أخبار ar.wedoany.com، تواصل شركة إنفيديا (Nvidia) توسيع محفظة منتجاتها بإضافة عدة نماذج، مع الإعلان عن أكبر نموذج منها فقط. في الوقت نفسه، أصدرت مايكروسوفت (Microsoft) مجموعة من النماذج خلال مؤتمر Build في أوائل يونيو، لكنها للأسف كانت جميعها مغلقة المصدر، مما يزيد من تباعدها عن OpenAI.
أطلقت شركة StepFun، وهي شركة ذكاء اصطناعي مقرها شنغهاي، نموذج الاستدلال الجديد Step 3.7 Flash بعد نجاح إطلاق نموذجها 3.5 في الربيع. يشبه هيكل هذا النموذج الجيل السابق، لكنه أضاف مشفرًا بصريًا (Vision Encoder) يمكنه من فهم الصور. أصبحت وظيفة الاستدلال قابلة للتكوين الآن، مما يتجنب تراكم عدد كبير من الرموز (Tokens) فورًا عند التعامل مع الأسئلة البسيطة، وهو أمر مفيد بشكل خاص للاستخدامات الوكيلة (agentic). مثل العديد من النماذج الصينية، خضع الجيل السابق لمراجعة صارمة؛ ولم يطرأ تغيير كبير على الإصدار 3.7، لكن النموذج يعطي الحقائق في منطقة الاستدلال ثم يتم كبتها في الإجابة النهائية، وهو ما يبدو ناتجًا عن حواجز الحماية (guardrails) المطبقة في مرحلة التدريب النهائية. وبخلاف ذلك، فإن معظم الإجابات صحيحة. ومن المثير للاهتمام، أنه عند التعامل مع الأسئلة باللغة الألمانية، تتم عملية الاستدلال في الغالب باللغة الألمانية، بينما تظل كلمات المقاطعة مثل "wait" باللغة الإنجليزية، وهو ما يختلف عن جميع النماذج الأخرى تقريبًا التي تستخدم اللغة الإنجليزية فقط في الاستدلال. حظي النموذج بتقييم عالٍ من المجتمع، خاصة عند استخدامه مع وكلاء البرمجة (Coding Agents). على موقع StepFun الإلكتروني، تظهر بياناته تفوقًا كبيرًا على النماذج القديمة، بل وتتجاوز DeepSeek V4 Flash. يمكن العثور على نتائج Step 3.7 Flash في مستودع GitHub الخاص بهذه المقالة.
على الرغم من أن نموذج M3 من MiniMax يُصنف على أنه "وزن مفتوح" (Open Weight)، إلا أنه لا يمكن حاليًا تنزيل الأوزان من Hugging Face، ولا يمكن تجربته إلا مباشرة عبر MiniMax.ai أو OpenRouter. قامت MiniMax بتحسين بنية الانتباه: تحدد المرحلة الأولى الرموز المهمة، ثم تقوم المرحلة الثانية بتمرير هذه الرموز إلى عملية حساب الانتباه الكاملة. تدعي MiniMax أن M3 يعالج المطالبات (prompts) بسرعة تقارب عشرة أضعاف سرعة M2، وأن سرعة التوليد أسرع بمقدار 15 مرة. لا توجد حاليًا اختبارات معيارية عامة، لكن بيانات MiniMax الخاصة تشير إلى أنه في مجال البرمجة، إذا كانت البيانات دقيقة، فإنه يمكنه منافسة أفضل نماذج Anthropic. يمكن العثور على نتائج MiniMax M3 في مستودع GitHub الخاص بهذه المقالة.
اعتمدت شركة Liquid AI بنية فريدة لنماذجها الأساسية السائلة (Liquid Foundation Models)، مما يجعل توليد الرموز فعالاً للغاية، مع إمكانية تشغيلها بشكل جيد على وحدات المعالجة المركزية (CPU). يحتوي النموذج الجديد LFM2.5-8B-A1B على مليار معلمة نشطة فقط، ويهدف إلى منافسة النماذج الأكبر مثل gpt-oss-20b وQwen3-30B-A3B-Thinking-2507 وGemma-4-26B-A4B-IT. على جهاز Mac Studio M2 Ultra، تصل سرعة هذا النموذج إلى ما يقرب من 200 رمز في الثانية، ورغم أنه لا يمكنه مجاراة النماذج الكبيرة تمامًا، إلا أنه مناسب للتطبيقات المتخصصة أو سيناريوهات الوكيل. يمكن العثور على نتائج LFM2.5-8B-A1B في مستودع GitHub الخاص بهذه المقالة.
أصدرت إنفيديا (Nvidia) عدة تحديثات للنماذج. يمكن استخدام نموذج LocateAnything لتحليل الصور وإخراج مربعات إحاطة تحتوي على كائنات محددة؛ وتكون عملية معالجته متوازية للغاية، ويمكنه حتى تحليل المستندات الممسوحة ضوئيًا، وهو مناسب لتحديد عناصر واجهة المستخدم الرسومية وتشغيل المتصفح عبر الوكيل. يبلغ حجم هذا النموذج حوالي 8 جيجابايت، ويمكن تشغيله على وحدات معالجة رسومية (GPU) استهلاكية. يقدم مفكك تشفير الانتشار البكسل (Pixel Diffusion Decoder) نموذج انتشار مبتكرًا في فضاء البكسل، لكن تشغيله لا يزال معقدًا، حيث يتطلب تنزيل نقاط التحقق من صفحة Hugging Face واستخدام برنامج متخصص للمعالجة. يمتلك نموذج Nemotron 3 Ultra 550 مليار معلمة، منها 55 مليار معلمة نشطة، ويستخدم نوع البيانات NVFP4 وآلية انتباه محسنة (تحتوي على عدد كبير من طبقات Mamba)، ويمكن أن يصل طول السياق إلى مليون رمز. لكن Nemotron 3 Ultra لم يلحق بعد بالنماذج مفتوحة المصدر الصينية. وكما هو الحال مع جميع نماذج Nemotron، توفر إنفيديا معظم بيانات التدريب والكود، مما يجعله يتمتع بدرجة عالية من الانفتاح من حيث الشفافية، ولا يتمتع بمستوى مماثل إلا شركات الذكاء الاصطناعي الأصغر حجمًا مثل Olmo أو نماذج Apertus. يمكن الشعور بالأصل الغربي للنموذج من إجاباته: فبينما تتجنب النماذج الصينية الإجابة بحذر، غالبًا ما يقدم هذا النموذج إجابات أكثر وضوحًا أو محايدة سياسيًا أو ذات وجهة نظر مختلفة. يمكن العثور على نتائج Nemotron 3 Ultra في مستودع GitHub الخاص بهذه المقالة.
تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com
