ما هو dots3-note Preview؟ دليل شامل لنموذج 280B من Xiaohongshu

dots3-note Preview هو أول نموذج مفتوح المصدر من عائلة dots3 التي تطورها dots studio، مختبر الذكاء الاصطناعي التابع لـ Xiaohongshu AI. يبلغ إجمالي معلماته 280B، لكنه ينشّط 16B فقط عند كل استدعاء بفضل بنية Mixture-of-Experts (MoE). يدعم السياق حتى 512K رمزاً، ويفهم النصوص والصور والصوت والفيديو. ما يميزه هو تركيزه على المهام طويلة المدى التي قد تستغرق ساعات أو أياماً، مثل تخطيط السفر وتنظيم الأعراس وإدارة المشاريع. في هذا الدليل، نشرح كيف يعمل، وما هو TEMPO، ولماذا يختلف عن النماذج الأخرى التي سمعت عنها.

ما هو dots3-note Preview؟ التعريف والأساسيات

dots3-note Preview هو نموذج ذكاء اصطناعي متعدد الوسائط مفتوح المصدر، أصدرته dots studio في 14 أغسطس 2026 تحت ترخيص Apache 2.0. ينتمي إلى عائلة dots3 وهو أخف عضو فيها. العائلة تضم أيضاً نموذجين آخرين لم يُصدَرا بعد: jazz و aria.

النموذج جزء من سلسلة dots-note التي حققت إنجازاً تاريخياً في يوليو 2026، عندما حصل dots-note-3.0 على 42 من 42 في الأولمبياد الدولي للرياضيات (IMO)، ليكون أول ذكاء اصطناعي يحرز درجة كاملة في المسابقة. في ذلك العام، حقق 7 متسابقين بشريين فقط هذا الإنجاز.

ما يميز dots3-note Preview ليس الحجم أو التفوق في المسابقات فحسب، بل توجيهه نحو نوع مختلف من المهام. بدلاً من التركيز على المهام القابلة للتحقق بسهولة (كود يُترجم أو لا يُترجم، إجابة رياضية صحيحة أو خاطئة)، اختار مختبر dots تحدي المهام الواقعية المفتوحة التي لا تملك إجابة واحدة. هذه نقطة مهمة: النموذج لا يحاول أن يكون الأفضل في كل شيء، بل أن يكون قادراً على إنجاز مهام لا يحاول معظم النماذج الأخرى حتى حلها.

بنية Mixture-of-Experts: كيف يعمل نموذج MoE 280B بـ 16B نشط؟

يعتمد dots3-note Preview على بنية Mixture-of-Experts (MoE)، وهي تقنية تعزز كفاءة النموذج بتوزيع المعلمات على 256 خبيراً متخصصاً، مع تنشيط 8 خبراء فقط لكل رمز. هذه البنية تقلل تكلفة الاستدلال بشكل كبير، لأن النموذج يستخدم 16B فقط من معلماته في كل عملية رغم امتلاكه 280B.

إليك المواصفات الأساسية:

المقارنة المثيرة ليست في الأرقام المطلقة. بل في الكفاءة. نموذج بحجم GPT-5.6 يفعّل معلماته بالكامل في كل استدعاء، بينما dots3-note Preview يختار فقط ما يحتاجه. هذا يجعله أرخص بكثير في التشغيل.

نقطة عملية: إصدار FP8 (dots3-note-prev-fp8) يعمل على عقدة واحدة بـ 8 وحدات معالجة رسومية (GPU) من نوع H100 عبر vLLM أو SGLang. هذا يجعل النشر متاحاً للمؤسسات المتوسطة، وليس حكراً على الشركات الكبرى.

TEMPO: منهجية التعلم المعزز للوكيل طويل المدى

TEMPO (Test-time-scaled Value Estimation with Macro-step Policy Optimization) هي منهجية تعلم معزز (reinforcement learning) طورتها dots studio خصيصاً للمهام طويلة المدى. الفكرة الأساسية: بدلاً من انتظار نهاية المهمة لتقييم النجاح أو الفشل، يقسم TEMPO المهمة إلى مراحل كلية (macro-steps)، وبعد كل مرحلة يوقف النموذج التنفيذ مؤقتاً ليقيم وضعه الحالي واحتمالات النجاح.

هذا النهج يحل مشكلة حقيقية. وليس مجرد تحسين تقني. في المهام القصيرة، يكفي محاولة المهمة مرة وتصحيح الخطأ. لكن في مهمة تستغرق 10 ساعات، قد يكتشف النموذج بعد ساعات أن معلومة اعتمد عليها في البداية لم تعد صحيحة، أو أن أداة توقفت عن العمل، أو أن متطلبات المستخدم تغيرت. مجرد زيادة نافذة السياق لا يكفي هنا، لأن المشكلة ليست في سعة الذاكرة بل في القدرة على إعادة التقييم.

بيانات ARC-AGI-3 توضح الفرق: نموذج مدعوم بـ TEMPO حقق متوسطاً أعلى بنسبة 31.5٪ من نقطة الأساس المرجعية، وأعلى بنسبة 20.6٪ من GRPO. هذه الأرقام لا تعني أن جميع المهام الطويلة أصبحت قابلة للحل. لكنها تشير إلى شيء محدد: التقييم المرحلي أكثر فاعلية من ترك المهمة حتى النهاية ثم الحكم عليها.

TEMPO يعمل alongside آلية Self-Critique، التي تسمح للنموذج بتقييم مساره أثناء التنفيذ: هل الخطة الحالية لا تزال معقولة؟ هل الافتراضات السابقة ما زالت صالحة؟ ما المعلومات التي تحتاج تحديثاً؟ هذا النوع من التقييم الذاتي ليس شائعاً في النماذج المفتوحة المصدر.

سياق 512K والتفكير متعدد الوسائط

سياق 512K يعني أن النموذج يستوعب ما يعادل مئات الصفحات من النص في محادثة واحدة. لكن الأهم من الحجم هو كيف يستخدمه. في dots3-note Preview، السياق الطويل ليس مجرد سعة تخزين، بل شرط أساسي للوكيل طويل المدى الذي قد ينفذ عشرات الخطوات ويستدعي الأدوات مئات المرات في مهمة واحدة.

التفكير متعدد الوسائط يوسع قدرة النموذج إلى ما هو أبعد من النص. يدعم dots3-note Preview أربعة أنواع من المدخلات: النص، الصور، الصوت، والفيديو. هذا يعني أنه يستطيع قراءة مخططات أرضية، فهم عروض الأسعار، تحليل مستندات، وحتى سماع الملاحظات الصوتية. في سياق مهام مثل تخطيط السفر أو إدارة مشروع، هذه القدرة ضرورية: المستخدم لا يصف مشكلته نصياً فقط، بل يرسل لقطات شاشة وملفات صوتية ومستندات PDF.

مشفر الرؤية في النموذج يستخدم بنية MoE أيضاً: 7B معلمات إجمالية، 1.2B نشطة. هذا يحافظ على كفاءة معالجة الوسائط البصرية دون إبطاء الاستدلال. مشفر الصوت كثيف بالكامل بحجم 800M معلمة.

الفيديو يستحق ذكراً خاصاً. عندما تُمرّر مقطع فيديو، يستخرج النموذج المعلومات البصرية والصوتية معاً. هذا يفتح أنواعاً جديدة من المهام، مثل تحليل أداء رياضي من لقطة فيديو، أو مراجعة عرض تقديمي مسجل.

VibeSearchBench و VibeLifeBench: كيف تقاس المهام الواقعية؟

معظم معايير تقييم النماذج الحالية تركز على مهام لها إجابة واحدة صحيحة. لكن ماذا عن المهام التي لا تملك إجابة موحدة؟ تخطيط رحلة سفر يعتمد على الميزانية والتفضيلات والتوقيت وحالة الطقس. لا توجد إجابة "صحيحة" واحدة.

لهذا السبب، أصدرت dots studio معيارين جديدين مفتوحين:

VibeSearchBench يقيس قدرة النموذج على البحث متعدد الجولات عندما لا يكشف المستخدم عن جميع القيود دفعة واحدة. يغطي 20 مجالاً و 200 مهمة، باستخدام محاكي مستخدم يحاكي سلوك البحث الحقيقي. النتائج الحالية متواضعة: Claude Opus 5 يقود بـ 31.14 نقطة، بينما GPT-5.4 في القاع. الفجوة بين الأداء الحالي والمتطلبات العملية لا تزال كبيرة.

VibeLifeBench يحاكي بيئة واقعية متغيرة. يغطي 10 مجالات و 20 مهمة، كل مهمة تمتد عبر 20 إلى 30 مرحلة، مع 1,247 نقطة فحص للتحقق من اتساق الحالة وتنفيذ الأدوات وجودة النتيجة النهائية. سبعة من أبرز النماذج خضعت للتقييم، ولم يصل أي منها إلى خط النجاح. أعلى نتيجة كانت لـ GPT-5.5 بـ 30.1 نقطة، تلاه DeepSeek-v4-flash بـ 30.0، ثم dots3-note بـ 28.1.

أرقام منخفضة. لماذا إذن هذا مهم؟ لأنها بالضبط النقطة التي أرادت dots studio إبرازها: المهام الواقعية أصعب بكثير من المسابقات. وعندما يقولون إن النموذج يحقق نتائج مقارنة بنماذج أكبر منه، فهم يشيرون إلى أنه يلعب لعبة مختلفة، لا نفس اللعبة بكفاءة أعلى.

عائلة dots3: من المسابقات إلى الحياة اليومية

عائلة dots3 تضم ثلاثة نماذج بتصاميم مختلفة لمقايضات مختلفة بين القدرة والسرعة والتكلفة. dots3-note Preview هو الأخف. النموذجان الآخران، jazz و aria، لم يُصدَرا بعد، ولم تكشف dots studio عن مواصفاتهما الكاملة.

السياق التاريخي مهم لفهم النموذج. سلسلة dots-note تعود إلى dots.llm1، أول نموذج MoE من dots studio بـ 142B معلمة و 14B نشطة. ثم جاء dots-note-3.0 الذي حقق 42/42 في IMO 2026، ثم تطور إلى dots3-note Preview الذي يفصل بين المسارين: يحتفظ بسلسلة الرياضيات، لكنه يوجه طاقاته نحو المهام الواقعية المفتوحة.

اختيار dots studio للتوجه نحو المهام الحياتية ليس عشوائياً. Xiaohongshu كمنصة محتوى حياتي تنتج يومياً كميات هائلة من البيانات حول القرارات اليومية للناس: الموضة والطبخ والسفر والتجميل. هذا يمنح الفريق ميزة طبيعية في تطوير نموذج يفهم كيف يعيش الناس بدلاً من كيف يحل المسائل فقط.

لكن هذا التوجه يطرح سؤالاً مشروعاً: هل النموذج المصمم للمهام الحياتية سيكون أضعف في المهام التقنية؟ الجواب من Terminal-Bench 2.1: لا. dots3-note حصل على 75.1 نقطة، متفوقاً على أبرز النماذج الأمريكية مفتوحة الأوزان التي تحصل عادة حول 70 نقطة، رغم أنه ليس نموذجاً مصمماً للبرمجة. SemiAnalysis، وهي مؤسسة تحليلية مستقلة في وادي السيليكون، وصفت النتيجة صراحة بأنها "dots3-note beats American open weight models".

الترخيص والتوفر: كيفية الوصول إلى dots3-note Preview

dots3-note Preview مفتوح المصدر بالكامل تحت ترخيص Apache 2.0. الأوزان متاحة على Hugging Face (dots-studio/dots3-note-prev) و ModelScope. يتوفر إصداران: الأوزان الأصلية بدقة BF16، وإصدار مضغوط بدقة FP8 مخصص للنشر على عقدة GPU واحدة.

ثلاث طرق رئيسية للنشر. vLLM يقدم دعماً أصلياً في الإصدار الرئيسي، مع توافق مع أداة MTP للتشفير التنبؤي الذي يقلل زمن توليد الرمز بأكثر من 50٪. SGLang يتوفر عبر صورة Docker جاهزة (lmsysorg/sglang:dev-dots3-note) مع وصفات نشر مفصلة. Transformers متاح عبر طلب دمج قيد المراجعة، وهو مناسب للتجارب السريعة.

النموذج يدعم استدعاء الأدوات (tool calling) المتوافق مع OpenAI API، ما يعني أنه يعمل مع أطر الوكيل الحالية دون تعديلات كبيرة.

API مباشر متاح عبر منصة dots.ai، والنموذج متاح للاستخدام المجاني على الموقع الرسمي. إذا كنت تبحث عن نموذج قوي للمهام طويلة المدى، dots3-note Preview يقدم زاوية مختلفة: ليس الأكبر ولا الأقوى في كل شيء، لكنه مصمم من البداية لنوع المهام التي يصعب على معظم النماذج الأخرى حتى محاولة حلها. جرّبه عبر منصة dots.ai إذا كانت احتياجاتك تتجاوز الإجابة على سؤال واحد إلى إكمال مشروع كامل عبر أيام أو أسابيع.