متى يصبح النموذج الصغير خيارا أذكى من النموذج الكبير؟

ليس كل عمل يحتاج إلى نموذج لغوي ضخم. فالمؤسسة التي تستقبل آلاف الرسائل يوميا لا تبحث بالضرورة عن نموذج يكتب الشعر ويحل المسائل الرياضية؛ قد تريد منه أن يفهم الرسالة، ويحدد موضوعها، ويوجهها إلى القسم المعني. مهمة محددة، تتكرر كل يوم. وهنا يصبح السؤال عن حجم النموذج سؤالا عمليا، لا سباقا بين الأرقام.
وفي 7 أكتوبر 2026 عاد هذا السؤال إلى الواجهة مع إطلاق Anthropic نموذج Claude Haiku 5.5، أصغر نماذجها وأسرعها، المصمم للأعمال كثيفة الحجم ومحدودة الميزانية.
الخلاصة التنفيذية
- الحجم قرار هندسي واقتصادي لا مؤشر مكانة: النموذج المناسب هو أصغر نموذج يحقق الجودة المطلوبة على مهمتك أنت.
- التكرار يضخّم الفروق: ما يبدو هامشيًا في طلب واحد يصبح بندًا ثقيلًا بعد آلاف الطلبات.
- الصغير ليس بديلًا شاملًا؛ فمؤشر Artificial Analysis يضع Haiku 5.5 دون Sonnet 5.5 وOpus 5.5 بفارق واضح.
- يُحسم الاختيار باختبار على بياناتك الفعلية، لا بترتيب عام في لوحة نتائج.
- التخصص يعوّض جزءًا من الحجم، وتجربة Kuwain 1.5B في العربية مثال عليه.
لماذا ظننا أن الأكبر هو الأنسب؟
لأن لوحات الترتيب تكافئ الاتساع: تقيس النموذج عبر عشرات المهام وتمنحه رقمًا واحدًا، بينما تحتاج مؤسستك مهمة واحدة. الرقم العام يخبرك من الأفضل في المتوسط، ولا يخبرك من يكفي عملك. إنه أشبه باستخدام شاحنة لتوصيل ظروف البريد؛ القدرة موجودة، لكنك تدفع ثمنها في كل رحلة.
وفئة الصغير نفسها تتحرك بسرعة. فبحسب Artificial Analysis، سجّل Haiku 5.5 43 نقطة في مؤشر الذكاء لديها، بزيادة 26 نقطة عن آخر نسخة من Haiku قبل عام. ما كان يعجز عنه نموذج صغير العام الماضي قد يصبح اليوم في متناوله، مع بقاء فارق واضح عن Sonnet 5.5 وOpus 5.5.
حين تتكرر المهمة آلاف المرات
في الطلب الواحد لا يشعر أحد بفرق ثانية أو بضعة سنتات. لكن حين يعالج النظام عشرة آلاف رسالة، يصير كل فرق صغير عاملًا مضاعِفًا في الزمن والفاتورة. ولهذا تضع Anthropic نموذج Haiku 5.5 للتلخيص والتصنيف والاستعلام من قواعد البيانات، وتذكر أن كلفته أقل بنحو 75% في المتوسط من Haiku 4.5. وهو أول Haiku يتيح خمسة مستويات من «الجهد» (Effort)، من المنخفض إلى الأقصى، فتضبط عمق التفكير بحسب صعوبة المهمة.
أربعة متغيرات لا متغير واحد
يدور الاختيار حول أربعة أمور: الحجم (عدد المعاملات - Parameters) أي سعة النموذج، وزمن الاستجابة (Latency)، والتكلفة لكل مليون رمز (Tokens)، والدقة على مهمتك أنت. الحجم يرفع غالبًا الزمن والتكلفة، لكنه لا يرفع الدقة بالضرورة في كل مهمة.
غير أن للصغر حدًا أدنى. ففي دراسة مجتمعية نُشرت على Hugging Face في يوليو 2026، دُرّب 48 نموذجًا عربيًا بين نصف مليون و50 مليون معامل. غابت الترجمة عند نحو مليون معامل وظهرت عند خمسة ملايين بالبيانات نفسها، ولم تنقذ زيادةُ البيانات بنحو مئة ضعف النموذجَ الأصغر. هذه نماذج بحثية أصغر بكثير من نماذج الإنتاج، فالعبرة في المنهج لا في الأرقام: دون حد معين تكون المشكلة سعةً لا بيانات.
مثال عملي: عشرة آلاف رسالة عربية
تخيّل مركز اتصال يريد فرز عشرة آلاف رسالة إلى ثلاث فئات: شكوى، واستفسار، وطلب. النص قصير، والمخرج كلمة واحدة، ولا حاجة لاستدلال طويل؛ مهمة تُرشَّح عادةً لنموذج صغير. لكن الترشيح ليس نجاحا.
ابدأ بعينة مصنّفة يدويا من رسائلك الحقيقية، تشمل لهجات متعددة، وخلطا بين العربية والإنجليزية، ورسائل غاضبة تتخفى في صيغة سؤال. شغّل النموذجين عليها، وقِس الدقة لكل فئة على حدة، وزمن المعالجة، والتكلفة الإجمالية. فإن جاء الفارق في الدقة ضمن هامش يقبله العمل، فالصغير هو الخيار، وتُرسَل الحالات الغامضة وحدها إلى نموذج أكبر.
كيف نقارن دون أن نخدع أنفسنا؟
تقدم الدراسة نفسها ثلاثة تحذيرات. الأول: الطلاقة ليست فهمًا. أنتجت النماذج الأصغر من الحد عربية مصرية سليمة النحو والنبرة، لكنها لا تمتّ إلى الجملة المطلوب ترجمتها بصلة، وهو خطأ ينجو من النظرة السريعة؛ فقارن دائمًا بإجابات مرجعية. الثاني: البيانات المألوفة تجمّل الصورة. انخفضت درجات BLEU إلى نحو النصف عند الاختبار على مجموعة كتبها مُعلِّق آخر، فاختبر على بيانات من مصدر مختلف عما ضبطت عليه. الثالث: المقياس الواحد يظلم. يعاقب BLEU الترجمات الصحيحة المختلفة في اختيار الكلمات، فاختر مقاييس تناسب طبيعة مهمتك ولا تكتفِ بدقة إجمالية واحدة.
أين تقف مسراج؟ من كوين إلى منظومة كون
في مسراج، لم يكن الاهتمام بالنماذج اللغوية الصغيرة مجرد استجابة لاتجاه تقني نحو تقليل عدد المعاملات، بل انطلق من سؤال بحثي أكثر تحديدا: هل يمكن أن نمنح نموذجا صغيرا قدرة أفضل على معالجة العربية، دون أن نعيد تدريبه من الصفر أو نفقد ما تعلّمه سابقً؟
هذا السؤال كان منطلق ورقتنا البحثية Kuwain 1.5B: An Arabic SLM via Language Injection، التي نشرناها في أبريل 2025.
اعتمدنا في تطوير «كوين» (Kuwain) على نموذج TinyLlama 1.1B، المدرّب أساسا على الإنجليزية، ثم استخدمنا منهجية «حقن اللغة» (Language Injection) لإضافة قدرات عربية إليه. شملت العملية توسيع المفردات بإضافة رموز عربية، وتطوير بنية النموذج وتدريبه بطريقة تستفيد من معرفته السابقة بدلًا من البدء بنموذج جديد بالكامل.
وصل حجم النموذج الناتج إلى 1.5 مليار معامل، وسجّل تحسنًا متوسطه 8% في مجموعة من اختبارات الأداء باللغة العربية مقارنة بالنموذج الأساسي، مع الاحتفاظ بقدر كبير من معرفته السابقة، باستخدام كمية محدودة من بيانات اللغة الأصلية.
ما الذي تعنيه هذه النتيجة؟
لا تعني أن نموذجا بحجم 1.5 مليار معامل أصبح منافسا للنماذج الأكبر في جميع المهام. لكنها تثبت إمكانية تحسين كفاءة نموذج صغير في لغة مستهدفة، دون تحمّل تكلفة تدريب نموذج ثنائي اللغة من الصفر.
والأهم أن هذه التجربة قدّمت أساسًا يمكن البناء عليه، بدلًا من تطوير نموذج مستقل لكل مهمة.
من نموذج أساسي إلى نماذج متخصصة
لم تتوقف تجربة «كوين» عند تحسين قدرات النموذج بالعربية. فقد أصبح أساسا لتطوير نماذج أكثر تخصصا ضمن أعمال «مختبر كون» (Kawn Lab).
ومن أبرز الأمثلة:
- سديد (Sadeed): نموذج متخصص في التشكيل الآلي للنصوص العربية، حيث تتطلب المهمة فهمًا دقيقا للكلمات وسياقاتها لتحديد الحركات المناسبة.
- مترجم (Mutarjim): نموذج للترجمة ثنائية الاتجاه بين العربية والإنجليزية، بُني على «كوين» وطُوّر لتحقيق أداء تنافسي في مهمة محددة، رغم حجمه الصغير مقارنة بنماذج عامة أكبر.
- لهجاوي (Lahjawi): عائلة نماذج متخصصة في الترجمة بين اللهجات العربية، وبين اللهجات والعربية الفصحى، لمعالجة جانب من التنوع اللغوي الذي لا تكفي فيه معرفة الفصحى وحدها.
تختلف المهام الثلاث في طبيعتها، لكنها تشترك في مبدأ واحد: ليس المطلوب أن يؤدي النموذج كل شيء، بل أن يتقن المهمة التي صُمم من أجلها.
وهذا هو الفرق بين بناء نموذج عام ثم استخدامه لجميع الاحتياجات، وبين تطوير أساس لغوي يمكن تكييفه مع متطلبات مختلفة.
من التخصص إلى منظومة متدرجة
تتسع هذه الفلسفة في منظومة «كون» لتشمل نماذج متفاوتة الحجم والقدرات؛ من «كوين» للمهام المركزة والتطبيقات محدودة الموارد، إلى «كون المتوسط» المصمم للمهام النصية العامة، وصولًا إلى «كون-MoE» القائم على معمارية مزيج الخبراء (Mixture of Experts)، والموجّه للمهام المعرفية الأكثر تعقيدًا. ويظل النموذجان الأخيران ضمن مسار التطوير المعلن للمنظومة.
الغاية من هذا التنوع ليست زيادة عدد النماذج، وإنما إتاحة اختيار القدرة الحاسوبية المناسبة بحسب طبيعة المهمة.
فالمؤسسة التي تحتاج إلى تشكيل النصوص العربية لا يلزمها بالضرورة النموذج نفسه الذي تستخدمه لتحليل مستند قانوني طويل. والتطبيق الذي يترجم عبارات قصيرة ومتكررة قد تكون احتياجاته مختلفة عن نظام يجيب عن أسئلة مركبة اعتمادًا على مصادر معرفية متعددة.
ومن هنا تتضح القيمة العملية للتخصص: يمكن للنماذج الأصغر أن تكون خيارًا مناسبًا للمهام المحددة والمتكررة، بينما تُخصص النماذج الأوسع للمهام التي تحتاج قدرات إضافية، بشرط أن يثبت الاختبار ملاءمة كل نموذج لعمله.
وهذا ما تقودنا إليه تجربة «كوين»: الذكاء في اختيار النموذج لا يقل أهمية عن الذكاء الذي يمتلكه النموذج نفسه.
فالقيمة ليست في عدد المعاملات وحده، وإنما في مقدار الجودة التي يستطيع النموذج تقديمها مقابل الموارد التي يستهلكها، ومدى ملاءمته للغة والمهمة والبيئة التي سيعمل فيها.
المراجع
- Claude Haiku 5.5: إطلاق 7 أكتوبر 2026 ومستويات الجهد (Root-Nation)
- تغطية DigitalToday: مهام Haiku 5.5 وخفض الكلفة بنحو 75%
- Journal du Geek: مؤشر Artificial Analysis لـ Haiku 5.5
- Kuwain 1.5B: An Arabic SLM via Language Injection (arXiv)
- Where Does Translation Emerge? 48 Arabic Models from 0.5M to 50M Parameters (Hugging Face)


