ما هي نماذج Liquid AI open d1؟ شرح d1-3B وd1-omni-600M

في 7 أكتوبر، أعلنت Liquid AI عن إصدار نموذج قرار liquid ai مفتوح الأوزان تحت اسم open d1، ويتضمّن نموذجين مختلفين في الحجم: d1-3B وd1-omni-600M. الخبر يستحق الانتباه ليس لأنه إصدار جديد آخر في موجة النماذج المتلاحقة، بل لأن الفكرة التي يقوم عليها مختلفة: هذه ليست نماذج محادثة عامة، بل نماذج مبنية لاتخاذ قرارات في بيئات حقيقية.

الفكرة الأساسية أن معظم النماذج التي تتعامل معها اليوم مصمّمة لتوليد نص يشبه النص البشري. أما d1 فمصمّمة لتقرّر: تراقب حالة النظام، وتتعامل مع بيانات متعددة الأنواع، ثم تُخرج قرارًا. هذا الفرق في الهدف يغيّر كل شيء في طريقة بنائها وفي الأرقام التي تُقاس بها.

ما الذي يميّز liquid ai d1 عن نماذج المحادثة

نموذج المحادثة يُقاس غالبًا بمدى جمال إجابته وبمدى دقتها في اختبارات المعرفة العامة. نموذج القرار يُقاس بمدى صحة القرار الذي يتخذه في موقف محدد، وبتكلفة الوصول إليه، وسرعة استجابته. النموذج الذي يجيب على سؤال ببراعة قد يكون عديم الفائدة إذا كان بطيئًا أو غير متّسق في اتخاذ القرار نفسه مرتين.

Liquid AI تحمل خلفية في النماذج المصمّمة للعمل تحت قيود الموارد، وهذا يفسّر الاسم: liquid ai open d1 ليس نموذجًا عامًا يُعرض في واجهة دردشة، بل أداة تُدمج في أنظمة تشغيلها، من الروبوتات إلى المساعدين ذوي الأدوات.

d1-3B: الحجم الصغير الذي يقارع الكبار

الرقم الأبرز في الإعلان يتعلق بـ d1-3B، وهو نموذج بعدد معاملات ثلاثة مليارات فقط. بحسب ما نشرته Liquid AI، سجّل النموذج نتيجة 48.57 في Decision Index v0.2.1 (public split)، وهي النتيجة التي تضع d1-3b في مقدمة جميع النماذج التي تقلّ عن عشرة مليارات معامل.

الأهم من الرقم أنه يتساوى تقريبًا مع Decider 35B-A3B، وهو نموذج أكبر منه بنحو اثنتي عشرة مرة. المقارنة هنا ليست تفصيلًا تسويقيًا، بل رسالة تقنية واضحة: البنية والتدريب على مهام محددة قد يغنيان عن ضخامة الحجم في مهام القرار تحديدًا.

هذه النتيجة تعني عمليًا أن تشغيل نموذج قرار بجودة عالية لم يعد يحتاج إلى عتاد ضخم. للمطور الذي يعمل على جهاز طرفي أو روبوت محدود القدرات، هذا الفرق يحوّل الفكرة من حلم إلى تطبيق قابل للتنفيذ على الأجهزة الحالية.

d1-omni-600M: القرار متعدد الأنواع بحجم أصغر

النموذج الثاني في الحزمة هو d1-omni-600M، وبعده الصغير يخفي وظيفة مختلفة. مصطلح omni يشير إلى القدرة على التعامل مع أكثر من نوع من المدخلات، أي أن النموذج لا يقتصر على النص بل يتعامل مع إشارات متنوعة.

هذا مهم لأن كثيرًا من مهام القرار في العالم الحقيقي لا تكون نصية. التحكّم في ذراع روبوتية أو في سيرورة تشغيل صناعية يعتمد على قراءات حسّية ورؤية وبيانات، لا على جملة نصية. وجود نموذج بحجم 600 مليون معامل يفهم أكثر من وسيط واحد يجعل دمجه في الأجهزة المدمجة ممكنًا دون أن يستهلك مواردها.

الأداء في الزمن الحقيقي من DGX إلى Jetson

من المزايا التي أعلنتها الشركة أن النموذج قادر على الإجابة في نحو 8 أجزاء من الثانية على كامل سلسلة عتاد NVIDIA، من منصّات DGX السحابية إلى شرائح Jetson الطرفية. هذه السلسلة هي بالضبط ما يحتاجه أي مشروع يفكّر في التحكّم الفوري: يبدأ التطوير على السحابة، ثم ينتهي على جهاز طرفي بنفس النموذج.

سرعة الاستجابة ليست رفاهية في مهام القرار. روبوت ينتظر ثانية ليقرّر قد يكون قد اصطدم بالفعل، ونظام تحكّم في خط إنتاج يتأخر مئات الأجزاء من الثانية قد يعطّل السلسلة كلها. القدرة على القرار في الزمن الحقيقي هي ما يفصل بين نموذج يُعرض في عرض توضيحي ونموذج يُبنى عليه نظام فعلي.

لماذا الوزن المفتوح مهم هنا

الإصدار مفتوح الأوزان، وهذا قرار تحرِيري لا تقني فقط. المطور يستطيع الآن تحميل النموذج، تشغيله على عتاده، تعديله، واختبار أدائه على بياناته الخاصة دون الارتباط بمزوّد واحد. لمهام القرار، هذه الحرية ضرورية لأن البيانات الحقيقية غالبًا حسّاسة ولا يمكن رفعها إلى خدمة خارجية.

الوزن المفتوح يسمح أيضًا للمقارنة الشفافة: بدل تصديق نتيجة معلنة، يمكن للمجتمع إعادة تشغيل الاختبار على نفس المدخلات والتأكد من الرقم. هذا ما يمنح Decision Index قيمته، لأنه معيار يمكن تكرار نتائجه على علن.

كيف تقيس جودة نموذج القرار

المشكلة أن معظم الناس يقيسون النماذج بعدد الأسئلة التي تجيب عنها بشكل صحيح، وهذا مقياس لا يصلح لنموذج القرار. السؤال المناسب هنا: هل اتخذ القرار نفسه في نفس الموقف مرتين؟ وما تكلفة الوصول إلى القرار؟ وما زمن الاستجابة؟

Decision Index v0.2.1 يحاول أن يعالج هذا القصور بجمع عدة أبعاد في رقم واحد، منها دقة القرار وثباته وكفاءة التنفيذ. وهذا النوع من المعايير أكثر صلة بمهام الوكلاء والروبوتات من اختبارات المعرفة العامة التي انتشرت مع النماذج اللغوية. عندما تختار نموذجًا لنظامك، انظر إلى هذه الأبعاد لا إلى الرقم الأكبر، ولا تفترض أن حجمًا أكبر يعني دقة أعلى؛ نتائج d1-3b أمام Decider 35B-A3B دليل واضح على عكس ذلك.

كيف تستفيد منه عمليًا إن كنت مطورًا

إن كان لديك مشروع يستفيد من نقل التعلم، فالأمر عملي أكثر مما يبدو. حمّل النموذج من مصدره الرسمي، وشغّله على عتادك الخاص، ثم قِس أداءه على بياناتك الحقيقية لا على مجموعة اختبار عامة. الأغلب أن أفضل نتيجة لن تأتي من النموذج كما هو، بل من ضبطه على مهامك المحدودة.

• ابدأ بـ d1-3b إن كانت مهامك نصية أو رمزية وبحاجة إلى استدلال أعمق.
• اختر d1-omni-600m إن كان جهازك محدود الموارد ويحتاج قراءة إشارات متنوعة.
• جرّب النموذج على نفس الجهاز الطرفي الذي ستشغّله عليه فعلًا لقياس الزمن الحقيقي.
• تجنّب الاعتماد على نسخ من مصادر غير رسمية، وحقّق من الأوزان الأصليّة قبل الدمج في أي منتج.

من ناحية الأمان، عند تنزيل الأوزان أو أي أدوات تشغيل مرتبطة بها، التزم بالمستودعات الرسمية، وراجع رخصة الاستخدام قبل النشر التجاري، وتحقّق من سلامة الملفات قبل تشغيلها على أنظمة إنتاجية.

لمن يهمّه هذا الإصدار

المستفيد المباشر هو المطور الذي يبني وكلاء أو أنظمة قرار، وليس المستخدم الذي يريد رفيق محادثة. من يعمل على مساعد يمكنه تشغيل أدوات، أو على روبوت يتحرك في بيئة، أو على نظام تصفية ومراقبة يتخذ قرارًا لحظيًا، سيجد في d1-3b وd1-omni-600m خيارًا يستحق الاختبار.

المستخدم العادي لن يلاحظ الفرق فورًا، لأن النماذج لن تظهر باسمها في تطبيقاته اليومية. لكن إذا نجحت هذه الطبقة، فسيشعر بأثرها غير المباشر: مساعدون يستجيبون أسرع، وروبوتات أقل تعثرًا، وتطبيقات تعمل دون الاتصال بالشبكة. هذا هو مقياس نجاح نماذج القرار: لا في حديثها، بل في خفّة حضورها.

مقارنة سريعة بين النموذجين

• d1-3B: نحو ثلاثة مليارات معامل، النموذج الرئيسي لمهام القرار متعددة الخطوات، والنتيجة المرجعية 48.57 في Decision Index v0.2.1.
• d1-omni-600M: نحو 600 مليون معامل، يركز على القرار متعدد الأنواع، مناسب للأجهزة المدمجة التي تتعامل مع أكثر من إشارة.
• كلاهما مفتوح الأوزان ويعمل من عتاد DGX إلى شرائح Jetson بزمن استجابة يبلغ نحو 8 أجزاء من الثانية.

الفرق العملي في الاختيار بسيط: إذا كانت مهمتك نصية أو رمزية وبحاجة إلى استدلال أعمق، فـ d1-3b هو الخيار. وإذا كنت تبني نظامًا طرفيًا بحجم صغير يحتاج قراءة إشارات متنوعة، فـ d1-omni-600m أنسب.

الخلاصة: القرار يصبح نموذجًا بذاته

Liquid AI open d1 يقدّم فكرة تستحق الانتباه: بدل نموذج واحد ضخم يفعل كل شيء بمستوى متوسط، نماذج صغيرة مخصّصة لمهام القرار بمستوى عالٍ. وفي الخلاصة، حجم النموذج لم يعد المقياس الوحيد للقدرة، وهذا في صالح من يبني على الأجهزة الطرفية تحديدًا.

إن كانت هذه الطبقة من النماذج تنضج، فستكون هي التي تدير أدواتنا في الخلفية دون أن نراها، وهذا هو ذروة نجاح نموذج قرار liquid ai: ألا تحتاج أن تلاحظ وجوده.

ملاحظة: أعلنت Liquid AI في 7 أكتوبر 2026 عن نماذج open d1 المفتوحة الأوزان، وتشمل d1-3B وd1-omni-600M، مع تصدّر d1-3b لنماذج أقل من عشرة مليارات معامل في Decision Index v0.2.1.