و1.7B و4B و8B و14B للنسخ الكثيفة — وكلها مرخصة بموجب Apache 2.0 المتساهلة، دون قيود تجارية.

  • الأفضل لـ: المحادثات العامة، والمساعدة في البرمجة، وإعادة هيكلة التعليمات البرمجية، والعمل متعدد اللغات.
  • الحجم الأمثل: يُنظر على نطاق واسع إلى Qwen3 8B بوصفه أفضل خيار إجمالي على وحدة GPU بسعة 8 GB؛ أما Qwen3 4B فهو خيار قوي للحواسيب المحمولة التي تعتمد على CPU فقط.
  • سبب تميّزه: جودة قوية لكل مَعلمة، وترخيص واضح، ودعم ممتاز للأدوات.

Google Gemma 3 — قوي ومتعدد الوسائط

يتوفر Google Gemma 3 بأحجام 1B و4B و12B و27B. والنسخ التي تضم 4B مَعلمة أو أكثر متعددة الوسائط (يمكنها قراءة الصور) وتدعم أكثر من 140 لغة، ما يجعل Gemma الخيار المناسب عندما تحتاج إلى الرؤية أو تغطية لغوية واسعة على الجهاز.

  • الأفضل لـ: المدخلات متعددة الوسائط والمهام متعددة اللغات والاستخدام العام على جهاز بسعة 16 GB (Gemma 3 12B).
  • ملاحظة: يُطرح Gemma بموجب ترخيص Google الخاص؛ فتحقق من الشروط المتعلقة بالاستخدام التجاري.

Meta Llama 3.2 — أسهل نقطة للبدء

إن نموذجي Llama الصغيرين من Meta — Llama 3.2 1B و3B — هما أسهل طريقة للبدء. فهما صغيران، وموثقان جيدًا، ومدعومان في كل مكان، ومناسبان لمهام على الجهاز مثل التلخيص والمحادثات البسيطة.

  • الأفضل لـ: أول نموذج محلي، والتلخيص، والمساعدات على الجهاز.
  • المقابل: يتأخر حجما 1B/3B عن Qwen3 وPhi-4 في مهام الاستدلال الصعبة، لكن من الصعب التفوق عليهما في السرعة والبساطة.

Microsoft Phi-4 وPhi-4-mini — استدلال يتجاوز حجمهما

دُرّبت نماذج Phi من Microsoft بكثافة على بيانات منتقاة واصطناعية، ما يجعل أداءها في الرياضيات والمنطق وحل المشكلات المنظم أفضل مما يوحي به حجمها. Phi-4 نموذج 14B ينافس بانتظام نماذج أكبر بكثير في مهام الاستدلال، في حين أن Phi-4-mini (3.8B) يُعد على الأرجح أفضل نموذج استدلال صغير يمكنك تشغيله على عتاد محدود — إذ يحتاج إلى نحو 3 GB من VRAM عند 4 بت. ويُطرح كلاهما بموجب ترخيص MIT المتساهل.

  • الأفضل لـ: الرياضيات والمنطق والاستدلال خطوة بخطوة على عتاد متواضع.

Mistral 7B — الخيار الناضج الذي يركز على البرمجة

لا يزال Mistral 7B نموذجًا عمليًا موثوقًا، وله واحدة من أكبر منظومات النماذج المضبوطة بدقة والتكاملات. وهو مرخص بموجب Apache 2.0، ويعمل بسهولة على وحدة GPU بسعة 8 GB، ولا يزال مفضلًا للإعدادات المحلية التي تركز على البرمجة. وتوسّع نماذج Ministral الأصغر من Mistral (3B و8B) العائلة لتشمل الاستخدام على الأجهزة الطرفية.

  • الأفضل لـ: البرمجة، ونموذج عام يحظى بدعم جيد، والضبط الدقيق بسهولة.

نماذج DeepSeek-R1 المُقطّرة — للمهام التي تتطلب منطقًا مكثفًا

أصدرت DeepSeek نماذج استدلال مُقطّرة مبنية على أساس Qwen وLlama (غالبًا بأحجام 7B و8B و14B). وهي توفر استدلالًا بأسلوب سلسلة الأفكار بأحجام يمكن تشغيلها محليًا، وتتميز في حل المشكلات خطوة بخطوة. ومرخصة بموجب MIT ومتاحة في Ollama.

  • الأفضل لـ: الاستدلال والرياضيات والمسائل التي تستفيد من إظهار خطوات التفكير.

SmolLM2 — عندما تحتاج إلى أصغر نموذج ممكن

يتوفر SmolLM2 من Hugging Face بأحجام 135M و360M و1.7B. هذه هي النماذج المناسبة للعتاد شديد المحدودية، أو المتصفحات، أو الأجهزة الطرفية. وهي تتعامل مع التلخيص والتعليمات البسيطة، لكنها غير مصممة للاستدلال المعقد.

  • الأفضل لـ: ذاكرة RAM محدودة للغاية، والاستخدام المضمن والطرفي، والتجارب.

جدول مقارنة نماذج اللغة الكبيرة الصغيرة

أرقام تقريبية للنسخ المكمّمة إلى 4 بت (Q4). يختلف استخدام الذاكرة الفعلي باختلاف طول السياق وبيئة التشغيل.

النموذجالمَعلماتRAM/VRAM التقريبية (Q4)الأفضل لـالترخيص
Qwen3 1.7B1.7B~2 GBمحادثات سريعة على أي حاسوب محمولApache 2.0
Qwen3 4B4B~3–4 GBمحادثات متوازنة وبرمجة خفيفةApache 2.0
Qwen3 8B8B~6–8 GBأفضل أداء شامل على GPU بسعة 8 GBApache 2.0
Qwen3 14B14B~10–12 GBالبرمجة وإعادة الهيكلة والاستدلالApache 2.0
Gemma 3 4B4B~3–4 GBمتعدد الوسائط / أكثر من 140 لغةGemma
Gemma 3 12B12B~9–10 GBاستخدام عام قوي على جهاز بسعة 16 GBGemma
Llama 3.2 3B3B~3 GBنقطة بداية سهلةLlama
Phi-4-mini3.8B~3 GBالاستدلال/الرياضيات على عتاد محدودMIT
Phi-414B~10–12 GBأداء في الرياضيات/المنطق يتجاوز حجمهMIT
Mistral 7B7B~5–6 GBيركز على البرمجة، ومنظومته ناضجةApache 2.0
DeepSeek-R1 distill 8B8B~6–8 GBالاستدلال المنطقي المكثف خطوة بخطوةMIT
SmolLM2 1.7B1.7B~1.5 GBالأجهزة الطرفية / RAM محدودة للغايةApache 2.0

ما مقدار RAM والعتاد الذي تحتاج إليه؟

قاعدة تقريبية مفيدة: يحتاج النموذج المكمّم إلى 4 بت إلى نحو 0.6–0.75 GB من الذاكرة لكل مليار مَعلمة، إضافة إلى مساحة احتياطية صغيرة للسياق. لذا يحتاج نموذج 7B إلى نحو 5–6 GB، ونموذج 14B إلى نحو 10–12 GB. وتتحدد خياراتك وفقًا للذاكرة المتاحة لديك:

ما لديكحجم النموذج الذي يعمل براحةخيارات مناسبة
RAM بسعة 8 GB، دون GPU1–4BQwen3 4B وPhi-4-mini وGemma 3 1B وLlama 3.2 3B
GPU بسعة 8 GB (VRAM)7–8BQwen3 8B وMistral 7B وDeepSeek-R1 distill 8B
RAM / VRAM بسعة 16 GB12–14BGemma 3 12B وQwen3 14B وPhi-4
GPU بسعة 24 GB أو أكثر14–32BQwen3 32B ونسخ DeepSeek الأكبر

تُعد أجهزة Mac المزودة بـ Apple Silicon حالة خاصة: فالذاكرة الموحدة تتيح لوحدة GPU استخدام معظم ذاكرة النظام، لذا يستطيع MacBook من سلسلة M بسعة 16–32 GB تشغيل نماذج تحتاج إلى وحدة GPU مخصصة على جهاز PC.

القاعدة الذهبية: لا تبدأ بأكبر نموذج. ابدأ بأفضل نموذج يستطيع عتادك تشغيله براحة. فالنموذج السريع 4B أفضل من نموذج 14B يستخدم الذاكرة الافتراضية ويجيب بسرعة رمز واحد في الثانية.

كيف تشغّل نموذج لغة كبيرًا صغيرًا محليًا؟

لا تحتاج إلى استخدام Python للبدء. تغطي ثلاث أدوات تقريبًا كل حالات الاستخدام:

  • Ollama — أبسط طريقة. ثبّته، ثم نزّل نموذجًا وشغّله بأمر واحد. وهو يتولى التنزيل والتكميم ويوفر API متوافقًا مع OpenAI على localhost:11434.
  • LM Studio — تطبيق سطح مكتب متقن يتضمن واجهة محادثة ومتصفحًا للنماذج وتنزيلًا بنقرة واحدة. وهو الأنسب إذا كنت تفضّل واجهة رسومية.
  • llama.cpp — محرك C/C++ الأساسي الذي يشغّل جزءًا كبيرًا من المنظومة. استخدمه عندما تريد أقصى قدر من التحكم أو تشغيل ملفات GGUF مباشرة على CPU أو Apple Silicon.

إليك مثالًا على التشغيل الأول باستخدام Ollama:

# Pull and chat with Qwen3 8B (best all-rounder on an 8 GB GPU)
ollama pull qwen3:8b
ollama run qwen3:8b

# Lighter options for CPU-only laptops
ollama pull qwen3:4b
ollama pull llama3.2:3b
ollama pull phi4-mini
ollama pull gemma3:4b

بعد تشغيل النموذج، يوفر كل من Ollama وLM Studio نقطة نهاية متوافقة مع OpenAI، لذا يمكنك توجيه الأدوات والبرامج النصية الحالية إلى نموذجك المحلي بمجرد تغيير عنوان URL الأساسي.

كيف تختار نموذج اللغة الكبير الصغير المناسب؟

طابق النموذج مع المهمة بدلًا من السعي وراء ترتيب النماذج:

  • المحادثات العامة والمهام اليومية: Qwen3 (4B أو 8B) — الخيار الافتراضي الأكثر أمانًا.
  • البرمجة وإعادة الهيكلة: Qwen3 14B أو Mistral أو نسخة DeepSeek-R1 مُقطّرة على GPU بسعة 12–16 GB.
  • الرياضيات والمنطق والاستدلال على عتاد محدود: Phi-4-mini، ثم Phi-4 إذا كانت لديك ذاكرة بسعة 16 GB.
  • الصور أو تعدد اللغات: Gemma 3 4B أو 12B.
  • أصغر حجم ممكن: Llama 3.2 1B أو Gemma 3 1B أو SmolLM2.

ما حدود نماذج اللغة الكبيرة المحلية الصغيرة؟

النماذج الصغيرة مفيدة حقًا، لكن من الأفضل معرفة حدودها:

  • معرفة أقل بالعالم. معرفتها أقل من النماذج السحابية الرائدة وقد تخطئ بثقة؛ لذا تحقق من الحقائق في المسائل المهمة.
  • أضعف في الاستدلال شديد الصعوبة. لن يضاهي نموذج 3B نموذجًا مستضافًا كبيرًا في المسائل المعقدة متعددة الخطوات.
  • مقايضات بين السياق والسرعة. تستهلك السياقات الطويلة ذاكرة أكبر؛ وقد تكون النماذج الكبيرة بطيئة على CPU.
  • تتباين الجودة حسب المهمة. قد يكون نموذج ممتازًا في المحادثات ومتوسطًا في البرمجة. جرّب نموذجين قبل أن تستقر على أحدهما.

في كثير من مسارات العمل، يكون الحل هو الاسترجاع (RAG) أو الضبط الدقيق السريع لتزويد النموذج ببياناتك — وكلاهما أقل تكلفة محليًا بكثير مما يبدو.

الأسئلة الشائعة

ما أفضل نموذج لغة كبير صغير للتشغيل محليًا في 2026؟

بالنسبة إلى معظم الأشخاص، Qwen3 8B هو أفضل خيار شامل على GPU بسعة 8 GB، ويعمل Qwen3 4B أو Llama 3.2 3B جيدًا على الحواسيب المحمولة التي تستخدم CPU فقط. اختر أكبر نموذج يستطيع عتادك تشغيله براحة بدلًا من اختيار أكبر نموذج متاح.

ما أصغر نموذج لغة كبير يمكن تشغيله محليًا؟

تعمل نماذج مثل SmolLM2 (135M–1.7B) وLlama 3.2 1B وGemma 3 1B وQwen3 0.6B على أي حاسوب محمول حديث تقريبًا، وغالبًا ما تحتاج إلى أقل من 2 GB من RAM عند تكميمها إلى 4 بت. وهي تتعامل مع التلخيص والمحادثات البسيطة، لكنها ضعيفة في الاستدلال المعقد.

ما مقدار RAM اللازم لتشغيل نموذج لغة كبير صغير محليًا؟

يحتاج نموذج 3–4B مكمّم إلى 4 بت إلى نحو 3–4 GB من RAM أو VRAM المتاحة، ويحتاج نموذج 7–8B إلى نحو 6–8 GB، بينما يحتاج نموذج 12–14B إلى 10–16 GB. تُعد 16 GB من RAM النظام حدًا أساسيًا مريحًا لمعظم النماذج الصغيرة.

ما أسهل طريقة لتشغيل نموذج لغة كبير صغير محليًا؟

ثبّت Ollama أو LM Studio، ثم نزّل نموذجًا بأمر واحد (مثل ollama pull qwen3:8b). يتولى كلاهما التنزيل والتكميم ويوفر واجهة محادثة محلية، كما يتيحان API متوافقة مع OpenAI لتطبيقاتك الخاصة.

هل يمكنني تشغيل نموذج لغة كبير صغير دون GPU؟

نعم. باستخدام التكميم إلى 4 بت، تعمل نماذج يصل حجمها إلى نحو 7–8B على CPU حديثة، وتعمل بسرعة أعلى بوضوح على أجهزة Mac المزودة بـ Apple Silicon بفضل الذاكرة الموحدة. توقع سرعة رموز أبطأ من وحدة GPU مخصصة، لكنها تظل مناسبة للمحادثات وكتابة المسودات.

هل نماذج اللغة الكبيرة المحلية الصغيرة جيدة للبرمجة؟

قد تكون كذلك. يُعد Qwen3 ونماذج DeepSeek-R1 المُقطّرة قوية في البرمجة مقارنة بالنماذج الصغيرة، ولدى Mistral منظومة ناضجة تركز على البرمجة. ولإعادة الهيكلة الأكثر تعقيدًا، يقدم نموذج 14B على GPU بسعة 12–16 GB أفضل جودة يمكنك الحصول عليها محليًا.

الخلاصة

انتقلت نماذج اللغة الكبيرة المحلية الصغيرة من تجربة للهواة إلى أداة عملية للاستخدام اليومي. ابدأ بـ Qwen3 كخيار متوازن، واستخدم Phi-4-mini عندما تحتاج إلى الاستدلال على عتاد محدود، واختر Gemma 3 عندما تحتاج إلى الرؤية أو دعم لغات كثيرة — ويمكن تشغيلها جميعًا باستخدام Ollama أو LM Studio في بضع دقائق. للمساعدة في استخدام وثائق Ailoot، راجع وثائق Ailoot.