> ## Content Index
> Fetch the complete content index at: https://arabroot.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# النماذج المفتوحة Open Weights: الرخص والأحجام والعربية
- URL: https://arabroot.io/articles/النماذج-المفتوحة-open-weights-الرخص-والاحجام-والعربية/
- Published: 2026-11-19T06:48:04.000Z
- Updated: 2026-11-19T07:48:18.000Z
- Description: ما الذي تحمله عندما تحمل نموذجاً مفتوحاً، وماذا تسمح لك رخص Qwen وLlama وMistral وDeepSeek وGemma، وكم تخسر بالتكميم في العربية بقياس حقيقي.
- Author: فريق عرب رووت
- Tags: الأدلة التقنية, الذكاء الاصطناعي والبيانات, الاستضافة الذاتية

تفتح صفحة نموذج على Hugging Face فتجد زر تحميل وملفاً حجمه ثلاثة جيجابايتات، وتجد في أعلى الصفحة كلمة «مفتوح»، وتحت الملف عشرات النسخ بأسماء مثل Q4\_K\_M وQ8\_0 وF16 وAWQ، فتبدأ الأسئلة: ما الذي حملته بالضبط؟ وهل يحق لك أن تبني عليه منتجاً Product تبيعه لعملائك Customers، أم أن «مفتوح» هنا تعني شيئاً آخر؟ وأي نسخة من هذه النسخ تختار لجهازك، وكم تخسر من الجودة Quality إذا اخترت الأصغر؟ وهل يفهم هذا النموذج العربية أصلاً، أم أن الأرقام اللامعة في صفحته كلها لأسئلة إنجليزية؟

وقد شرحنا في مقال [كيف تعمل نماذج اللغة الكبيرة LLM](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D8%AA%D8%B9%D9%85%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D9%83%D8%A8%D9%8A%D8%B1%D8%A9-llm-%D8%AE%D8%B7%D9%88%D8%A9-%D8%A8%D8%AE%D8%B7%D9%88%D8%A9/) ما يحدث داخل النموذج، وفي مقال [تشغيل نماذج اللغة على جهازك](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/) كم ذاكرة يحتاج وماذا تتوقع من كل جهاز، وفي [مصطلحات الذكاء الاصطناعي](https://arabroot.io/articles/%D9%85%D8%B5%D8%B7%D9%84%D8%AD%D8%A7%D8%AA-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%88%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/) الفرق بين الأوزان المفتوحة Open Weights والمصدر المفتوح Open Source بحسب تعريف OSI. أما هذا المقال فيأخذ الخطوة التي بعدها: أن تختار نموذجاً مفتوحاً بعينه وأنت تعرف ما تحمله، وما تسمح لك رخصته License، وكم يكلفك كل مستوى من التكميم Quantization، وكيف يجيب بالعربية على أسئلة تكتبها أنت.

وسوف نناقش في هذا المقال ما يلي:

- ماذا يوجد في الملفات التي تحملها، وماذا لا يوجد فيها.
- العائلات الخمس الأشهر: Qwen وLlama وMistral وDeepSeek وGemma، ورخصة كل منها كما قرأناها في صفحاتها الرسمية بتاريخها.
- خمسة أسئلة تقرأ بها أي رخصة نموذج قبل أن تبني عليه.
- أحجام النماذج، والفرق بين النموذج الكثيف Dense ومزيج الخبراء Mixture of Experts.
- تجربة حقيقية على نموذج صغير: نحوله بأنفسنا إلى خمسة مستويات من التكميم Quantization، ونقيس الحجم والذاكرة Memory والسرعة Speed والجودة بالعربية.
- اختبار عربي صغير من اثني عشر سؤالاً على ستة نماذج من خمس عائلات، بنتائج كل سؤال.
- طول السياق Context Length كما تكتبه بطاقة النموذج Model Card، وما يحدث إذا تجاوزته.

## ماذا تحمل عندما تحمل نموذجاً مفتوحاً؟

النموذج المفتوح في صورته الأصلية ليس ملفاً واحداً، وإنما مستودع على Hugging Face فيه عدة ملفات، ولنأخذ مثالاً النموذج [Qwen2.5-1.5B-Instruct](https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct?ref=arabroot.io) الذي سوف نجرب عليه في هذا المقال، فمستودعه الرسمي يحوي الملفات التالية:

| الملف                                  | الحجم       | ماذا فيه                                                                     |
| -------------------------------------- | ----------- | ---------------------------------------------------------------------------- |
| model.safetensors                      | 3.09 GB     | الأوزان Weights نفسها، أي 1.54 مليار رقم بدقة BF16 (بايتان لكل رقم)          |
| config.json                            | 660 بايت    | بنية النموذج: 28 طبقة، وحجم كل طبقة، وعدد رؤوس الانتباه، وأطول سياق 32,768   |
| tokenizer.json وvocab.json وmerges.txt | قرابة 11 MB | المقطع Tokenizer وقاموسه من 151,936 توكناً                                   |
| tokenizer\_config.json                 | 7 KB        | قالب المحادثة Chat Template الذي يحول رسائلك إلى النص الذي تدرب عليه النموذج |
| generation\_config.json                | 242 بايت    | الإعدادات المقترحة للتوليد: درجة الحرارة 0.7 وtop\_p 0.8 وtop\_k 20          |
| LICENSE وREADME.md                     | صغيرة       | الرخصة، وبطاقة النموذج Model Card                                            |

وفي المقابل، ما لا تجده في المستودع Repository أهم لفهم كلمة «مفتوح»: لا توجد بيانات التدريب Training Data، ولا كود التدريب Training Code، ولا الوصفة التي صنعت النموذج، لذلك تستطيع أن تشغل هذا النموذج وتعدله بالتدريب الإضافي Fine-tuning، ولكنك لا تستطيع أن تعيد بناءه من الصفر ولا أن تعرف بدقة على أي نصوص عربية تدرب. وهذا هو معنى الأوزان المفتوحة Open Weights: المنتج النهائي متاح، والمصنع مغلق.

أما أدوات التشغيل على الأجهزة الشخصية مثل llama.cpp وOllama فتستخدم صيغة مختلفة اسمها GGUF، وهي ملف واحد يجمع الأوزان والمقطع وقالب المحادثة وبيانات البنية Architecture معاً، وغالباً بأوزان مكممة. وتجد لأغلب النماذج المشهورة مستودع GGUF رسمياً من الشركة نفسها، مثل [Qwen/Qwen2.5-1.5B-Instruct-GGUF](https://huggingface.co/Qwen/Qwen2.5-1.5B-Instruct-GGUF?ref=arabroot.io)، أو من مستخدمين آخرين، وهنا انتبه: الملف الذي ينشره شخص آخر قد يكون مكمماً بطريقة مختلفة أو بقالب محادثة خاطئ، فابدأ بالمستودع الرسمي إذا وجد. والصورة التالية تبين الطريق من المستودع الأصلي إلى الملف الذي يعمل على جهازك:

![ثلاث بطاقات: المستودع الأصلي على Hugging Face بملفاته model.safetensors وconfig.json وtokenizer وLICENSE، ثم التكميم بأداة llama-quantize إلى خمسة أحجام، ثم ملف GGUF واحد يعمل في llama.cpp وOllama، وتحتها بطاقة حمراء بما لا يوجد: بيانات التدريب وكوده](https://arabroot.io/content/images/2026/11/open-models-01-files.webp)

من المستودع الأصلي إلى ملف GGUF واحد، وما لا تجده في أي منهما

## العائلات الخمس ورخصها كما هي اليوم

الحل البسيط أن تحفظ قاعدة واحدة لكل شركة، فتقول إن Qwen برخصة Apache وLlama برخصة Meta الخاصة، ثم تحمل أي نموذج من العائلة وأنت مطمئن. والمشكلة أن الرخصة تتبع النموذج وليس الشركة، بل تتبع الحجم أحياناً، والشركات نفسها غيرت رخصها أكثر من مرة خلال سنتين. لذلك قرأنا رخصة كل نموذج من ملف LICENSE في مستودعه الرسمي أو من صفحة الشركة في 18 نوفمبر 2026، والجدول التالي يلخص ما وجدناه:

| العائلة  | النموذج                                                                                                 | الرخصة                                                                                                                                                                                                                                                          | أهم شرط                                                                                                                             |
| -------- | ------------------------------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ----------------------------------------------------------------------------------------------------------------------------------- |
| Qwen     | Qwen2.5 بأغلب أحجامها (منها 1.5B و7B)، وQwen3 كلها، وQwen3.8-27B                                        | Apache-2.0                                                                                                                                                                                                                                                      | لا يوجد شرط على الاستخدام التجاري Commercial Use، فقط الاحتفاظ بنص الرخصة                                                           |
| Qwen     | Qwen2.5-3B                                                                                              | [Qwen Research License](https://huggingface.co/Qwen/Qwen2.5-3B-Instruct/blob/main/LICENSE?ref=arabroot.io) (19 سبتمبر 2024)                                                                                                                                     | للبحث والتقييم فقط، والاستخدام التجاري يحتاج رخصة منفصلة                                                                            |
| Qwen     | Qwen3.8-Flash-Next                                                                                      | [Qwen Community License 1.0](https://huggingface.co/Qwen/Qwen3.8-Flash-Next/blob/main/LICENSE?ref=arabroot.io) (2026)                                                                                                                                           | من يقدم النموذج خدمة لغيره Model as a Service أو مساعداً للبرمجة والمكتب يحتاج رخصة منفصلة، أما الاستخدام الداخلي فمسموح            |
| Qwen     | Qwen3.8-2.4T-A95B                                                                                       | [Qwen3.8-Max License](https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B/blob/main/LICENSE?ref=arabroot.io) (2026)                                                                                                                                                   | نفس الشرط السابق، ولكن فقط إذا زادت إيرادات الشركة عن 50 مليون دولار في 12 شهراً                                                    |
| Llama    | Llama 3.2 وLlama 4                                                                                      | [Llama 4 Community License](https://github.com/meta-llama/llama-models/blob/main/models/llama4/LICENSE?ref=arabroot.io) (5 أبريل 2025)، ومثلها [رخصة Llama 3.2](https://github.com/meta-llama/llama-models/blob/main/models/llama3%5F2/LICENSE?ref=arabroot.io) | أكثر من 700 مليون مستخدم شهرياً يحتاج رخصة، وعبارة «Built with Llama»، وكلمة Llama في بداية اسم أي نموذج مشتق، وسياسة استخدام مقبول |
| Mistral  | Ministral 3 وMistral Small 3.2 وMistral Large 3                                                         | Apache-2.0                                                                                                                                                                                                                                                      | لا يوجد شرط على الاستخدام التجاري                                                                                                   |
| Mistral  | Mistral Medium 3.5                                                                                      | [Modified MIT License](https://huggingface.co/mistralai/Mistral-Medium-3.5-128B/blob/main/LICENSE?ref=arabroot.io) (2026)                                                                                                                                       | لا يحق لك استخدامه إذا زادت إيرادات شركتك الشهرية عن 20 مليون دولار                                                                 |
| Mistral  | Mistral Large 4                                                                                         | [Mistral Ecosystem Open-Weight License](https://huggingface.co/mistralai/Mistral-Large-4-1T-A52B/blob/main/LICENSE?ref=arabroot.io) (2026)                                                                                                                      | من يقدمه خدمة لغيره Model as a Service يحتاج رخصة تجارية، والاستخدام الداخلي مسموح                                                  |
| DeepSeek | DeepSeek-R1 وV3.2 و[V4.1-Flash](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash?ref=arabroot.io) | MIT                                                                                                                                                                                                                                                             | لا يوجد شرط على الاستخدام التجاري، والنسخ المصغرة Distill تتبع رخصة النموذج الذي بنيت عليه                                          |
| Gemma    | Gemma 1 إلى 3 وGemma 3n                                                                                 | [Gemma Terms of Use](https://gemma.ai/resources/terms/?ref=arabroot.io) (آخر تعديل 1 أبريل 2026)                                                                                                                                                                | سياسة استخدام ممنوع ملزمة لك ولمن توزع له، ولGoogle أن تقيد الاستخدام المخالف                                                       |
| Gemma    | Gemma 4                                                                                                 | Apache-2.0 بحسب [بطاقة Gemma 4](https://gemma.ai/models/gemma-4/model-card/?ref=arabroot.io)                                                                                                                                                                    | لا يوجد شرط على الاستخدام التجاري                                                                                                   |

والصورة التالية تضع هذه الرخص Licenses على خط واحد من الأكثر تساهلاً إلى الأكثر تقييداً:

![أربعة أعمدة للرخص: متساهلة Apache-2.0 وMIT، ثم رخص بشرط على تقديم النموذج كخدمة أو على الإيرادات، ثم رخص الشركات الخاصة مثل Llama وGemma 3، ثم رخصة للبحث فقط لنموذج Qwen2.5-3B](https://arabroot.io/content/images/2026/11/open-models-02-licenses.webp)

نفس العائلة تظهر في أكثر من عمود لأن الرخصة تتبع النسخة

في الجدول أعلاه لاحظ التالي:

- العائلة الواحدة فيها أكثر من رخصة: في Qwen تجد Apache-2.0 للنموذج 1.5B، ورخصة بحثية لا تسمح بالاستخدام التجاري للنموذج 3B الذي يليه مباشرة في الحجم، ثم رخصتين جديدتين في 2026 لأكبر نماذج Qwen3.8\. وفي Mistral تجد Apache-2.0 للنماذج الصغيرة والمتوسطة، وحداً على الإيرادات في Medium 3.5، وشرطاً على تقديم النموذج كخدمة في Large 4.
- الاتجاه في 2026 أن تبقى النماذج الصغيرة والمتوسطة برخص متساهلة Permissive مثل Apache-2.0 وMIT، وأن تأخذ النماذج الأكبر رخصاً معدلة تمنع شيئاً واحداً تقريباً: أن تأخذ النموذج وتبيعه كخدمة API تنافس بها صاحبه. ولاحظ أن Gemma سارت في الاتجاه المعاكس، فبعد ثلاثة أجيال بشروط Google الخاصة صدر Gemma 4 برخصة Apache-2.0.
- النسخ المصغرة Distill من [DeepSeek-R1](https://huggingface.co/deepseek-ai/DeepSeek-R1-Distill-Qwen-1.5B?ref=arabroot.io) مثال على رخصة موروثة: الكود والأوزان برخصة MIT، ولكن بطاقة النموذج تذكر أن النسخ المبنية على Qwen2.5 أصلها برخصة Apache-2.0، والمبنية على Llama 3.1 و3.3 أصلها برخصة Llama، فتحمل شروطها معها.
- رخصة Llama ليست رخصة مفتوحة المصدر بتعريف OSI كما شرحنا في [مقال المصطلحات](https://arabroot.io/articles/%D9%85%D8%B5%D8%B7%D9%84%D8%AD%D8%A7%D8%AA-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%88%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)، ولكنها تسمح بالاستخدام التجاري لأغلب الشركات، والقيد الحقيقي لك غالباً هو شرط التسمية وعبارة «Built with Llama» وسياسة الاستخدام المقبول Acceptable Use Policy، وفي [سياسة الاستخدام المقبول لـ Llama 4](https://github.com/meta-llama/llama-models/blob/main/models/llama4/USE%5FPOLICY.md?ref=arabroot.io) أيضاً أن حقوق النماذج متعددة الوسائط Multimodal في Llama 3.2 وLlama 4 لا تمنح لمن يقيم أو تقع شركته في الاتحاد الأوروبي، إلا كمستخدم نهائي لمنتج مبني عليها.

⚠️

الرخص في هذا الجدول قرأناها في 18 نوفمبر 2026، والشركات تغير رخص الإصدارات الجديدة كما رأيت. لذلك اقرأ ملف LICENSE في مستودع النسخة التي تحملها بالضبط، وليس صفحة العائلة، واحفظ نسخة منه مع ملفات النموذج في مشروعك، لأن الرخصة التي حملت بها النسخة هي التي تحكم استخدامك لها.

### خمسة أسئلة تقرأ بها أي رخصة نموذج

لن تحتاج محامياً لكل نموذج تجربه، ولكنك تحتاج أن تبحث في الرخصة عن خمسة أشياء محددة قبل أن تبني عليها منتجاً، وأغلب الرخص التي رأيتها في الجدول قصيرة، فرخصة Qwen Community وMistral Ecosystem أقل من صفحة واحدة:

1. الاستخدام التجاري Commercial Use: هل الرخصة تسمح به أصلاً؟ ابحث عن كلمات مثل «Non-Commercial» و«research or evaluation purposes only»، فهذه رخصة بحثية لا تصلح لمنتج حتى لو كان النموذج نفسه مجانياً.
2. الحدود Thresholds: هل يوجد رقم يغير الشروط؟ مثل 700 مليون مستخدم شهرياً في Llama، أو 20 مليون دولار إيرادات شهرية في Mistral Medium 3.5، أو 50 مليون دولار في 12 شهراً في Qwen3.8-Max. ولاحظ أن الحد في Mistral Medium 3.5 يحسب على شركتك أو صاحب عملك، فالمطور Developer الذي يعمل في شركة كبيرة لا يحق له استخدامه في عمله.
3. نوع الاستخدام: هل الرخصة تفرق بين الاستخدام الداخلي وتقديم النموذج لغيرك؟ أغلب الرخص الجديدة تسمح بالاستخدام الداخلي Internal Use بلا شرط، وتمنع تقديم النموذج كخدمة Model as a Service دون رخصة تجارية، والتعريف في الرخصتين أن تعطي طرفاً ثالثاً تحكماً حقيقياً في المدخلات أو الإعدادات أو بيانات التدريب، أما المنتج الذي يستخدم النموذج داخل ميزة محددة فلا يدخل في التعريف عند Mistral.
4. الإشارة والتسمية Attribution: هل يجب أن تكتب اسم النموذج في واجهة منتجك، أو تبدأ اسم نموذجك المعدل بكلمة معينة، أو ترفق ملف NOTICE؟ هذه شروط سهلة ولكنها ملزمة، ونسيانها يخرجك من الرخصة.
5. سياسة الاستخدام Use Policy: هل تحيل الرخصة إلى سياسة منفصلة للاستخدامات الممنوعة؟ Llama وGemma 3 تفعلان ذلك، والسياسة جزء من الرخصة، ويجب أن تمررها لمن توزع له النموذج أو نسخة معدلة منه.

وقد يتساءل البعض: هل تنطبق الرخصة على النص الذي يكتبه النموذج أيضاً؟ والإجابة أن أغلب الرخص لا تدعي ملكية المخرجات Outputs، ولكن بعضها يقيد استخدامها، فرخصة Llama مثلاً تشترط أن يبدأ اسم أي نموذج تدربه أو تحسنه بمخرجات Llama بكلمة «Llama» إذا وزعته، لذلك إذا كنت تنوي توليد بيانات تدريب Synthetic Data من نموذج لتدرب بها نموذجاً آخر، فاقرأ هذا البند تحديداً. وإذا أردت أن تفهم الرخص المتساهلة نفسها مثل Apache-2.0 وMIT وما تشترطه، فقد شرحناها في [البرمجيات مفتوحة المصدر وتراخيصها](https://arabroot.io/articles/%D9%85%D8%A7-%D9%87%D9%8A-%D8%A7%D9%84%D8%A8%D8%B1%D9%85%D8%AC%D9%8A%D8%A7%D8%AA-%D9%85%D9%81%D8%AA%D9%88%D8%AD%D8%A9-%D8%A7%D9%84%D9%85%D8%B5%D8%AF%D8%B1-%D9%88%D8%AA%D8%B1%D8%A7%D8%AE%D9%8A%D8%B5%D9%87%D8%A7/).

## أحجام النماذج: الكثيف Dense ومزيج الخبراء Mixture of Experts

الرقم الذي تراه في اسم النموذج، مثل 1.5B أو 27B، هو عدد المعاملات Parameters بالمليارات، وقد رأيت في مقال [تشغيل نماذج اللغة على جهازك](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#memory-rule) كيف تحول هذا الرقم إلى ذاكرة. والمشكلة أن هذا الرقم لم يعد يكفي وحده منذ انتشرت نماذج مزيج الخبراء Mixture of Experts واختصاراً MoE، فالاسم نفسه أصبح يحمل رقمين، والصورة التالية تبين الفرق:

![مقارنة بين نموذج كثيف تمر فيه كل التوكنز على كل المعاملات، ونموذج مزيج خبراء فيه ثمانية خبراء في كل طبقة يختار منها Router خبيرين لكل توكن، مع مثال Gemma 4 26B A4B](https://arabroot.io/content/images/2026/11/open-models-03-moe.webp)

في مزيج الخبراء الذاكرة للحجم الكلي، والسرعة للحجم النشط

في النموذج الكثيف Dense، مثل Qwen2.5-1.5B أو Qwen3.8-27B، يمر كل توكن على كل المعاملات، فالرقم الواحد يحدد الذاكرة والسرعة معاً. أما في نموذج MoE فكل طبقة فيها عدد من الشبكات الصغيرة تسمى الخبراء Experts، وشبكة صغيرة اسمها Router تختار لكل توكن خبيرين أو ثلاثة منها فقط، لذلك تجد في الاسم الحجم الكلي والحجم النشط Active Parameters، مثل Qwen3.8-2.4T-A95B، أي 2.4 تريليون معامل كلي و95 ملياراً نشطة لكل توكن، ومثل Gemma 4 26B A4B، أي 25.2 مليار كلي و3.8 مليار نشطة بحسب بطاقته.

وهذا يعني شيئين عمليين: الذاكرة يحددها الحجم الكلي، لأن كل الخبراء يجب أن يكونوا محملين وجاهزين، فلا تتوقع أن يدخل نموذج 26B A4B في ذاكرة نموذج 4B. أما سرعة التوليد Token Generation فيحددها الحجم النشط في الغالب، لأن كل توكن يقرأ أوزان الخبراء الذين اختيروا له فقط، لذلك يولد نموذج MoE أسرع بكثير من نموذج كثيف بنفس حجمه الكلي. وهذا ما يجعل نماذج MoE مناسبة لسيرفر فيه ذاكرة كبيرة وسرعة ذاكرة متوسطة، مثل جهاز Mac بذاكرة موحدة كبيرة أو سيرفر بذاكرة RAM كبيرة.

والنماذج الكبيرة التي تسمع عنها في الأخبار أبعد بكثير عن جهاز عادي: DeepSeek-V4.1-Flash مثلاً نموذج MoE متعدد الوسائط بـ 552 مليار معامل في بنيته الأساسية ونافذة سياق تصل إلى مليون توكن بحسب بطاقته، وهذا يحتاج سيرفراً بعدة بطاقات رسومية حتى بأصغر تكميم، وسوف نعود إليه في مقال تشغيل DeepSeek على سيرفرك. والجدول التالي يجمع أحجام النماذج التي ذكرناها، والذاكرة التقريبية لأوزانها وحدها بتكميم 4 بت:

| النموذج           | النوع | المعاملات                                    | الأوزان بتكميم 4 بت تقريباً | أين يعمل                                |
| ----------------- | ----- | -------------------------------------------- | --------------------------- | --------------------------------------- |
| Qwen2.5-1.5B      | كثيف  | 1.54 مليار                                   | 1 GB                        | أي لابتوب بالمعالج CPU                  |
| Ministral 3 3B    | كثيف  | 3.4 مليار للغة و0.4 مليار للرؤية             | 3 GB في مكتبة Ollama        | لابتوب بذاكرة 8 GB فأكثر                |
| Gemma 4 E4B       | كثيف  | 4.5 مليار فعالة، و8 مليارات مع جداول التضمين | قرابة 4.5 GB                | لابتوب بذاكرة 16 GB أو بطاقة 8 GB       |
| Qwen3.8-27B       | كثيف  | 27.8 مليار                                   | قرابة 16 GB                 | بطاقة 24 GB أو Mac بذاكرة 32 GB         |
| Gemma 4 26B A4B   | MoE   | 25.2 مليار كلي، 3.8 نشطة                     | قرابة 14 GB                 | نفس ذاكرة النموذج 27B، بسرعة توليد أعلى |
| Qwen3.8-2.4T-A95B | MoE   | 2.4 تريليون كلي، 95 مليار نشطة               | أكثر من تيرابايت            | مركز بيانات بعشرات البطاقات             |

والأرقام في عمود الأوزان تقريبية بقاعدة «المعاملات × 4.5 بت تقريباً ÷ 8»، ما عدا Qwen2.5 الذي قسناه بأنفسنا أدناه، وMinistral 3 الذي أخذناه من مكتبة Ollama، وقد شرحنا في [قاعدة الذاكرة](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#memory-rule) لماذا تضيف فوقها ذاكرة السياق والحساب Compute.

## تجربة حقيقية: كم تخسر عندما تكمم النموذج؟

شرحنا فكرة التكميم Quantization في [كيف تعمل نماذج اللغة](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D8%AA%D8%B9%D9%85%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D9%83%D8%A8%D9%8A%D8%B1%D8%A9-llm-%D8%AE%D8%B7%D9%88%D8%A9-%D8%A8%D8%AE%D8%B7%D9%88%D8%A9/)، ونصائح اختيار نوعه في [تشغيل نماذج اللغة على جهازك](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#quantization)، وكلها تقول إن Q4\_K\_M «نقطة توازن جيدة». والسؤال الذي لا تجيب عنه هذه النصائح: جيدة بالنسبة لماذا، وهل يصدق هذا على العربية؟ لذلك سوف نأخذ نسخة F16 الرسمية من Qwen2.5-1.5B-Instruct، ونحولها بأنفسنا إلى أربعة مستويات، ثم نقيس كل نسخة بأربعة مقاييس: حجم الملف، والسرعة، والحيرة Perplexity على نص عربي، والإجابات على أسئلة عربية نعرف إجابتها.

### الخطوة الأولى: التكميم بأنفسنا

بنينا [llama.cpp الإصدار 1.0.0](https://github.com/ggml-org/llama.cpp/releases/tag/v1.0.0?ref=arabroot.io) من الكود المصدري في Container من نوع `debian:trixie-slim`، وحملنا ملف `qwen2.5-1.5b-instruct-fp16.gguf` من المستودع الرسمي Qwen/Qwen2.5-1.5B-Instruct-GGUF، ثم شغلنا أداة `llama-quantize` الموثقة في [صفحة أداة التكميم](https://github.com/ggml-org/llama.cpp/blob/master/tools/quantize/README.md?ref=arabroot.io) أربع مرات:

```bash
for q in Q8_0 Q5_K_M Q4_K_M Q2_K; do
  f=qwen2.5-1.5b-instruct-$(echo $q | tr A-Z a-z).gguf
  /usr/bin/time -f "$q took %e s, max RSS %M KB" \
    llama-quantize qwen2.5-1.5b-instruct-f16.gguf $f $q 2>&1 | grep -E "model size|quant size|took"
done
```

والمخرج سوف يكون كما يلي:

```text
llama_model_quantize_impl: model size  =  3389.80 MiB (16.00 BPW)
llama_model_quantize_impl: quant size  =  1801.09 MiB (8.50 BPW)
Q8_0 took 20.35 s, max RSS 1658180 KB
llama_model_quantize_impl: model size  =  3389.80 MiB (16.00 BPW)
llama_model_quantize_impl: quant size  =  1220.27 MiB (5.76 BPW)
Q5_K_M took 57.63 s, max RSS 1603044 KB
llama_model_quantize_impl: model size  =  3389.80 MiB (16.00 BPW)
llama_model_quantize_impl: quant size  =  1059.89 MiB (5.00 BPW)
Q4_K_M took 51.95 s, max RSS 1602800 KB
llama_model_quantize_impl: model size  =  3389.80 MiB (16.00 BPW)
llama_model_quantize_impl: quant size  =   712.33 MiB (3.36 BPW)
Q2_K took 32.99 s, max RSS 1602612 KB
```

في المخرج أعلاه لاحظ التالي:

- BPW اختصار Bits Per Weight، أي متوسط البتات لكل رقم في الملف: 16 في الأصل، ثم 8.5 في Q8\_0، ثم 5.76 و5.00، ثم 3.36 في Q2\_K. ولاحظ أن Q4\_K\_M ليس 4 بتات بالضبط، وإنما 5.00، والسبب أن حرف K يعني أن الأرقام تقسم إلى مجموعات صغيرة Blocks، لكل مجموعة مقياس Scale خاص بها يحفظ معها، وحرف M يعني أن بعض الطبقات Layers الحساسة تحفظ بدقة أعلى من غيرها.
- التكميم نفسه سريع، أقل من دقيقة لنموذج بهذا الحجم، ويحتاج ذاكرة قرابة نصف حجم الملف الأصلي، لأن الأداة تقرأ الطبقات واحدة بعد الأخرى ولا تحمل النموذج كله.
- الملف الأصلي 3389.80 MiB رغم أن ملف safetensors في المستودع الأصلي 3.09 GB، والسبب أن Qwen2.5-1.5B يستخدم نفس مصفوفة الكلمات في المدخل والمخرج Tied Embeddings بحسب `config.json`، وملف GGUF الرسمي يحفظها مرتين، لذلك يعرض llama.cpp عدد المعاملات 1.78 B بدل 1.54 B المكتوب في البطاقة.

### الخطوة الثانية: السرعة والذاكرة

أداة `llama-bench` تقيس رقمين لكل ملف: سرعة قراءة النص Prompt Processing على 256 توكناً واختصارها `pp256`، وسرعة التوليد Token Generation على 64 توكناً واختصارها `tg64`، وتكرر كل قياس ثلاث مرات وتعطيك المتوسط والانحراف Standard Deviation:

```bash
llama-bench -m qwen2.5-1.5b-instruct-f16.gguf,qwen2.5-1.5b-instruct-q8_0.gguf,qwen2.5-1.5b-instruct-q5_k_m.gguf,qwen2.5-1.5b-instruct-q4_k_m.gguf,qwen2.5-1.5b-instruct-q2_k.gguf \
  -t 4 -p 256 -n 64 -r 3 -o md
```

والمخرج سوف يكون كما يلي:

```text
| model                          |       size |     params | backend    | threads |            test |                  t/s |
| ------------------------------ | ---------: | ---------: | ---------- | ------: | --------------: | -------------------: |
| qwen2 1.5B F16                 |   3.31 GiB |     1.78 B | CPU        |       4 |           pp256 |         76.83 ± 3.50 |
| qwen2 1.5B F16                 |   3.31 GiB |     1.78 B | CPU        |       4 |            tg64 |          5.79 ± 0.22 |
| qwen2 1.5B Q8_0                |   1.76 GiB |     1.78 B | CPU        |       4 |           pp256 |         55.98 ± 3.38 |
| qwen2 1.5B Q8_0                |   1.76 GiB |     1.78 B | CPU        |       4 |            tg64 |          9.01 ± 0.82 |
| qwen2 1.5B Q5_K - Medium       |   1.19 GiB |     1.78 B | CPU        |       4 |           pp256 |        41.79 ± 13.48 |
| qwen2 1.5B Q5_K - Medium       |   1.19 GiB |     1.78 B | CPU        |       4 |            tg64 |          4.04 ± 0.43 |
| qwen2 1.5B Q4_K - Medium       |   1.04 GiB |     1.78 B | CPU        |       4 |           pp256 |        41.82 ± 22.54 |
| qwen2 1.5B Q4_K - Medium       |   1.04 GiB |     1.78 B | CPU        |       4 |            tg64 |         10.57 ± 1.00 |
| qwen2 1.5B Q2_K - Medium       | 712.33 MiB |     1.78 B | CPU        |       4 |           pp256 |         14.15 ± 0.86 |
| qwen2 1.5B Q2_K - Medium       | 712.33 MiB |     1.78 B | CPU        |       4 |            tg64 |          3.13 ± 1.98 |

build: b1b770d (1)
```

في المخرج أعلاه لاحظ التالي:

- عمود `params` يكتب 1.78 B لكل النسخ، فالتكميم لا يحذف معاملات، وإنما يحفظ كل معامل بعدد بتات أقل، والذي تغير هو عمود `size` فقط.
- سرعة التوليد في الصفوف المستقرة ارتفعت كلما صغر الملف: 5.79 توكن في الثانية في F16، ثم 9.01 في Q8\_0، ثم 10.57 في Q4\_K\_M. واضرب السرعة في الحجم لترى كم قرأ المعالج من الذاكرة في الثانية: قرابة 19 GiB في F16، و16 في Q8\_0، و11 في Q4\_K\_M. أي أن F16 وصل إلى سقف سرعة الذاكرة الذي شرحناه في [قسم السرعة](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#speed)، أما Q4\_K\_M فلم يصل إليه، لأن فك التكميم Dequantization نفسه يأخذ وقتاً من المعالج، فالسرعة لم تتضاعف ثلاث مرات رغم أن الملف أصغر بثلاث مرات.
- صفا Q5\_K\_M وQ2\_K فيهما انحراف كبير (± 13.48 و± 1.98)، والسبب أن الجهاز كان يشغل أعمالاً أخرى أثناء قياسهما، فلا تأخذ منهما أن Q5\_K\_M أبطأ من F16، وإنما خذ القاعدة من الصفوف المستقرة، وقس على جهازك أكثر من مرة.
- سرعة قراءة النص `pp256` لم تتحسن بالتكميم، بل كانت في F16 أعلى، والسبب أن قراءة النص تحسب 256 توكناً معاً فيقيدها الحساب وليس الذاكرة، والأرقام المكممة تحتاج فك التكميم أثناء الحساب.

وللذاكرة شغلنا كل نسخة مرة واحدة بالأداة `llama-completion` بنافذة 4096 توكناً، مع الخيار `-lm none` حتى يحمل الملف كله في الذاكرة بدل أن يقرأ منه عند الحاجة، وقسنا أعلى استهلاك بالأمر `/usr/bin/time`:

```bash
/usr/bin/time -f "peak RSS %M KB, wall %e s" llama-completion -m qwen2.5-1.5b-instruct-q4_k_m.gguf   -t 4 -c 4096 -n 16 --temp 0 -lm none -p "Hello" -no-cnv
```

| النسخة   | حجم الملف | أعلى ذاكرة أثناء التشغيل     |
| -------- | --------- | ---------------------------- |
| F16      | 3390 MiB  | 3,652,988 KB (قرابة 3.5 GiB) |
| Q8\_0    | 1801 MiB  | 2,025,740 KB (قرابة 1.9 GiB) |
| Q5\_K\_M | 1220 MiB  | 1,433,904 KB (قرابة 1.4 GiB) |
| Q4\_K\_M | 1060 MiB  | 1,270,256 KB (قرابة 1.2 GiB) |
| Q2\_K    | 712 MiB   | 914,328 KB (قرابة 0.9 GiB)   |

والفرق بين حجم الملف والذاكرة قرابة 180 MiB في كل النسخ، وهو ذاكرة KV للنافذة 4096 ومخازن الحساب، أي أنه ثابت تقريباً لأنه لا يتعلق بتكميم الأوزان.

### الخطوة الثالثة: الحيرة Perplexity على نص عربي

الحيرة Perplexity مقياس لمدى «تفاجؤ» النموذج بنص حقيقي: نعطيه النص توكناً بعد توكن، ونسأله في كل مرة عن احتمال التوكن الصحيح التالي، ثم نحول متوسط هذه الاحتمالات إلى رقم، فكلما كان الرقم أصغر كان النموذج أقرب إلى توقع النص كما كتب. والرقم نفسه لا يعني شيئاً وحده، ولا يقارن بين نموذجين بمقطعين مختلفين، ولكنه ممتاز للمقارنة بين نسخ نفس النموذج على نفس النص، لأن أي فرق فيه سببه التكميم وحده. واخترنا النص العربي لمقالة [«حاسوب» من ويكيبيديا العربية](https://ar.wikipedia.org/wiki/%D8%AD%D8%A7%D8%B3%D9%88%D8%A8?ref=arabroot.io)، وأداة [llama-perplexity](https://github.com/ggml-org/llama.cpp/blob/master/tools/perplexity/README.md?ref=arabroot.io)، وهي منشورة برخصة CC BY-SA 4.0، وقسناه على 16 مقطعاً من 512 توكناً:

```bash
llama-perplexity -m qwen2.5-1.5b-instruct-q4_k_m.gguf -t 4 \
  -f ar-wiki-computer.txt -c 512 --chunks 16
```

والسطر الأخير من كل تشغيل هو الرقم الذي يهمنا:

```text
qwen2.5-1.5b-instruct-f16.gguf     Final estimate: PPL = 10.7171 +/- 0.41241
qwen2.5-1.5b-instruct-q8_0.gguf    Final estimate: PPL = 10.7377 +/- 0.41335
qwen2.5-1.5b-instruct-q5_k_m.gguf  Final estimate: PPL = 10.8945 +/- 0.42006
qwen2.5-1.5b-instruct-q4_k_m.gguf  Final estimate: PPL = 11.1598 +/- 0.42726
qwen2.5-1.5b-instruct-q2_k.gguf    Final estimate: PPL = 30.1731 +/- 1.16626
```

في المخرج أعلاه لاحظ التالي:

- Q8\_0 أعلى من الأصل بـ 0.2% فقط، وQ5\_K\_M بـ 1.7%، وQ4\_K\_M بـ 4.1%، أي أن الخسارة تكبر تدريجياً كلما نقصت البتات، وهي صغيرة حتى Q4\_K\_M.
- Q2\_K ارتفع إلى قرابة ثلاثة أضعاف الأصل، وهذا ليس نزولاً تدريجياً وإنما انهيار، أي أن النموذج في هذه النسخة لم يعد يتوقع العربية كما كان، وسوف ترى أثر ذلك في الإجابات بعد قليل.
- الرقم بعد ± هو هامش الخطأ Margin of Error الإحصائي للقياس، وهو قرابة 0.41 هنا، لذلك الفرق بين F16 وQ8\_0 أصغر من أن نحكم به وحده، أما الفرق إلى Q2\_K فواضح جداً.

والصورة التالية تجمع الحجم والحيرة لكل نسخة، لترى أين يقع «الثمن» الحقيقي للتصغير:

![أربعة رسوم أعمدة لخمس نسخ من Qwen2.5-1.5B: حجم الملف من 3390 إلى 712 ميبيبايت، والذاكرة من 3567 إلى 893 ميجابايت، والحيرة من 10.72 إلى 30.17، ونتيجة الأسئلة العربية 5 من 12 حتى Q4_K_M ثم نصف نقطة في Q2_K](https://arabroot.io/content/images/2026/11/open-models-04-quant.webp)

حتى Q4\_K\_M الخسارة صغيرة، وفي Q2\_K ينهار النموذج في العربية

### الخطوة الرابعة: اثنا عشر سؤالاً عربياً نعرف إجابتها

الحيرة تقيس توقع النص، ولكنها لا تقيس ما يهمك فعلاً: هل يجيب النموذج عن سؤالك بالعربية إجابة صحيحة؟ لذلك كتبنا مجموعة اختبار Test Set صغيرة من اثني عشر سؤالاً، لكل سؤال نوع وإجابة متوقعة Expected Answer، وتغطي ما يطلبه الناس عادة من مساعد عربي: معلومة عامة، وحساب بسيط، وترجمة جملة تقنية، وجمع كلمة، وتصنيف Classification تعليق عميل، واستخراج Extraction تاريخ من نص، وتلخيص فقرة في جملة، وفهم جملة باللهجة Dialect السعودية، وتصحيح خطأ نحوي، ومعلومة تقنية، واتباع تعليمات الشكل، ونسبة كتاب إلى مؤلفه. والملف `arabic-set.json` يبدأ هكذا:

```json
[
 {"id":"A1","kind":"معلومة عامة","q":"ما عاصمة المملكة العربية السعودية؟ أجب بكلمة واحدة.","expect":"الرياض"},
 {"id":"A2","kind":"حساب","q":"اشترى أحمد 3 دفاتر سعر الواحد 12 ريالاً وقلماً بـ 5 ريالات. كم دفع؟ اكتب الرقم فقط.","expect":"41"},
 {"id":"A3","kind":"ترجمة إلى العربية","q":"ترجم إلى العربية: The server restarts every night at 2 AM to apply updates.","expect":"يعاد تشغيل السيرفر كل ليلة الساعة 2 صباحاً لتطبيق التحديثات"}
]
```

والبرنامج `ask.py` يرسل كل سؤال إلى أي خادم متوافق مع OpenAI API بدرجة حرارة Temperature 0 وبذرة ثابتة Seed، حتى تتكرر الإجابة نفسها إذا أعدت التشغيل، ويحفظ الإجابات في ملف JSON:

```python
# Sends each question of arabic-set.json to an OpenAI-compatible server and saves the answers.
#   python3 ask.py http://127.0.0.1:PORT/v1 MODEL out.json [extra-json-options]
import json, sys, time, urllib.request
base, model, out = sys.argv[1], sys.argv[2], sys.argv[3]
extra = json.loads(sys.argv[4]) if len(sys.argv) > 4 else {}
qs = json.load(open("arabic-set.json", encoding="utf-8"))
res = []
for q in qs:
    body = {"model": model, "messages": [{"role": "user", "content": q["q"]}],
            "temperature": 0, "seed": 42, "max_tokens": 300, **extra}
    t = time.time()
    r = json.load(urllib.request.urlopen(urllib.request.Request(base + "/chat/completions",
        json.dumps(body).encode(), {"Content-Type": "application/json"}), timeout=1800))
    a = r["choices"][0]["message"]["content"]
    res.append({"id": q["id"], "answer": a, "secs": round(time.time() - t, 1),
                "tokens": r.get("usage", {}).get("completion_tokens")})
    print(q["id"], repr(a[:120]), flush=True)
json.dump(res, open(out, "w", encoding="utf-8"), ensure_ascii=False, indent=1)
```

وشغلناه على كل نسخة بعد تشغيل `llama-server` عليها بنفس الخيارات:

```bash
llama-server -m qwen2.5-1.5b-instruct-q4_k_m.gguf --host 0.0.0.0 --port 8080 -c 4096 -np 1
python ask.py http://127.0.0.1:9560/v1 qwen out-q4_k_m.json
```

وصححنا الإجابات بأنفسنا بقاعدة واحدة لكل الأسئلة: صحيحة إذا طابقت المتوقع في المعنى، وجزئية إذا كان المعنى صحيحاً مع خطأ لغوي أو كلمة زائدة تخالف المطلوب، وخاطئة فيما عدا ذلك. وهذه بعض الإجابات كما خرجت حرفياً، لترى الفرق بنفسك:

```text
A2 حساب، والمتوقع 41
  F16     39 ريالات
  Q8_0    39 ريالات
  Q4_K_M  132 ريالات
  Q2_K    أعتاب أحمد 3 دفاتر سعر الواحد 12 ريالاً وقلما 5 ريالات. كم دفع؟ أكتب الرقم seulement.

A3 ترجمة: The server restarts every night at 2 AM to apply updates.
  F16     ال servidor ي重启 كل ليلة عند الساعة 2 صباحاً لتطبيق التحديثات.
  Q8_0    ال servidor ي重启 كل ليلة عند الساعة 2 صباحاً لتطبيق التحديثات.
  Q4_K_M  ال servidor ي restart كل ليلة عند الساعة 2 صباحا لتطبيق التحديثات.
  Q2_K    الس Webb ي restart كل ليلة في التاسعة من عصر لتنفيذ تحديثات.

A5 تصنيف التعليق، والمتوقع سلبي
  F16     سلبي
  Q4_K_M  سلبي
  Q2_K    إيجابي.

A12 مؤلف «مقدمة ابن خلدون»
  F16     المؤلف هو ابن خلدون.
  Q4_K_M  مؤلف كتاب "مقدمة ابن خلدون" هو ابن خلدون.
  Q2_K    الكتاب المقدّرين للعاصيّون من كتب المقدّرين للعاصيّون من كتب المقدّرين ...
```

في المخرج أعلاه لاحظ التالي:

- Q8\_0 أعطى نفس إجابات F16 حرفياً في تسعة أسئلة من اثني عشر، واختلف في ثلاثة بصياغة أو برقم خاطئ آخر، فالنتيجة واحدة: 5 من 12 لكل منهما.
- Q4\_K\_M حافظ على نفس النتيجة 5 من 12، ولكن الأخطاء تغيرت: في الحساب ابتعد عن الصواب أكثر (132 بدل 39)، وفي الترجمة Translation استبدل الكلمة الصينية بكلمة إنجليزية.
- Q2\_K انهار كما توقعت الحيرة: أعاد كتابة السؤال بدل أن يجيب، وأخطأ في تصنيف تعليق واضح، وكرر عبارة بلا معنى حتى نفد حد التوكنز Token Limit، ونتيجته نصف نقطة من 12.
- الخطأ في الترجمة موجود حتى في الأصل F16، وهذا تذكير بأن التكميم لا يصنع أخطاء النموذج الصغير وإنما يضيف إليها، فنموذج 1.5B يخلط اللغات في الكلمات التقنية بأي دقة.

## العربية بين العائلات: ستة نماذج صغيرة على نفس الأسئلة

التكميم غير الجودة قليلاً، فماذا عن تغيير العائلة نفسها؟ أخذنا من مكتبة Ollama أصغر نموذج تعليمات في كل عائلة يدخل في 4 GB، وكلها بتكميم Q4\_K\_M الافتراضي في المكتبة، وشغلنا عليها نفس الأسئلة الاثني عشر عبر واجهة `/api/chat` بدرجة حرارة 0، مع إيقاف وضع التفكير في Qwen3 بالحقل `think: false`، وترك DeepSeek-R1 على وضعه الافتراضي لأنه نموذج تفكير Reasoning Model في أصله:

```bash
docker run -d --name ad2-ollama -p 127.0.0.1:9562:11434 -v ad2-ollama:/root/.ollama ad2-ollama:0.40.13
for m in qwen2.5:1.5b qwen3:1.7b llama3.2:1b gemma3:1b deepseek-r1:1.5b ministral-3:3b; do
  docker exec ad2-ollama ollama pull $m
  python ask_ollama.py $m fam-$m.json
  docker exec ad2-ollama ollama rm $m
done
```

والنتيجة بنفس قاعدة التصحيح Grading Rule، والرخصة لكل نموذج كما في جدول الرخص أعلاه:

| النموذج          | العائلة والرخصة                  | الحجم في Ollama | النتيجة من 12 | أبرز خطأ                                                                                   |
| ---------------- | -------------------------------- | --------------- | ------------- | ------------------------------------------------------------------------------------------ |
| qwen2.5:1.5b     | Qwen، Apache-2.0                 | 986 MB          | 6.5           | ترجم «restarts» بكلمة صينية وأخرى إسبانية                                                  |
| qwen3:1.7b       | Qwen، Apache-2.0                 | 1.4 GB          | 4.5           | قال إن عاصمة المملكة جدة، واخترع اسماً طويلاً لمؤلف المقدمة                                |
| llama3.2:1b      | Llama 3.2 Community License      | 1.3 GB          | 5.5           | أجاب عن سؤال المؤلف بعبارة «أجب على ذلك»                                                   |
| gemma3:1b        | Gemma Terms of Use               | 806 MB          | 6.5           | شرح الجملة السعودية باللهجة المصرية بدل الفصحى                                             |
| deepseek-r1:1.5b | DeepSeek، MIT (مبني على Qwen2.5) | 1.1 GB          | 0             | أجاب بالإنجليزية والصينية، وفي أربعة أسئلة استهلك التفكير كل التوكنز السبعمئة دون أي إجابة |
| ministral-3:3b   | Mistral، Apache-2.0              | 3.0 GB          | 8             | أعطى سنة 2027 في التلخيص Summarization وهي غير مذكورة في النص                              |

والصورة التالية تضع النتائج كلها في مكان واحد، مع نسخ Qwen2.5 الأربع من التجربة السابقة:

![رسم أعمدة لنتائج الأسئلة العربية الاثني عشر على ستة نماذج صغيرة من خمس عائلات وعلى نسخ Qwen2.5 الأربع](https://arabroot.io/content/images/2026/11/open-models-05-arabic.webp)

الفرق بين العائلات بنفس الحجم أكبر من الفرق بين التكميمات حتى Q4\_K\_M

في النتائج أعلاه لاحظ التالي:

- Ministral 3 3B هو الأفضل بثماني نقاط، وهو أكبرها حجماً، فترجم الجملة التقنية ترجمة صحيحة، وعرف مؤلف المقدمة باسمه الكامل، وأعطى المنفذ 443، ولكنه أخطأ في الحساب البسيط فكتب 5، وأضاف إلى التلخيص سنة لم ترد في النص، وهذا النوع من الإضافة أخطر في عملك من الخطأ الواضح لأنه يبدو صحيحاً.
- بين النماذج الأصغر من 2B تقاربت النتائج بين 4.5 و6.5، ولكن الأخطاء مختلفة تماماً: Qwen3 1.7B قال إن العاصمة جدة واخترع نسباً طويلاً لابن خلدون، وGemma 3 1B شرح الجملة السعودية باللهجة المصرية، وLlama 3.2 1B أجاب عن سؤال المؤلف بعبارة لا معنى لها، أي أن الرقم وحده لا يكفي، واقرأ الإجابات نفسها.
- DeepSeek-R1 1.5B نسخة مصغرة لنموذج تفكير، وبطاقته تذكر أنه مبني على Qwen2.5-Math-1.5B، فكتب في المتوسط 471 توكناً لكل سؤال، أغلبها تفكير بالإنجليزية، ولم يصح له سؤال واحد. والدرس أن اسم DeepSeek في النموذج المصغر لا يعني قدرات DeepSeek الكبير، وسوف نشغل DeepSeek الحقيقي في مقال تشغيل DeepSeek على سيرفرك.
- نفس النموذج Qwen2.5-1.5B بنفس نوع التكميم Q4\_K\_M أخذ 5 عبر llama-server من ملفنا، و6.5 عبر Ollama من مكتبته، والسبب أنهما ليسا نفس الملف: الأمر `ollama show qwen2.5:1.5b` يعرض طول سياق 32768 وقالب محادثة مكتوباً بلغة Go `go_template`، أما ملفنا المصنوع من GGUF الرسمي فطول سياقه 8192 وقالبه من الملف نفسه `gguf_chat_template` عندما استوردناه إلى Ollama. أي أن «Q4\_K\_M» اسم لنوع التكميم وليس لملف بعينه، وكل من يحول النموذج قد يخرج ملفاً مختلفاً قليلاً، فثبت مصدر الملف عندما تقارن.
- الفرق بين العائلات بنفس الحجم، من 0 إلى 8، أكبر بكثير من الفرق بين تكميمات Qwen2.5 حتى Q4\_K\_M، وهذا يعني أن اختيار العائلة أهم من اختيار التكميم، ما لم تنزل إلى Q2\_K.
- وهذه عينة صغيرة من 12 سؤالاً، فلا تحكم بفرق نقطة واحدة بين نموذجين، وإنما اكتب أسئلتك أنت، أكثر وأقرب إلى عملك.

## طول السياق Context Length: ماذا تعني الأرقام في البطاقة؟

كل بطاقة نموذج تكتب رقماً لطول السياق، وهو أطول نص يستطيع النموذج أن يقرأه ويكتبه في محادثة واحدة بالتوكنز، وقد شرحنا في [قسم نافذة السياق Context Window](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D8%AA%D8%B9%D9%85%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D9%83%D8%A8%D9%8A%D8%B1%D8%A9-llm-%D8%AE%D8%B7%D9%88%D8%A9-%D8%A8%D8%AE%D8%B7%D9%88%D8%A9/#context-window) لماذا يوجد هذا الحد أصلاً. والأرقام في البطاقات تختلف كثيراً حتى بين النماذج الصغيرة:

| النموذج                                                                   | طول السياق في البطاقة | ملاحظة من البطاقة                                                     |
| ------------------------------------------------------------------------- | --------------------- | --------------------------------------------------------------------- |
| Qwen2.5-1.5B-Instruct                                                     | 32,768 توكناً         | ويولد حتى 8,192 توكناً، أما 128K المذكورة في أعلى البطاقة فهي للعائلة |
| [Qwen3-1.7B](https://huggingface.co/Qwen/Qwen3-1.7B?ref=arabroot.io)      | 32,768                |                                                                       |
| Llama 3.2 1B                                                              | 128K                  |                                                                       |
| [Gemma 3 1B](https://huggingface.co/google/gemma-3-1b-it?ref=arabroot.io) | 32K                   | و128K للأحجام 4B فما فوق                                              |
| Ministral 3 3B                                                            | 256K                  |                                                                       |
| Gemma 4 E2B وE4B                                                          | 128K                  | و256K للأحجام الأكبر                                                  |
| Qwen3.8-27B                                                               | 262,144               | ويمتد إلى مليون توكن بتقنية YaRN                                      |

وهنا ثلاث ملاحظات تتعلق بالتشغيل. الأولى أن الرقم في البطاقة هو الحد الأعلى وليس ما يستخدمه برنامج التشغيل، فOllama يبدأ بنافذة 4096 توكناً كما في [قسم كلفة السياق](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#context-memory)، وllama.cpp يأخذ رقم البطاقة إذا لم تحدد غيره. والثانية أن كل توكن في النافذة يكلف ذاكرة KV Cache، فلا ترفعها إلى الحد الأعلى احتياطاً. والثالثة أن العربية تأخذ توكنز أكثر من الإنجليزية لنفس المعنى كما رأيت في [مقال معالجة العربية](https://arabroot.io/articles/%D9%85%D8%B9%D8%A7%D9%84%D8%AC%D8%A9-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D8%B7%D8%A8%D9%8A%D8%B9%D9%8A%D8%A9-nlp-%D9%84%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9/#token-cost)، فنافذة 32K تتسع لنص عربي أقصر من نص إنجليزي بنفس عدد الكلمات.

### ماذا يحدث إذا طلبت سياقاً أطول من حد النموذج؟

لنفتعل الخطأ عمداً: نشغل `llama-server` بنسخة Q4\_K\_M التي صنعناها، ونطلب نافذة 65,536 توكناً، أي ضعف الرقم المكتوب في البطاقة:

```bash
llama-server -m qwen2.5-1.5b-instruct-q4_k_m.gguf -c 65536 -np 1 -t 2 -lv 4
```

ومن سجل التشغيل هذه الأسطر:

```text
llama_model_loader: - kv   7:                       qwen2.context_length u32              = 8192
print_info: n_ctx_train           = 8192
llama_context: n_ctx_seq (65536) > n_ctx_train (8192) -- possible training context overflow
llama_kv_cache:        CPU KV buffer size =  1792.00 MiB
srv    load_model: the slot context (65536) exceeds the training context of the model (8192) - capping
srv    load_model: initializing, n_slots = 1, n_ctx_slot = 8192, kv_unified = 'false'
```

في المخرج أعلاه لاحظ التالي:

- السطر الأول مفاجأة: ملف GGUF الرسمي من Qwen يكتب في بياناته أن طول السياق 8192، وليس 32,768 كما في بطاقة النموذج. أي أن الملف الذي تحمله قد يحمل رقماً مختلفاً عن البطاقة، والرقم الذي يعتمده برنامج التشغيل هو الذي في الملف.
- llama.cpp حذرنا مرتين: مرة بأن النافذة أكبر من سياق التدريب، ومرة بأنه سوف يقصر الخانة Slot على 8192، وهذا تصرف آمن، لأن النموذج خارج طول تدريبه يبدأ بكتابة كلام غير مترابط.
- ولكن ذاكرة KV حجزت للرقم الذي طلبناه، 1792 MiB، رغم أن الخانة قصرت إلى 8192، أي أن الطلب الخاطئ كلفنا ذاكرة لن نستخدمها، وهذا يشبه ما رأيته في [قسم كلفة السياق](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#context-memory): اطلب النافذة التي تحتاجها فقط.

وإذا احتجت سياقاً أطول من المكتوب في الملف، فالحل ليس أن ترفع الرقم وتأمل، وإنما أن تتبع ما تقوله البطاقة: بعض النماذج تدربت على سياق قصير ثم تمدد بتقنية مثل YaRN بإعداد محدد، و[بطاقة Qwen3.8-27B](https://huggingface.co/Qwen/Qwen3.8-27B?ref=arabroot.io) مثلاً تذكر القيم بالضبط، وتنصح بألا تغير هذا الإعداد إلا عند الحاجة إلى نصوص طويلة.

## ماذا تقرأ في بطاقة النموذج Model Card قبل أن تحمله؟

بطاقة النموذج هي ملف README في مستودعه، وقد عرفناها في [مقال المصطلحات](https://arabroot.io/articles/%D9%85%D8%B5%D8%B7%D9%84%D8%AD%D8%A7%D8%AA-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%88%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/#models)، والمشكلة أن أغلب الناس يقرؤون منها جدول النتائج فقط، وهو أقل ما فيها فائدة لك، لأن أغلب الأرقام لأسئلة إنجليزية وصينية، ولأن كل شركة تختار المقاييس التي تظهر نموذجها بأفضل صورة. والذي تبحث عنه في البطاقة بالترتيب:

1. الرخصة License: في أعلى البطاقة حقل `license`، ثم ملف LICENSE نفسه، كما شرحنا أعلاه.
2. هل هو نموذج أساس Base أم نموذج تعليمات Instruct؟ نموذج الأساس يكمل النص ولا يتبع التعليمات، فإذا حملت Qwen2.5-1.5B بدل Qwen2.5-1.5B-Instruct ستجد أنه يكمل سؤالك بأسئلة أخرى بدلاً من أن يجيب.
3. اللغات Languages: هل العربية مذكورة صراحة؟ بطاقة Qwen2.5 تذكر العربية ضمن أكثر من 29 لغة، و[بطاقة Ministral 3](https://huggingface.co/mistralai/Ministral-3-3B-Instruct-2512?ref=arabroot.io) تذكرها، أما [بطاقة Llama 3.2](https://huggingface.co/meta-llama/Llama-3.2-1B-Instruct?ref=arabroot.io) فتقول إن اللغات المدعومة رسمياً ثمان ليس فيها العربية، رغم أنه تدرب على لغات أكثر.
4. طول السياق: الرقم الذي تدرب عليه النموذج، وهل يحتاج تفعيل إعداد خاص مثل YaRN للوصول إلى الرقم الأكبر.
5. الإعدادات المقترحة: درجة الحرارة وtop\_p، ووضع التفكير Thinking إن وجد، فنماذج مثل Qwen3 وDeepSeek-R1 تكتب تفكيراً طويلاً قبل الإجابة إلا إذا أوقفته، وهذا يغير السرعة والكلفة كما سترى في الاختبار.
6. النموذج الأصل: إذا كان النموذج معدلاً أو مصغراً Distill من نموذج آخر، فالبطاقة تذكر أصله، والأصل يحدد جزءاً من الرخصة ومن قدرته على العربية.

## من أين تبدأ؟ جدول القرار

بعد كل ما سبق، هذه نقطة بداية عملية لأكثر الحالات شيوعاً، وهي نقطة بداية فقط، لأن الحكم النهائي لاختبارك أنت على أسئلتك:

| حالتك                                         | ابدأ بـ                                                                        | والسبب                                                                        |
| --------------------------------------------- | ------------------------------------------------------------------------------ | ----------------------------------------------------------------------------- |
| منتج تجاري تبيعه لعملاء، وتريد أقل قيود ممكنة | نموذج برخصة Apache-2.0 أو MIT، مثل Qwen3 أو Ministral 3 أو Gemma 4 أو DeepSeek | لا يوجد حد على المستخدمين أو الإيرادات، ولا شرط تسمية غير نص الرخصة           |
| استخدام داخلي في الشركة فقط                   | أي رخصة تسمح بالاستخدام الداخلي، ومنها رخص 2026 المعدلة                        | شرط Model as a Service لا ينطبق ما دام النموذج لا يخدم طرفاً ثالثاً           |
| تقدم النموذج نفسه كخدمة API لعملاء            | Apache-2.0 أو MIT فقط، أو رخصة تجارية من صاحب النموذج                          | هذا بالضبط ما تمنعه رخص Qwen Community وMistral Ecosystem                     |
| تجربة أو بحث أو تعلم                          | أي نموذج، ومنها الرخص البحثية                                                  | ولكن لا تبن عليه منتجاً ثم تكتشف الرخصة لاحقاً                                |
| جهاز بالمعالج فقط و8 GB ذاكرة                 | نموذج من 1B إلى 3B بتكميم Q4\_K\_M أو Q8\_0                                    | Q8\_0 قريب جداً من الأصل في تجربتنا، وQ4\_K\_M أصغر بقليل من الخسارة          |
| العربية هي لغة العمل الأساسية                 | نموذج تذكر بطاقته العربية، ثم اختبار مثل اختبارنا                              | رأيت في الاختبار أن الفرق بين العائلات بنفس الحجم أكبر من الفرق بين التكميمات |

## أخطاء شائعة

- اعتبار كلمة «مفتوح» إذناً بالاستخدام التجاري، ثم اكتشاف أن النسخة التي بنيت عليها برخصة بحثية مثل Qwen2.5-3B.
- قراءة رخصة العائلة بدل رخصة النسخة، رغم أن نفس الشركة أصدرت في نفس السنة نماذج برخص مختلفة.
- نسيان شروط الإشارة والتسمية: عبارة «Built with Llama»، أو كلمة Llama في اسم النموذج المعدل Fine-tuned Model، أو ملف NOTICE.
- تحميل ملف GGUF من مستودع غير رسمي دون مقارنة قالب المحادثة والحجم بالمستودع الرسمي.
- تحميل نموذج الأساس Base بدل نموذج التعليمات Instruct، ثم الحكم على النموذج بأنه لا يفهم الأسئلة.
- اختيار أصغر تكميم لأن الجهاز ضعيف دون قياس، ثم خسارة الجودة كلها في العربية كما رأيت في Q2\_K.
- الحكم على النموذج من جدول نتائج إنجليزي في بطاقته، بدلاً من عشرين سؤالاً من عملك وبلغتك.
- مقارنة نموذج تفكير Thinking بنموذج عادي في السرعة دون أن تحسب أن الأول يكتب مئات التوكنز قبل الإجابة.
- رفع طول السياق إلى أقصى رقم في البطاقة احتياطاً، فتحجز ذاكرة لا تستخدمها.

## قائمة التحقق قبل أن تعتمد نموذجاً

- هل قرأت ملف LICENSE للنسخة بالضبط، وأجبت عن الأسئلة الخمسة: التجاري، والحدود، ونوع الاستخدام، والإشارة، وسياسة الاستخدام؟
- هل حفظت نسخة من الرخصة وتاريخ قراءتها مع ملفات النموذج؟
- هل هو نموذج تعليمات Instruct، وهل العربية مذكورة في بطاقته؟
- هل حملت GGUF من المستودع الرسمي، أو قارنت مصدره به؟
- هل جربت تكميمين على الأقل، وقست الحجم والسرعة والجودة على أسئلتك؟
- هل اختبرته على عشرين سؤالاً حقيقياً بالعربية مع إجابة متوقعة لكل سؤال، وحفظت النتائج لتعيدها مع النموذج التالي؟
- هل طول السياق الذي تحتاجه أقل من الرقم الذي تدرب عليه النموذج، وهل حسبت ذاكرته؟

## تدريب عملي

1. اختر نموذجين بنفس الحجم من عائلتين مختلفتين، واقرأ ملف LICENSE لكل منهما، وأجب عن الأسئلة الخمسة في جدول صغير.
2. اكتب عشرين سؤالاً من عملك بالعربية مع الإجابة المتوقعة لكل سؤال، وشغلها بالبرنامج `ask.py` على نسختي Q8\_0 وQ4\_K\_M من نفس النموذج، وقارن الإجابات سؤالاً سؤالاً.

## الخلاصة

وصلنا لنهاية الموضوع، وأهم ما فيه:

- النموذج المفتوح يعني أن الأوزان متاحة لك، أما بيانات التدريب وكوده فغالباً لا، ولذلك تسمى أوزاناً مفتوحة Open Weights.
- الرخصة تتبع النسخة وليس العائلة: في نفس الشركة تجد Apache-2.0 ورخصة بحثية ورخصاً معدلة تمنع تقديم النموذج كخدمة، فاقرأ ملف LICENSE للنسخة التي تحملها واحفظه معها.
- اقرأ أي رخصة بخمسة أسئلة: الاستخدام التجاري، والحدود بالأرقام، والاستخدام الداخلي مقابل الخدمة، والإشارة والتسمية، وسياسة الاستخدام.
- في نماذج مزيج الخبراء MoE الذاكرة يحددها الحجم الكلي، وسرعة التوليد يحددها الحجم النشط.
- في تجربتنا على Qwen2.5-1.5B كان Q8\_0 مطابقاً للأصل تقريباً بنصف الحجم، وQ4\_K\_M بثلث الحجم وخسارة صغيرة في الحيرة ونفس النتيجة في الأسئلة العربية، أما Q2\_K فانهار في العربية، فلا تنزل تحت Q4 دون اختبار.
- بين ستة نماذج صغيرة من خمس عائلات كان الفرق في العربية من 0 إلى 8 من 12، أي أن اختيار العائلة أهم من اختيار التكميم، والنسخ المصغرة من نماذج التفكير ليست مثل أصلها.
- ملف GGUF يحمل طول سياقه الخاص، وقد يختلف عن البطاقة، فاقرأ سجل التشغيل.

وفي المقال القادم من [مرحلة الذكاء الاصطناعي على سيرفرك](https://arabroot.io/start/#stage-ai) بإذن الله سوف نشغل نفس النموذج على ثلاث أدوات، Ollama وllama.cpp وvLLM، ونقيس ما يحدث عندما يسأله عدة مستخدمين في نفس اللحظة.

[![](https://arabroot.io/content/images/2026/11/ollama-vs-llamacpp-vllm-cover-cover.webp)دليلOllama أم llama.cpp أم vLLM؟ قياس على نفس النموذجشغلنا نفس النموذج على الأدوات الثلاث وأرسلنا إليها طلبات متزامنة، لترى متى يكفيك Ollama ومتى تحتاج llama.cpp أو vLLM.](https://arabroot.io/articles/ollama-%D8%A7%D9%85-llama-cpp-%D8%A7%D9%85-vllm-%D9%82%D9%8A%D8%A7%D8%B3-%D8%B9%D9%84%D9%89-%D9%86%D9%81%D8%B3-%D8%A7%D9%84%D9%86%D9%85%D9%88%D8%B0%D8%AC/)[![](https://arabroot.io/content/images/2026/11/ollama-open-webui-cover-cover.webp)دليلOllama وOpen WebUI: مساعد ذكي داخل شبكتكنبني مساعداً لفريقك من Ollama وOpen WebUI بحسابات ومجموعات وصلاحيات على النماذج، ويجيب بالعربية من مستنداتك، مع ثلاث مشكلات حقيقية واجهتنا وحلها.](https://arabroot.io/articles/ollama-%D9%88-open-webui-%D9%85%D8%B3%D8%A7%D8%B9%D8%AF-%D8%B0%D9%83%D9%8A-%D8%AF%D8%A7%D8%AE%D9%84-%D8%B4%D8%A8%D9%83%D8%AA%D9%83/)[![](https://arabroot.io/content/images/2026/11/local-llm-hardware-cover-cover.webp)دليلتشغيل نماذج اللغة على جهازك: كم ذاكرة وأي GPU تحتاج؟كيف تحسب الذاكرة التي يحتاجها النموذج، وماذا تتوقع من جهازك الحالي قبل أن تشتري بطاقة رسومية GPU.](https://arabroot.io/articles/%D8%AA%D8%B4%D8%BA%D9%8A%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%B9%D9%84%D9%89-%D8%AC%D9%87%D8%A7%D8%B2%D9%83-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)[![](https://arabroot.io/content/images/2026/11/how-llms-work-cover-cover.webp)دليلكيف تعمل نماذج اللغة الكبيرة LLM من الداخل؟كيف يحول النموذج سؤالك إلى أرقام ويختار الكلمة التالية حتى تكتمل الإجابة، ولماذا يخطئ بنفس الثقة.](https://arabroot.io/articles/%D9%83%D9%8A%D9%81-%D8%AA%D8%B9%D9%85%D9%84-%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D9%83%D8%A8%D9%8A%D8%B1%D8%A9-llm-%D8%AE%D8%B7%D9%88%D8%A9-%D8%A8%D8%AE%D8%B7%D9%88%D8%A9/)[![](https://arabroot.io/content/images/2026/11/ai-terms-cover-cover.webp)دليلمصطلحات الذكاء الاصطناعي ونماذج اللغة للمبتدئينشرح قصير مع مثال لكل مصطلح ستسمعه في نقاشات الذكاء الاصطناعي ونماذج اللغة، حتى تفهم ما يعرضه عليك أي فريق أو مزود.](https://arabroot.io/articles/%D9%85%D8%B5%D8%B7%D9%84%D8%AD%D8%A7%D8%AA-%D8%A7%D9%84%D8%B0%D9%83%D8%A7%D8%A1-%D8%A7%D9%84%D8%A7%D8%B5%D8%B7%D9%86%D8%A7%D8%B9%D9%8A-%D9%88%D9%86%D9%85%D8%A7%D8%B0%D8%AC-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D9%84%D9%84%D9%85%D8%A8%D8%AA%D8%AF%D8%A6%D9%8A%D9%86/)[![](https://arabroot.io/content/images/2026/11/arabic-nlp-cover-cover.webp)دليلمعالجة اللغة الطبيعية NLP للعربية ولماذا تصعب على البرامجلماذا تصعب العربية على البرامج من الزوائد واللهجات إلى تكلفة التوكنز، وما الأدوات والنماذج المتاحة لمن يبني مساعداً عربياً.](https://arabroot.io/articles/%D9%85%D8%B9%D8%A7%D9%84%D8%AC%D8%A9-%D8%A7%D9%84%D9%84%D8%BA%D8%A9-%D8%A7%D9%84%D8%B7%D8%A8%D9%8A%D8%B9%D9%8A%D8%A9-nlp-%D9%84%D9%84%D8%B9%D8%B1%D8%A8%D9%8A%D8%A9/)[![](https://arabroot.io/content/images/2026/11/open-source-licenses-cover-cover.webp)دليلما هي البرمجيات مفتوحة المصدر؟ القصة وأشهر الرخصكيف بدأت البرمجيات الحرة والمفتوحة، وما الفرق بين الحر والمجاني، وكيف تعرف ما تسمح به رخصة أي مشروع قبل أن تبني عليه.](https://arabroot.io/articles/%D9%85%D8%A7-%D9%87%D9%8A-%D8%A7%D9%84%D8%A8%D8%B1%D9%85%D8%AC%D9%8A%D8%A7%D8%AA-%D9%85%D9%81%D8%AA%D9%88%D8%AD%D8%A9-%D8%A7%D9%84%D9%85%D8%B5%D8%AF%D8%B1-%D9%88%D8%AA%D8%B1%D8%A7%D8%AE%D9%8A%D8%B5%D9%87%D8%A7/)

## سجل التحديثات

- 18 نوفمبر 2026: كتابة المقال، وقراءة رخص النماذج من مستودعاتها وصفحاتها الرسمية، واختبار التكميم والاختبار العربي على llama.cpp 1.0.0 وOllama 0.40.13 بالمعالج فقط (Intel Core i7-7700K مع Docker Desktop وWSL2).