
النماذج اللغوية الصغيرة: اختيار القدرة المناسبة للمهمة
· مصطلح الذكاء الاصطناعي
Small Language Models (SLMs)
ليست كل مهمة بحاجة إلى أكبر نموذج متاح. فقد نريد تصنيف رسائل القراء أو فرز طلبات الترجمة ضمن فئات محددة. تساعدنا النماذج اللغوية الصغيرة على التفكير في اختيار أداة تناسب المهمة والجهاز والكلفة، مع اختبار الدقة على أمثلة من عملنا.
نسخة تعليمية منقحة ·
الفكرة من خلال مثال
في مثال تعليمي، نصنف الرسائل إلى طلب ترجمة أو سؤال عن موعد أو ملاحظة على خدمة. يستطيع الفريق مقارنة نموذج صغير بإجراء أبسط يعتمد كلمات واضحة، ثم مراجعة الرسائل الملتبسة يدويًا.
صغر النموذج يعني عادة أن عدد معلماته أقل؛ والمعلمات قيم عددية يضبطها التدريب. لكنه لا يخبرنا وحده بجودة العربية. يجب اختبار النفي والأسماء والمزج بين اللغات. هذا السيناريو مقترح، ولا يثبت أن نموذجًا معينًا حقق الدقة أو الوفر المطلوبين.
ما المقصود بالنموذج اللغوي الصغير؟
يشير مصطلح Small Language Models، واختصاره SLMs، إلى نماذج لغوية أصغر حجمًا قياسًا بالنماذج الكبيرة التي تُقارن بها. ويُعبَّر عن الحجم عادة بعدد المعلمات، أي القيم العددية التي يضبطها التدريب داخل النموذج. ولا نعتمد هنا عتبة عددية فاصلة تصلح لكل جيل وبنية؛ بل نقرأ العدد إلى جانب نوع النموذج واحتياجات تشغيله والمهمة المقصودة.
ومن الأمثلة المعلنة نموذج SmolLM3 الذي قدمه فريق Hugging Face في 8 يوليو 2025 بحجم ثلاثة مليارات معلمة، مع نشر تفاصيل عن تدريبه. وفي 29 أبريل 2026 أعلنت IBM عائلة Granite 4.1 بأحجام منها ثلاثة مليارات وثمانية مليارات معلمة.
هذه أمثلة من مطوّريها، لا قائمة ترتيب للأفضل، ولا دليلًا على أن وصف «الصغير» يمثل اختراعًا ظهر هذا العام. [1، 2]
كذلك لا يخبرنا عدد المعلمات وحده بمدى معرفة النموذج بالعربية أو دقته في مجال مهني. ولأغراض الاختيار، نحتاج إلى فحص أدائه على المهمة نفسها، وعلى النصوص واللغات التي ستُستخدم فعلًا. أما المقارنة بين اسمين تجاريين أو رقمين مجردين فقد تخفي اختلافًا في التدريب وإعدادات التشغيل ومعايير الاختبار.
هل الصغر هو التخصص أو ضغط النموذج؟
النموذج الصغير ليس بالضرورة متخصصًا؛ فقد يُدرَّب على طيف واسع من النصوص. والتخصص يعني توجيه الأداء إلى مجال أو مهمة، ويمكن أن يشمل نماذج متفاوتة الأحجام. كما أن تزويد المساعد بمعجم أو وثائق أثناء العمل لا يغيّر عدد معلماته؛ إنه تعديل لما يُتاح له في السياق، لا تحويل تلقائي لنموذج عام إلى خبير موثوق.
أما التكميم فهو تقليل الدقة العددية المستخدمة في تمثيل أوزان النموذج لتخفيف متطلبات الذاكرة، مع محاولة الحفاظ على جودة الأداء. وتوضح وثائق Transformers أن الطرق تختلف في توافقها مع العتاد وشروط استخدامها. ولا يعني تقليل عدد البتات حذف العدد نفسه من المعلمات؛ فحجم ملف التنزيل وعدد المعلمات مفهومان مختلفان. [3]
لذلك لا يكفي السؤال: هل يتسع الملف في الجهاز؟ يجب فحص ذاكرة التشغيل أيضًا، وطول المدخلات، وعدد الطلبات المتزامنة، والوقت اللازم لإنتاج الجواب. وتذكر الوثائق أثر ذاكرة السياق المحفوظة أثناء التوليد في تقدير الملاءمة. ولا يجوز نقل نتيجة نسخة أصلية إلى نسخة مكمَّمة من دون اختبارها في إعداد الاستخدام الفعلي. [3]
لماذا تهتم بها المؤسسات؟
تطرح ورقة لبيتر بيلتساك وزملائه موقفًا مفاده أن كثيرًا من استدعاءات النماذج داخل أنظمة الوكلاء يؤدي أعمالًا ضيقة ومتكررة، وقد يناسبها نموذج أصغر. بدأ إيداع الورقة في يونيو 2025، وتعرض صفحة arXiv نسخة ثالثة مؤرخة في 22 سبتمبر 2026.
قرأنا الملخص وبيانات النسخة وصفحة المشروع الأصلية، لا المتن كاملًا؛ ويقدم المؤلفون طرحهم بوصفه موقفًا للنقاش، لا قانونًا عامًا مثبتًا لكل نظام. [4]
ويظهر اتجاه مشابه في إعلان IBM الصادر في أبريل 2026، إذ يركز على اتباع التعليمات واستدعاء الأدوات ضمن العمل المؤسسي، ويعرض مقارنات أداء من الشركة. لا ننقل هذه المقارنات بوصفها تقويمًا مستقلًا، ولا نستنتج منها صلاحية نموذج بعينه للترجمة العربية. إنها شاهد على اتجاه تطوير معلن، لا ضمانًا للنتيجة المهنية. [2]
والفكرة المهمة في تقديرنا التحريري هي توزيع الموارد بحسب الحاجة. فإذا كانت خطوة ما لا تتجاوز فرز رسالة ضمن فئات معلومة، فاختيار أداتها يختلف عن اختيار أداة لتحليل تعارض بين وثائق معقدة. ولا نزعم بهذا الاختيار للمصطلح ترتيبًا إحصائيًا لرواجه، ولا أن مسار التطوير سينتهي حتمًا بإحلال النماذج الصغيرة محل الكبيرة.
مثال مهني: فرز أولي قبل مراجعة المترجم
لنفترض أن مكتب ترجمة يستقبل نصوصًا تدريبية تمثل طلبات خدمات متنوعة، ويريد تصنيفها حسب اللغة ونوع الخدمة والمعلومات الناقصة. هذا سيناريو تحريري مقترح، وليس تجربة نفذناها أو وفرًا حسبناه. تُستعمل في البداية عينات مصطنعة خالية من بيانات العملاء، وتُحدد فئات واضحة وحدود تمنع اتخاذ أي إجراء خارج إعداد تقرير داخلي.
يستخرج النظام، مثلًا، اللغة المطلوبة ونوع الوثيقة إن ذُكر صراحة، ويضع «غير محدد» حين لا تكفي الرسالة. فلا يحول ذكر إسبانيا إلى استنتاج آلي بأن المطلوب ترجمة محلفة، ولا يستكمل موعدًا أو اسم وثيقة لم يرد في النص. وتفحص قواعد بسيطة الحقول المطلوبة وصيغها قبل عرض النتيجة على الموظف.
وتُدرج في الاختبار رسائل قصيرة وملتبسة، وأخرى تمزج العربية بالفرنسية، وحالات تطلب أكثر من خدمة. فإذا عجز النموذج عن التصنيف الموثوق، تُحال الحالة إلى الموظف. ولا تعني الإحالة إلى نموذج أكبر إرسال النص إلى خدمة خارجية تلقائيًا؛ إذ تبقى شروط السرية ومسار المعالجة جزءًا من قرار المؤسسة.
هذا المثال يبين موضعًا ممكنًا للاستفادة من نموذج محدود الموارد: إنجاز خطوة متكررة ذات مخرج مضبوط. لكنه لا يثبت أنه مؤهل لترجمة العقد نفسه أو تفسير آثاره. ويظل الموظف مسؤولًا عن التحقق من الطلب، والمترجم مسؤولًا عن المعنى والصياغة؛ فلا تنتقل سلطة الحكم المهني إلى الأداة لمجرد نجاحها في الفرز.
كيف نختبر العربية؟
يعلن عرض SmolLM3 دعم ست لغات، منها الفرنسية والإسبانية، ولا تتضمن قائمته المعلنة العربية. لا يثبت غيابها عجزًا مطلقًا عن معالجتها، لكنه يمنع اتخاذ وصف «متعدد اللغات» دليلًا كافيًا على ملاءمته للعمل العربي. كما أن نتائج المطوّر المعروضة لا تمثل اختبارًا مستقلاً لوثائق مكتب مغربي. [1]
ولذلك نقترح تقويم العربية الفصيحة، والرسائل الدارجة حين تدخل في نطاق الخدمة، والمزج اللغوي كلًّا على حدة. وتُفحص الأسماء والأرقام والنفي والمصطلحات والاتجاه الكتابي. وقد تؤدي صياغة سلسة إلى إخفاء خطأ في حقل قصير لكنه حاسم؛ لذا ينبغي أن يراجع المختص الحالات، لا أن يعتمد جمال العبارة معيارًا لصحة الفهم.
ماذا نراجع عند التشغيل داخل المؤسسة؟
قد يكون التشغيل داخل المؤسسة هدفًا مشروعًا عندما يناسب العتاد ونطاق المهمة. لكنه لا يجعل السرية خاصية ناتجة عن الحجم. ومن الاحتياطات المقترحة فحص ما إذا كان التطبيق يرسل سجلات أو طلبات إلى جهات خارجية، ومن يستطيع الوصول إلى الجهاز والنسخ الاحتياطية، وكيف تُدار التحديثات وحذف البيانات. النموذج مكوّن داخل منظومة، لا المنظومة كلها.
وبالمثل، لا يعني توفر الأوزان بلا مقابل أن التشغيل مجاني. تُحسب كلفة المعدات والصيانة والتكامل ووقت المراجعة، مع قراءة شروط الترخيص. ولا يصح افتراض استهلاك أقل للطاقة في كل مهمة من دون قياس؛ فقد تتغير الحصيلة مع طول الجواب والمحاولات والإحالات إلى أدوات أخرى. المعيار العملي هو كلفة النتيجة الصحيحة المقبولة، لا ثمن الاستدعاء منفردًا.
كيف نختار النموذج المناسب؟
تبدأ المؤسسة بتعريف مهمة ضيقة، وكتابة ما يعد نجاحًا وما يستوجب التوقف. ثم تجمع عينة تمثل العمل، وتحفظ جزءًا منها للفحص بعد التعديلات. وتقارن النموذج المرشح بمسار أبسط إن كان كافيًا، أو بنموذج أكبر عند الحاجة، مع تثبيت الحالات ومعايير التصحيح وتوثيق إعدادات التشغيل. هذه خطة تحريرية مقترحة، لا وصفة تضمن نتيجة بعينها.
وتُراجع الأخطاء بحسب أثرها: تصنيف خاطئ يخفي طلبًا عاجلًا ليس كاختلاف طفيف في تسمية فئة. كما تُحسب الإنذارات الخاطئة ووقت التصحيح ونسبة الحالات المحالة. وعند تحديث النموذج أو تغيير التكميم، يعاد الفحص؛ لأن بقاء الاسم قريبًا لا يضمن بقاء السلوك مطابقًا. ويُحفظ مسار رجوع إلى الإجراء السابق إذا تراجعت الجودة.
قيمة النماذج اللغوية الصغيرة ليست في منافسة الحجم لذاته، بل في توسيع خيارات المؤسسة. قد تكفي أداة أصغر في موضع، وتلزم قدرة أكبر أو مراجعة بشرية مباشرة في موضع آخر. والاختيار الرشيد هو الذي يستطيع صاحبه تفسيره: هذه المهمة، وهذا الدليل على الأداء، وهذه الحدود التي لا نتجاوزها.
عندئذ تصبح الكفاءة قرارًا مهنيًا، لا صفة تُستعار من إعلان المنتج.