# نماذج اللغة الصغيرة، شرح

> ما الذي يجعل نموذج اللغة صغيرًا، وما المقصود بالمعلمات والمعلمات الفعّالة، ولماذا تلائم النماذج الصغيرة الهواتف، وما القدرات التي تتنازل عنها.

Source: https://ailoot.ai/blog/ar/small-language-models-explained/
Canonical: https://ailoot.ai/blog/ar/small-language-models-explained/
Language: ar
Publisher: Ailoot (https://ailoot.ai/)
Translation: guide-100072
Revision: sha256-bbf858c97012c0d2f7160f06e8d471404cfcd41702c18cfc9053f6d9fb76fbfd


## ما نموذج اللغة الصغير؟

نموذج اللغة الصغير (SLM) هو نموذج لغة صغير بما يكفي ليعمل على أجهزة يومية، مثل الهاتف أو الحاسوب المحمول، بدلًا من مركز بيانات. لا يوجد حد فاصل متفق عليه: تُسمّى النماذج التي تضم بضعة مليارات من المعلمات أو أقل عادةً صغيرة، ويستخدم مسح أُجري في عام 2024 نطاقًا من 100 مليون إلى 5 مليارات.

تعمل نماذج اللغة الصغيرة والكبيرة بالطريقة نفسها. فكلاهما شبكتان عصبيتان، وغالبًا ما تكونان محوّلات، تُدرّبان على توقّع الرمز النصي التالي، كما يُكيّف كلاهما بعد التدريب المسبق لاتباع التعليمات؛ ويغطي المسح المذكور أعلاه محوّلات من نوع فك الترميز فقط تحديدًا. الفرق هو الحجم. يضم النموذج الملائم للهاتف بضعة مليارات من المعلمات، بينما تكون النماذج السحابية الرائدة أكبر بكثير، لذا يحتفظ النموذج الصغير بمعرفة أقل وتكون قدرته على الاستدلال أضعف (انظر «أين تقصر النماذج الصغيرة؟»). النماذج الصغيرة هي ما يجعل الذكاء الاصطناعي على الجهاز عمليًا.

الحجم ليس العامل الوحيد المؤثر في الجودة. لذلك تعتمد جودة النموذج الصغير على تدريبه بقدر اعتمادها على حجمه. ويمكنه أن يتعلم من نموذج أكبر عبر التقطير، حيث يُدرّب على مطابقة مخرجات النموذج الأكبر، كما يستفيد من البيانات المختارة بعناية: فقد حقق phi-1، وهو نموذج برمجة يضم 1.3 مليار معلمة ودُرّب إلى حد كبير على بيانات «بجودة الكتب المدرسية»، نسبة 50.6% في pass@1 على معيار HumanEval للبرمجة.

## ما المقصود بالمعلمات و«المعلمات الفعّالة»؟

المعلمات هي الأرقام التي يتعلمها النموذج أثناء التدريب، ويُعدّ عددها المقياس المعتاد لحجمه: يشير «1.7B» في Qwen3 1.7B إلى نحو 1.7 مليار. أما «المعلمات الفعّالة»، وهي الحرف «E» في Gemma 4 E2B وE4B من Google، فتحصي المعلمات التي يجري النموذج العمليات الحسابية عليها، وتستثني جداول التضمين الكبيرة التي لا يفعل سوى الرجوع إليها.

تقع معظم المعلمات في مصفوفات الأوزان ضمن طبقات الانتباه والتغذية الأمامية في المحوّل، وتمرّ عبرها كل الرموز. وثمة كتلة منفصلة هي التضمينات، تربط كل رمز في المفردات بمتجه، وقد تشكّل حصة كبيرة من الإجمالي في نموذج صغير. يحتوي جدول التضمين في Qwen3 1.7B على 151,936 صفًا (وهي مفرداته المضبوطة، والموسّعة إلى ما يتجاوز إدخالات أداة الترميز البالغة 151,669) بأبعاد 2,048، أي نحو 311 مليون معلمة تضمين، بما يتسق مع بطاقة النموذج التي تسرد 1.7 مليار معلمة إجمالًا و1.4 مليار خارج التضمينات 7. وكثيرًا ما تحصي دراسات التوسع المعلمات غير المتعلقة بالتضمين فقط.

تذهب سلسلة E في Gemma 4 إلى أبعد من ذلك. توضّح بطاقة نموذج Google أن «الحرف “E” في E2B وE4B يرمز إلى المعلمات “الفعّالة”»: تستخدم النماذج تضمينات لكل طبقة (PLE)، ما يمنح «كل طبقة لفك الترميز تضمينًا صغيرًا خاصًا بها لكل رمز»، و«جداول التضمين هذه كبيرة لكنها لا تُستخدم إلا لعمليات بحث سريعة، ولهذا يكون عدد المعلمات الفعّالة أصغر بكثير من الإجمالي» 8. وتسرد البطاقة أن Gemma 4 E2B يضم 2.3 مليار معلمة فعّالة و5.1 مليار مع تضميناته، وأن E4B يضم 4.5 مليار معلمة فعّالة و8 مليارات مع تضميناته.

هذا التمييز مهم على الهاتف لأن عمليات البحث تحتاج إلى ذاكرة لكنها لا تتطلب حسابًا يُذكر، ويمكن لبيئة التشغيل إبقاء الجداول في مساحة التخزين. ويختلف مفهوم «الفعّالة» أيضًا عن «النشطة»: Gemma 4 26B A4B نموذج مزيج من الخبراء يضم 25.2 مليار معلمة، منها 3.8 مليار نشطة أثناء الاستدلال 8.

## لماذا تلائم النماذج الصغيرة الهواتف؟

تستهلك أوزان النموذج تقريبًا عدد معلماته مضروبًا في عدد البتات المخزنة لكل معلمة، ثم مقسومًا على ثمانية. عند 4 بتات، تحتاج 1.7 مليار معلمة إلى نحو 0.85 GB، ما يترك مساحة لنظام Android والتطبيقات الأخرى على هاتف بذاكرة RAM سعتها 4 GB.

عدد المعلمات والدقة هما العاملان المؤثران. يشرح الشكل 1 الحسابات الخاصة بـ Qwen3 1.7B، بدءًا من الفاصلة العائمة ذات 32 بت وصولًا إلى ملف نموذج ذي 4 بتات.

<figure id="la-fit">
<ol>
<li><strong>عند تخزينها كأعداد فاصلة عائمة ذات 32 بت، تستهلك 1.7 مليار معلمة 6.8 GB.</strong></li>
<li><strong>عند 16 بتًا، تستهلك 3.4 GB.</strong></li>
<li><strong>عند 8 بتات، تستهلك 1.7 GB.</strong> كل خفض إلى النصف في عدد البتات لكل وزن يخفض إلى النصف الذاكرة التي تحتاج إليها الأوزان.</li>
<li><strong>عند 4 بتات، نحو 0.85 GB.</strong> نصف بايت لكل وزن هو ما يجعل نموذجًا بهذا الحجم عمليًا على هاتف بسعة 4 GB.</li>
<li><strong>قد يكون ملف نموذج ذي 4 بتات أكبر من الأوزان الخام.</strong> فمقاييس الكتل والبيانات المخزنة الأخرى تزيد حجمه.</li>
</ol>
<figcaption>الشكل 1. الذاكرة اللازمة للاحتفاظ بأوزان Qwen3 1.7B بوحدة الغيغابايت العشرية. حُسبت الأعمدة الزرقاء على أساس المعلمات × البتات ÷ 8 لعدد 1.7 مليار معلمة، وهي تشمل الأوزان فقط؛ كما يحتاج النموذج أثناء التشغيل إلى ذاكرة لذاكرة التخزين المؤقت للمفاتيح والقيم وبيئة التشغيل. العمود البرتقالي هو ملف النموذج الذي تم تنزيله.</figcaption>
</figure>

| الدقة | البتات لكل معلمة | الذاكرة التقريبية للأوزان |
|---|---:|---:|
| فاصلة عائمة ذات 32 بت | 32 | 6.8 GB |
| فاصلة عائمة ذات 16 بت | 16 | 3.4 GB |
| عدد صحيح ذو 8 بتات | 8 | 1.7 GB |
| عدد صحيح ذو 4 بتات | 4 | 0.85 GB |

لهذا السبب تجمع النماذج الملائمة للهواتف بين بضعة مليارات من المعلمات وأوزان ذات 4 بتات أو دقة مختلطة؛ إذ يقلل التكميم مساحة التخزين اللازمة للأوزان.

الأوزان ليست كل ما يشغل الذاكرة. يحتاج النموذج أثناء التشغيل أيضًا إلى ذاكرة لذاكرة التخزين المؤقت للمفاتيح والقيم، التي يزداد حجمها مع طول نافذة السياق، وإلى ذاكرة لبيئة التشغيل نفسها. وتسير السرعة وفق الحساب نفسه: يتطلب كل رمز جديد قراءة أوزان النموذج من الذاكرة، لذا تعني الأوزان الأقل والأصغر إجابات أسرع على الهاتف نفسه.

## ما المهام التي تجيدها النماذج الصغيرة؟

تجيد النماذج الصغيرة المهام التي يتوافر المطلوب فيها داخل الموجّه أو ضمن المعرفة الشائعة: إعادة الصياغة، والتلخيص، وصياغة المسودات، والشرح، والإجابة استنادًا إلى المقاطع المقدمة. ولأنها تعمل على الجهاز، يمكنها أيضًا الإجابة دون اتصال بالشبكة ودون إرسال الموجّه إلى خادم.

تصف بطاقة نموذج Google عائلة Gemma 4 بأنها «ملائمة جيدًا للاستدلال وسير العمل الوكيلي والبرمجة والفهم متعدد الوسائط»، مع قبول E2B وE4B مدخلات نصية وصورية وصوتية 8. وهذه أوصاف المطور ومعاييره؛ ولا يزال أداء مهمة بعينها على هاتف بعينه بحاجة إلى الاختبار.

يساعد تقديم النص المناسب في تعويض ما لا يعرفه النموذج الصغير. يضيف التوليد المعزز بالاسترجاع مقاطع تُجلب وقت طرح السؤال، كي يعمل النموذج انطلاقًا من المصادر بدلًا من الذاكرة. كما أن تشغيل النماذج الصغيرة قابل للتوقع: فلا تكلفة خادم لكل سؤال، ولا طابور انتظار، ولا اعتماد على الاتصال بعد التنزيل.

## أين تقصر النماذج الصغيرة؟

تحتفظ النماذج الصغيرة بمعرفة أقل، وتكون أضعف في الاستدلال الطويل أو متعدد الخطوات، كما تتعامل مع السياقات الطويلة بجودة أدنى من النماذج الأكبر، ويمكنها، شأنها شأن جميع نماذج اللغة، أن تصوغ معلومات خاطئة بطلاقة.

يظهر هذا النمط ضمن عائلة واحدة. ففي بطاقة نموذج Google، يحقق Gemma 4 E2B نسبة 60.0% على معيار MMLU Pro للمعرفة والاستدلال، ويحقق E4B نسبة 69.4%، مقارنةً بنسبة 85.2% لنموذج Gemma 4 ذي 31 مليار معلمة؛ وعلى GPQA Diamond، وهي مجموعة من أسئلة العلوم بمستوى الدراسات العليا، تبلغ النتائج 43.4% و58.6% و84.3% 8. وهذه نتائج Google لنماذجها.

وقد تعلق النماذج الصغيرة أيضًا في تكرار كلامها. تحذر بطاقة نموذج Qwen من أن فك الترميز الجشع «قد يؤدي إلى تدهور الأداء والتكرار بلا نهاية» 7.

## لماذا تنسخ النماذج الصغيرة شكل تعليماتها؟

تميل النماذج الصغيرة إلى محاكاة شكل الموجّه إلى جانب اتباع محتواه، لذا قد يتحول موجّه نظام طويل ومنظم إلى بنية متكررة في كل إجابة.

عاد موجّه طلب من النموذج أن «يبدأ بالإجابة المباشرة، ثم يضيف تفاصيل مفيدة» في صورة إجابات ذات عناوين عريضة تقول «الإجابة المباشرة:» و«تفاصيل مفيدة:». كان المقصود من التعليمات تقديم نصيحة حول المحتوى؛ لكن النموذج تعامل معها كقالب.

## كيف تعمل أوضاع التفكير في النماذج الصغيرة؟

يجعل وضع التفكير النموذج يكتب استدلالًا وسيطًا قبل إجابته النهائية، مستغرقًا وقتًا ورموزًا أكثر للحصول على نتائج أدق في المسائل متعددة الخطوات. ويقدّم كل من Qwen3 وGemma 4 هذا الخيار كتبديل ضمن النموذج نفسه بدلًا من تقديم نموذج استدلال منفصل.

تنبع الفكرة من التلقين بسلسلة التفكير. وقد دُرّبت النماذج الصغيرة الأحدث على الاستدلال؛ وفي حالة Qwen3، تعلّمت جزئيًا من نماذجه الأكبر.

يُضبط التبديل ضمن الموجّه. يستخدم Qwen3 1.7B التفكير افتراضيًا، ويكتب استدلاله داخل كتلة `<think>…</think>`؛ ويمكن للمطورين إيقاف التفكير باستخدام إعداد `enable_thinking`، كما يمكن للمستخدمين إضافة `/think` أو `/no_think` إلى رسالة لتغيير الوضع من دور إلى آخر 7. ويفعّل Gemma 4 التفكير عندما يبدأ موجّه النظام برمز `<|think|>` 8.

يستهلك التفكير وقتًا وسياقًا، لأن رموز الاستدلال جزء من مخرجات النموذج وتشغل حيزًا من نافذته. ويظهر الاستدلال قبل الإجابة عندما يُضبط النموذج لإظهاره، لكن السلوك يعتمد على النموذج والتطبيق.

## كيف تُقارن Qwen3 1.7B وGemma 4 E2B وGemma 4 E4B؟

تختلف النماذج الثلاثة في الحجم والمدخلات وطول السياق. يضم Qwen3 1.7B عدد 1.7 مليار معلمة ويقبل النص فقط؛ وتذكر Google أن Gemma 4 E2B وE4B يضمان 2.3 و4.5 مليار معلمة فعّالة، مع قبول مدخلات نصية وصورية وصوتية. وقد صدرت النماذج الثلاثة بموجب Apache 2.0.

|  | Qwen3 1.7B | Gemma 4 E2B | Gemma 4 E4B |
|---|---|---|---|
| المطوّر | Alibaba (فريق Qwen) | Google DeepMind | Google DeepMind |
| المعلمات | 1.7B، منها 1.4B خارج التضمينات | 2.3B فعّالة، و5.1B مع التضمينات | 4.5B فعّالة، و8B مع التضمينات |
| الطبقات | 28 | 35 | 42 |
| طول السياق | 32,768 رمزًا | 128K رمزًا | 128K رمزًا |
| المدخلات | نص | نص، صورة، صوت | نص، صورة، صوت |
| وضع التفكير | نعم، مفعّل افتراضيًا | نعم | نعم |
| الترخيص | Apache 2.0 | Apache 2.0 | Apache 2.0 |

الجدول 1. المواصفات المنشورة في بطاقة نموذج Qwen3-1.7B من Qwen وبطاقة نموذج Gemma 4 من Google، جرى التحقق منها في 5 أكتوبر 2026 7 8.



## المراجع

7. Qwen. «Qwen3-1.7B». بطاقة النموذج وإعداداته، Hugging Face. تاريخ الاطلاع 5 أكتوبر 2026. [huggingface.co/Qwen/Qwen3-1.7B](https://huggingface.co/Qwen/Qwen3-1.7B)
8. Google DeepMind. «بطاقة نموذج Gemma 4». Google AI for Developers. تاريخ الاطلاع 5 أكتوبر 2026. [ai.google.dev/gemma/docs/core/model_card_4](https://ai.google.dev/gemma/docs/core/model_card_4)

## طبّق هذا الدليل باستخدام Ailoot

اربط نماذج الذكاء الاصطناعي بتطبيقاتك ووكلائك وأتمتاتك عبر واجهة Ailoot API واحدة. اختر النموذج المناسب لمهمتك واتبع [وثائق Ailoot](https://ailoot.ai/docs/) للبدء.

## Ailoot · الشركة ومحفظة مشاريعها

تستند Ailoot إلى خبرة تشغيلية متراكمة وقاعدة عملاء واسعة وخدمة مستقرة ومراقبة مستمرة لمؤشرات الأداء KPI.

الشركة ومحفظة مشاريعها: ملايين العملاء؛ مبيعات بالمليارات شهريًا.

توظف Ailoot هذه الخبرة التشغيلية لإتاحة الوصول عبر API إلى قدرات الذكاء الاصطناعي في منتجات العملاء ووكلائهم وتطبيقاتهم وعمليات الأتمتة.
