ما هو نموذج اللغة الكبير؟ شرح للنماذج اللغوية الكبيرة (2026)

نموذج اللغة الكبير (LLM) هو شبكة عصبونية تُدرَّب على كميات هائلة من النصوص للتنبؤ بالرمز التالي في سلسلة معينة. هذا الهدف الواحد هو مصدر كل ما تفعله روبوتات الدردشة: الإجابة عن الأسئلة، وكتابة الشيفرات، وتلخيص المستندات، والترجمة. وتعتمد أدوات مثل ChatGPT وClaude وGemini على نماذج من هذا النوع.

يغطي هذا الدليل المكونات الأساسية بالترتيب: الرموز، والتدريب، والمعلمات، ونوافذ السياق، والهلوسة، والتمييز بين النماذج المفتوحة والمغلقة. وتتغير أسماء النماذج وأسعارها وحدودها بسرعة، لذلك تحمل الأرقام الواردة أدناه تواريخ، ويُستحسن الرجوع إلى الوثائق الرسمية للشركات المطورة للحصول على الأرقام الحالية.

ما هو نموذج اللغة الكبير، وما الذي يجعله «كبيراً»؟

تشير كلمة «كبير» إلى أمرين. الأول حجم بيانات التدريب. والثاني عدد القيم الداخلية القابلة للتعديل، وتسمى المعلمات. ولإعطاء فكرة عن الحجم، قالت Meta في أبريل 2024 إن Llama 3 دُرِّب على أكثر من 15 تريليون رمز.

تقوم معظم نماذج اللغة الكبيرة الحديثة على بنية المحوِّل (Transformer). وقد قدّمها باحثون في Google في ورقة «Attention Is All You Need» في يونيو 2017. وفكرتها الجوهرية هي الانتباه الذاتي، الذي يتيح للنموذج تقدير مدى صلة كل جزء من النص بالأجزاء الأخرى أثناء معالجته لكل جزء.

ما هي الرموز في نموذج اللغة الكبير؟

لا تقرأ النماذج الكلمات، بل تقرأ الرموز، وهي أجزاء من الكلمات تنتجها خوارزميات مثل ترميز أزواج البايتات (BPE). قد تكون الكلمة الشائعة رمزاً واحداً، بينما تُقسَّم الكلمة النادرة إلى عدة أجزاء.

تقدّر OpenAI، كقاعدة عامة للغة الإنجليزية، أن الرمز الواحد يعادل نحو أربعة أحرف، أو ما يقارب ثلاثة أرباع الكلمة. وعلى هذا الأساس، تعادل 100 رمز نحو 75 كلمة.

تختلف هذه النسبة من لغة إلى أخرى. فاللغات الإلصاقية مثل التركية، حيث تُبنى الكلمات الطويلة من لواحق كثيرة، تُقسَّم عادةً إلى رموز أكثر من النص الإنجليزي الذي يحمل المعنى نفسه. وقد وثّقت دراسات مثل دراسة Petrov وزملائه (2023) هذا النوع من عدم التكافؤ بين اللغات في أدوات الترميز، وإن كانت أدوات الترميز الأحدث قد قلّصت الفجوة.

تكتسب الرموز أهمية لأن استخدام واجهات البرمجة يُحتسب عادةً بعدد الرموز لكل مليون رمز من المدخلات والمخرجات، وتكون أسعار المخرجات أعلى من المدخلات. فكلما زاد عدد الرموز ارتفعت التكلفة وامتلأت نافذة السياق أسرع. وتتغير الأسعار كثيراً، لذلك يُنصح بالرجوع إلى صفحات التسعير لدى OpenAI وAnthropic وGoogle للاطلاع على الأسعار الحالية.

كيف تُدرَّب نماذج اللغة الكبيرة؟

يجري التدريب عادةً على مراحل. الأولى هي التدريب المسبق، حيث يتعلم النموذج التنبؤ بالرمز التالي عبر تريليونات الرموز من نصوص الويب والكتب والشيفرات، وهي طريقة تُعرف بالتعلم شبه الخاضع للإشراف. والنتيجة نموذج يفهم اللغة، لكنه لا يتصرف بعد كمساعد.

تأتي بعد ذلك مرحلة الضبط الدقيق، أو ضبط التعليمات، حيث يُعرض على النموذج أمثلة لإجابات جيدة. ثم تأتي مرحلة المواءمة. وأشهر طرق المواءمة هو التعلم المعزز من التغذية الراجعة البشرية (RLHF)، الذي اشتهر بورقة InstructGPT من OpenAI عام 2022. أما الذكاء الاصطناعي الدستوري من Anthropic، وهو أيضاً من عام 2022، فهو متغير من هذا النهج.

ومنذ نحو أواخر 2024، انضمت نماذج الاستدلال إلى هذا المزيج. ومن أمثلتها OpenAI o1 وDeepSeek-R1 الذي أُطلق في يناير 2025. تُدرَّب هذه النماذج بالتعلم المعزز لتحليل المسألة قبل الإجابة، وهي تستهلك حوسبة إضافية وقت الإجابة لتحقيق ذلك.

تصعب تقدير تكاليف التدريب بدقة. فتشير التقارير إلى أن عمليات التدريب الرائدة تكلف عشرات إلى مئات الملايين من الدولارات، لكنها تقديرات وليست أرقاماً رسمية. أما الرقم المتداول على نطاق واسع، وهو نحو 5.6 مليون دولار لتدريب DeepSeek V3، فيغطي ساعات وحدات معالجة الرسوميات للتدريب النهائي فقط، لا التكاليف الإجمالية، وهو محل جدل.

ما هي المعلمات، وهل الأكبر أفضل دائماً؟

المعلمات هي الأوزان العددية التي يتعلمها النموذج أثناء التدريب. ومن النقاط المرجعية: بلغ عدد معلمات GPT-2 نحو 1.5 مليار في 2019، وبلغ عدد معلمات GPT-3 نحو 175 مليار في 2020. وقد صدر Llama 3.1 من Meta في يوليو 2024 بأحجام 8 مليارات و70 مليار و405 مليارات معلمة.

تستخدم بعض النماذج تصميم خليط الخبراء (MoE)، حيث لا يعمل إلا جزء من الشبكة لكل رمز. ويحتوي DeepSeek-V3 على 671 مليار معلمة في المجمل، لكن نحو 37 مليار منها فقط نشطة لكل رمز.

لا تكشف OpenAI وAnthropic وGoogle عن عدد المعلمات في نماذجها الرائدة. والأرقام المتداولة مثل «GPT-4 يحتوي على 1.76 تريليون معلمة» تسريبات غير مؤكدة.

والحجم ليس كل شيء، فجودة البيانات وأساليب التدريب لها أهمية كبيرة. وقد وجدت دراسة «Chinchilla» عام 2022 أن التدريب الأمثل من حيث الحوسبة يستخدم نحو 20 رمزاً لكل معلمة. أما النماذج الحالية فتُدرَّب عمداً بما يتجاوز هذه النسبة بكثير.

ما هي نافذة السياق؟

نافذة السياق هي أكبر عدد من الرموز يمكن للنموذج أن يأخذه في الاعتبار في آنٍ واحد. وهي تشمل طلبك، والمحادثة حتى تلك اللحظة، وردّ النموذج. ويمكن تشبيهها بالذاكرة العاملة لا بالذاكرة طويلة الأمد.

وقد توسعت النوافذ بسرعة. فقد تعامل GPT-3 مع 2048 رمزاً، وقدّم GPT-4 الأصلي نسختين بسعة 8 آلاف و32 ألف رمز. ثم أعلنت إصدارات لاحقة عن 200 ألف رمز لـClaude (حتى مليون رمز في بعض النسخ)، وما بين مليون ومليوني رمز لـGemini 1.5 و2.x، ومليون رمز لـGPT-4.1. وفي أبريل 2025 أعلنت Meta عن 10 ملايين رمز لـLlama 4 Scout. وتتغير هذه الأرقام مع كل إصدار، لذا يُنصح بالرجوع إلى الوثائق المحدّثة.

ولا يضمن أن تكون النافذة الكبيرة المعلنة مستغلة بكفاءة. فقد وجدت دراسة «Lost in the Middle» عام 2023 لـLiu وزملائه أن الدقة قد تنخفض في استرجاع المعلومات المدفونة في وسط المدخلات الطويلة.

لماذا تهلوس نماذج اللغة الكبيرة؟

الهلوسة هي مخرجات تبدو سلسة لكنها خاطئة أو مختلقة، مثل استشهادات مزيفة أو معلومات غير صحيحة أو قضايا قضائية غير موجودة. وتحدث لأن النموذج يولّد نصاً معقولاً بدلاً من البحث عن الحقائق والتحقق منها. وترى ورقة لـOpenAI صدرت في سبتمبر 2025 أن التدريب والتقييم يكافئان التخمين بدلاً من الاعتراف بعدم اليقين.

ومن الحالات المعروفة قضية Mata v. Avianca في الولايات المتحدة عام 2023. فقد عوقب محامون في تلك القضية بسبب تقديم استشهادات قضائية اختلقها ChatGPT، وتلتها حوادث مشابهة كثيرة.

تقلل تقنيات مثل التوليد المعزز بالاسترجاع (RAG)، والاستناد إلى نتائج البحث على الويب، والاستشهادات، ونماذج الاستدلال من المشكلة، لكن لا تلغيها. وقد أفادت بطاقة النظام الصادرة عن OpenAI في أبريل 2025 لنموذجي o3 وo4-mini بمعدلات هلوسة أعلى لبعض نماذج الاستدلال في اختبار PersonQA. وتختلف المعدلات باختلاف الاختبار المعياري وهي محل جدل، لذا ينبغي التعامل بحذر مع الادعاءات التي تقدم رقماً واحداً.

النماذج المفتوحة مقابل المغلقة: ما الفرق؟

في النماذج المغلقة، أو الخاصة، لا تُنشر الأوزان، ولا يمكن استخدامها إلا عبر تطبيق أو واجهة برمجية. وتنتمي إلى هذه الفئة سلسلة GPT من OpenAI وClaude من Anthropic وGemini من Google وGrok من xAI. غير أن xAI أصدرت أوزان بعض إصدارات Grok القديمة.

أما النماذج ذات الأوزان المفتوحة فيمكن تنزيلها وتشغيلها محلياً وضبطها بدقة. ومن أمثلتها Llama من Meta وMistral وDeepSeek وQwen من Alibaba وGemma من Google وgpt-oss من OpenAI، الذي صدر في أغسطس 2025 بموجب رخصة Apache 2.0.

والنموذج ذو الأوزان المفتوحة ليس مساوياً للمصدر المفتوح. فتعريف الذكاء الاصطناعي مفتوح المصدر 1.0 الصادر عن مبادرة المصدر المفتوح (OSI) في أكتوبر 2024 يشترط انفتاحاً أوسع بكثير، يشمل بيانات التدريب. وتقول OSI إن رخصة Llama لا تؤهلها لتكون مفتوحة المصدر.

عملياً، تقدم النماذج ذات الأوزان المفتوحة الخصوصية والتحكم المحلي والتخصيص. أما النماذج المغلقة فكانت عادةً في المقدمة من حيث القدرات الخام، وإن تقلصت الفجوة خلال 2025. وتتبدل ترتيبات لوحات المتصدرين مثل LMArena من شهر إلى آخر.

والتنظيم يلحق بالركب أيضاً. فبموجب قانون الذكاء الاصطناعي الأوروبي، تسري التزامات نماذج الذكاء الاصطناعي ذات الأغراض العامة منذ 2 أغسطس 2025. كما يظل قانون حماية البيانات، مثل القانون التركي KVKK، ساري المفعول على أي بيانات شخصية تلصقها في الطلب.