الأفضل
5 أفضل نماذج لغة مفتوحة المصدر
أصبحت الذكاء الاصطناعي مفتوح المصدر متقاربة مع الأنظمة مغلقة المصدر. تقدم هذه النماذج الخمس لأداء متميز دون تكاليف وسيطة أو حصرية للبائع. كل نموذج يتعامل مع حالات استخدام مختلفة ، من الاستدلال على الجهاز إلى الدعم اللغوي المتعدد على نطاق واسع.
هذا الدليل يشرح تفاصيل GPT-OSS-120B و DeepSeek-R1 و Qwen3-235B و LLaMA 4 و Mixtral-8x22B مع تفاصيل محددة حول القدرات والتكاليف ومتطلبات النشر.
مقارنة سريعة
| أداة | الأفضل ل | السعر الأولي | الميزة الرئيسية |
|---|---|---|---|
| GPT-OSS-120B | نشر على جهاز.gpu واحد | مجاني (Apache 2.0) | يعمل على 80GB GPU مع 120B معاملات |
| DeepSeek-R1 | مهام الاستدلال المعقدة | مجاني (MIT) | 671B معاملات مع تفكير شفاف |
| Qwen3-235B | تطبيقات متعددة اللغات | مجاني (Apache 2.0) | يدعم 119+ لغة مع تفكير هجين |
| LLaMA 4 | معالجة متعددة الوسائط | مجاني (رخصة مخصصة) | 10M نافذة سياق |
| Mixtral-8x22B | إنتاج كفء من حيث التكلفة | مجاني (Apache 2.0) | 75% توفير في الحوسبة مقابل النماذج الكثيفة |
1. GPT-OSS-120B
أصدرت OpenAI أول نماذج مفتوحة الوزن منذ GPT-2 في أغسطس 2025. يستخدم GPT-OSS-120B هيكلاً من نوع “مزيج من الخبراء” مع 117 مليار معاملات إجمالية ولكن فقط 5.1 مليار معاملات نشطة لكل رمز. هذا التصميم النادر يعني أنك يمكنك تشغيله على جهاز.gpu واحد بدلاً من الحاجة إلى أجهزة متعددة.
يتوافق النموذج مع أداء o4-mini على الاختبارات الأساسية. يصل إلى 90% دقة على اختبارات MMLU و 80% على مهام الاستدلال GPQA. يصل إلى 62% من التوليد الرقمي على اختبارات pass@1 ، ويتوافق مع البديل المغلق.
قامت OpenAI بتدريب هذه النماذج باستخدام تقنيات من o3 و أنظمة أخرى متقدمة. كان التركيز على النشر العملي أكثر من الحجم الخام. قامت OpenAI بنشر o200k_harmony مع النماذج ، مما يوحيد كيفية معالجة الإدخالات عبر التنفيذ.
المزايا والعيوب
- نشر جهاز.gpu واحد يلغي تكاليف البنية التحتية متعددة الأجهزة
- نافذة سياق أصلية 128K تعالج قواعد بيانات كاملة أو مستندات طويلة
- ترخيص Apache 2.0 يسمح بالاستخدام التجاري غير المقيد
- تنفيذ مرجعي في PyTorch و Triton و Metal يسهل التكامل
- 90% دقة MMLU تتوافق مع النماذج الاحتكارية
- التركيز على اللغة الإنجليزية يحد من القدرات متعددة اللغات مقارنة بالبديل
- 5.1B معاملات نشطة قد تؤدي إلى أداء أقل من النماذج الكثيفة على مهام متخصصة
- يتطلب 80GB من الذاكرة العشوائية مما يستثني نشر جهاز.gpu من المستهلك
- لا توجد نسخة منقحة متاحة بعد للبيئات المقيدة بالموارد
- تخصص مجال محدود مقارنة بالبديل المحدد
التكلفة: GPT-OSS-120B يعمل تحت ترخيص Apache 2.0 بدون رسوم متكررة. يتطلب جهاز.gpu قوي بما يكفي لتشغيل نماذج 80GB (NVIDIA A100 أو H100). يتراوح تكلفة النشر السحابي على AWS أو Azure أو GCP بين 3-5 دولار في الساعة للأنواع المناسبة. يتطلب النشر الذاتي شراء جهاز.gpu مرة واحدة (~10,000-15,000 دولار لجهاز A100 المستخدم).
لا توجد رسوم اشتراك. لا توجد حدود وسيطة. لا توجد حصرية للبائع.
2. DeepSeek-R1
قام DeepSeek-R1 ببناء نموذجه خصيصاً للاستدلال الشفاف. يستخدم الهيكل 671 مليار معاملات إجمالية مع 37 مليار معاملات نشطة لكل تمرير. أهمت التدريب على التعلم الإسنادي بدون تعليم إشرافي تقليدي أولاً ، مما يسمح للأنماط الاستدلالية بالظهور بشكل طبيعي من عملية التعلم الإسنادي.
يصل النموذج إلى 97% دقة على تقييمات MATH-500 ويتوافق مع o1 من OpenAI على مهام الاستدلال المعقدة. ما يميز DeepSeek-R1 هو أنك يمكنك ملاحظة عملية التفكير. يظهر النموذج منطق خطوة بخطوة بدلاً من الإجابات النهائية فقط. هذا الشفافية مهمة للتطبيقات التي تحتاج إلى التحقق من المنطق ، مثل التحليل المالي أو التحقق الهندسي.
أصدر DeepSeek ست نسخ منقحة إلى جانب النموذج الرئيسي. تتراوح هذه النسخ من 1.5B إلى 70B معاملات ، وتعمل على أجهزة من المستهلكين ذوي الأداء العالي إلى أجهزة الحواف.
المزايا والعيوب
- 97% دقة MATH-500 تتقدم النماذج مفتوحة المصدر في الاستدلال الرياضي
- عملية التفكير الشفافة تمكن من التحقق والتصحيح
- 671B معاملات توفر قدرات تحليلية عميقة
- ست نسخ منقحة تمكن من النشر عبر تكوينات الأجهزة
- ترخيص MIT يسمح بالاستخدام التجاري غير المقيد
- 671B معاملات تتطلب بنية تحتية كبيرة للنشر الكامل
- نمط الاستدلال يزيد من التأخير مقارنة bằng إنتاج الإجابة المباشرة
- التركيز على اللغة الإنجليزية يحد من الأداء في اللغات الأخرى
- نهج التعلم الإسنادي قد ينتج عن تفسيرات冗长
- أدوات المجتمع لا تزال في طور النمو مقارنة بالنماذج الأكثر شهرة
التكلفة: DeepSeek-R1 يصدر تحت ترخيص MIT بدون رسوم. يتطلب النموذج الكامل 8x A100 GPUs (تكلفة السحاب: ~25-30 دولار في الساعة). تتوفر نسخ منقحة بأداء أقل تكلفة.
DeepSeek توفر وصول API مجاني مع حدود معدل للتحقق. يتطلب النشر الإنتاجي البنية التحتية الذاتية أو السحابية.
3. Qwen3-235B
Qwen3-235B من Alibaba يطرح تفكير هجين للنماذج مفتوحة المصدر. يمكن للمستخدمين التحكم في مستويات الجهد الاستدلالي (منخفض ، متوسط ، عالي) بناءً على تعقيد المهمة. هل تحتاج إلى استجابات سريعة لخدمة العملاء؟ نمط التفكير المنخفض يوفر إجابات سريعة. هل تقوم بتحليل بيانات معقدة؟ نمط التفكير العالي يطبق استدلال منهجي.
يستخدم الهيكل 235 مليار معاملات إجمالية مع 22 مليار معاملات نشطة عبر 94 طبقة. تحتوي كل طبقة على 128 خبير مع 8 نشط لكل رمز. هذا الاختيار الخبير يسمح بالتعالج الكفء مع الحفاظ على القدرة. تم تدريب النموذج على أكثر من مليار رمز عبر 119 لغة ، مما يمثل 10 أضعاف البيانات متعددة اللغات أكثر من الإصدارات السابقة من Qwen.
يتوافق الأداء مع 87-88% دقة MMLU مع أداء قوي على اختبارات C-Eval واختبارات المنطقة في آسيا وأوروبا وسوق أخرى. يصل إلى 37% من التوليد الرقمي ولكن يتحسن بشكل كبير عند تفعيل نمط التفكير للمهام البرمجية المعقدة.
المزايا والعيوب
- دعم 119+ لغة يسمح بالنشر العالمي بدون حواجز لغوية
- التحكم في التفكير الهجين ي tối ưu التكلفة والأداء لكل طلب
- نافذة سياق 128K تتعامل مع تحليل المستندات الشامل
- ترخيص Apache 2.0 يسمح بالتطوير التجاري
- 87% أداء MMLU يتوافق مع الأنظمة الاحتكارية الرائدة
- 235B معاملات تتطلب بنية تحتية متعددة الأجهزة للنشر الإنتاجي
- 37% من التوليد الرقمي يتراجع عن النماذج المتخصصة في البرمجة
- التركيز على اللغة الصينية يظهر أداء أقوى على اللغة الصينية مقارنة باللغات الأخرى
- اختيار نمط التفكير يضيف تعقيد إلى منطق التطبيق
- أدوات المجتمع محدودة مقارنة بنظام LLaMA
التكلفة: Qwen3-235B يعمل تحت ترخيص Apache 2.0 بدون رسوم. يتطلب النموذج الكامل 4-8 A100 GPUs (تكلفة السحاب: ~15-30 دولار في الساعة). توفر Alibaba نقاط نهاية إدارة بسعر 每 مليون رمز.
نسخ أصغر من Qwen3 تعمل على أجهزة المستهلكين. يعمل نموذج 7B على 24GB GPU.
4. LLaMA 4
LLaMA 4 من Meta يطرح القدرات متعددة الوسائط الأصلية عبر النص والصورة والفيديو القصير. يحتوي Scout على 109 مليار معاملات إجمالية مع 17 مليار معاملات نشطة ، بينما يستخدم Maverick مجموعة خبراء أكبر لمهام متخصصة. كلاهما يعالج أنواع المحتوى متعددة من خلال تقنيات اندماج مبكرة.
يتوافق سياق النموذج مع 10M رمز لتحليل المستندات الشامل. يصل إلى 30T رمز في التدريب ، مما يوفر تغطية شاملة للمعرفة. تم تطوير MetaP لضبط معاملات النموذج بشكل موثوق.
يتوافق الأداء مع GPT-4o على اختبارات الترميز والاستدلال متعددة اللغات. يتفوق LLaMA 4 على GPT-4o على اختبارات الترميز.
المزايا والعيوب
- نافذة سياق 10M تتعامل مع قواعد بيانات كاملة أو مجموعات بيانات
- القدرات متعددة الوسائط تتعامل مع النص والصورة والفيديو
- 30T رمز في التدريب يوفر تغطية شاملة للمعرفة
- نسخ متعددة الحجم من الحواف إلى نطاق البيانات
- يتفوق على GPT-4o على اختبارات الترميز والاستدلال
- ترخيص تجاري مخصص يتطلب مراجعة للنشر الكبير
- الاندماج متعددة الوسائط يضيف تعقيد إلى خطوط النشر
- 10M سياق يتطلب ذاكرة كافية حتى مع التحسينات
- تغيرات حجم النموذج يخلق ارتباك حول النموذج المناسب
- التوثيق لا يزال قيد التطوير لأحدث الميزات
التكلفة: LLaMA 4 يعمل تحت ترخيص تجاري مخصص (مجاني للاستخدامات الأكثر شيوعاً ، قيود على الخدمات التي تضم أكثر من 700M مستخدم). يتطلب Scout 2-4 H100 GPUs (تكلفة السحاب: ~10-20 دولار في الساعة). توفر Meta وصول API مجاني مع حدود معدل.
نسخ أصغر من LLaMA تعمل على أجهزة المستهلكين. يعمل نموذج 8B على 16GB GPU.
5. Mixtral-8x22B
Mixtral-8x22B من Mistral AI يصل إلى 75% توفير في الحوسبة مقابل النماذج الكثيفة. يحتوي هيكل مزيج الخبراء على 8 خبراء مع 22 مليار معاملات ، بإجمالي 141 مليار معاملات ، ولكن فقط 39 مليار معاملات نشطة خلال الاستدلال. هذا التنشيط النادر يوفر أداء متفوق مع سرعة أعلى من النماذج الكثيفة.
يدعم النموذج الدعوة الوظيفية الأصلية لمهام التطبيق المتقدمة. يمكنك توصيل واجهات اللغة الطبيعية مباشرة بالواجهات البرمجية وبرامج النظام بدون طبقات التكامل المخصصة.
يتوافق الأداء مع 90.8% دقة على اختبارات GSM8K ويتفوق على النماذج الأخرى على اختبارات الترميز.
المزايا والعيوب
- 75% توفير في الحوسبة يخفض تكاليف البنية التحتية
- الدعوة الوظيفية الأصلية يسهل التكامل مع الواجهات البرمجية
- دعم قوي للغات الأوروبية لمهام متعددة اللغات
- 90.8% دقة على اختبارات GSM8K يظهر أداء قوي في الرياضيات
- ترخيص Apache 2.0 يسمح بالتطوير التجاري
- 64K سياق أقصر من المنافسين الذين يقدمون 128K+ نوافذ
- التركيز على اللغات الأوروبية يعني أداء أقل على اللغات الآسيوية
- 39B معاملات نشطة قد يحد من القدرة على مهام الاستدلال المعقدة
- منطق التوجيه الخبير يضيف تعقيد إلى خطوط النشر
- مجتمع أصغر مقارنة بنظام LLaMA
التكلفة: Mixtral-8x22B يعمل تحت ترخيص Apache 2.0 بدون رسوم. يتطلب 2-4 A100 GPUs للنشر الإنتاجي (تكلفة السحاب: ~10-15 دولار في الساعة). توفر Mistral وصول API مدار بمعدل 2 دولار لكل مليون رمز.
نسخ منقحة تعمل على جهاز.gpu واحد مع تدهور مقبول في الأداء. النموذج كفء من حيث التكلفة لمهام الإنتاج الكبيرة.
أي نموذج يجب أن تختاره؟
البنية التحتية تحدد الخيارات الفورية. GPT-OSS-120B يصلح للنشر على جهاز.gpu واحد ، مما يجعله متاحًا إذا كنت تعمل بالفعل على بنية تحتية A100. تتعامل نسخ منقحة من DeepSeek-R1 مع القيود الموارد – يعمل نموذج 7B على أجهزة المستهلكين مع الحفاظ على استدلال قوي.
الاحتياجات متعددة اللغات تشير إلى Qwen3-235B لcoverage لغوية واسعة أو Mixtral-8x22B للغات الأوروبية تحديداً. LLaMA 4 يصلح عندما تحتاج إلى قدرات متعددة الوسائط أو نوافذ سياق موسعة.
النشر ذو التكلفة يفضل Mixtral-8x22B لمهام الإنتاج. 75% توفير في الحوسبة يتراكم بسرعة على النطاق.
الأسئلة الشائعة
ما هي الأجهزة التي أحتاجها لتشغيل هذه النماذج مفتوحة المصدر؟
تختلف المتطلبات الدنيا حسب النموذج. GPT-OSS-120B يحتاج إلى جهاز.gpu واحد 80GB (A100 أو H100). DeepSeek-R1 الكامل يتطلب 8x A100s ، ولكن النسخ المنقحة تعمل على أجهزة المستهلكين RTX 4090. Qwen3-235B و LLaMA 4 يتطلبان 2-8 GPUs حسب الكمية. Mixtral-8x22B يعمل بكفاءة على 2-4 A100s. تتراوح تكلفة السحاب بين 3-40 دولار في الساعة حسب حجم النموذج.
هل يمكن لهذه النماذج أن تتوافق مع أداء GPT-4 أو Claude؟
نعم ، في بعض الاختبارات. DeepSeek-R1 يتوافق مع o1 من OpenAI على مهام الاستدلال مع 97% دقة MATH-500. LLaMA 4 يتفوق على GPT-4o على اختبارات الترميز. GPT-OSS-120B يصل إلى 90% دقة MMLU ، مشابه للنماذج الاحتكارية.
أي نموذج يتعامل أفضل مع اللغات متعددة؟
Qwen3-235B يدعم 119+ لغة مع 10 أضعاف البيانات متعددة اللغات أكثر من المنافسين. يتفوق على اختبارات اللغة الآسيوية والاختبارات الثقافية. Mixtral-8x22B يتقدم في اللغات الأوروبية (الفرنسية والألمانية والإسبانية والإيطالية) مع تدريب متخصص.
هل هناك تكاليف استخدام أخرى غير الأجهزة؟
لا توجد رسوم متكررة للنشر الذاتي تحت ترخيص Apache 2.0 أو MIT. LLaMA 4 يستخدم ترخيص تجاري مخصص (مجاني للاستخدامات الأكثر شيوعاً ، قيود على الخدمات التي تضم أكثر من 700M مستخدم). تختلف تكلفة السحاب حسب المزود ونوع الحالة.
ما الفرق بين نموذج مزيج الخبراء والنموذج الكثيف؟
نموذج مزيج الخبراء ينشط فقط مجموعة فرعية من المعاملات لكل إدخال ، مما يحقق الكفاءة دون التضحية بالقدرة. GPT-OSS-120B يستخدم 5.1B من 117B معاملات لكل رمز. النماذج الكثيفة تنشط جميع المعاملات لكل إدخال. نموذج مزيج الخبراء يوفر 70-75% توفير في الحوسبة مع التطابق أو التغلب على أداء النماذج الكثيفة عند مقاييس مماثلة.
