كما يوحي اسمها، فإن النماذج اللغوية الصغيرة (SLMs) أصغر حجمًا من النماذج اللغوية الكبيرة، وتضم عددًا أقل من المعاملات (parameters). ويمكن تشغيل بعضها على أجهزة الحاسوب الشخصية أو المحمولة، بل حتى على الأجهزة المحمولة الأخرى. ويستطيع كثير منها العمل دون اتصال بالإنترنت أو ضمن البنية التحتية الخاصة بالمؤسسة، بدلًا من الاعتماد الكامل على أنظمة سحابية بعيدة.

نستعرض في هذا المقال ماهية النماذج اللغوية الصغيرة وأهميتها المحتملة لمنظمات القطاع غير الربحي التي تتعامل مع بيانات حساسة أو تعمل بموارد محدودة. ونعرض مجموعة من النماذج ذات الصلة، ونقدّم إرشادات عملية لاستخدامها. ويساعد فهم إمكانات هذه النماذج وحدودها المنظمات على تحديد المجالات التي قد توفّر فيها بدائل أكثر أمانًا وشفافية وأقل تكلفة من النماذج اللغوية الكبيرة.

لماذا تهمّ النماذج اللغوية الصغيرة منظمات القطاع غير الربحي؟

يمكن للنماذج اللغوية الصغيرة أن تقدّم قيمة كبيرة لمنظمات القطاع غير الربحي، إذ تساعدها على معالجة عدد من التحديات الرئيسية.

1. خصوصية البيانات وحماية الفئات الأكثر عرضة للمخاطر

تتعامل منظمات كثيرة في القطاع غير الربحي مع معلومات بالغة الحساسية، مثل الشهادات، ووثائق حقوق الإنسان، وملفات القضايا القانونية، والبيانات الشخصية للناشطين أو الفئات المهمّشة. وقد يضعها استخدام واجهات برمجة التطبيقات (API) للنماذج اللغوية الكبيرة أمام مفاضلة صعبة بين الكفاءة والسرية؛ فرفع المستندات إلى خوادم خارجية قد يعرّضها لتسرّب البيانات أو المراقبة أو الوصول غير المصرّح به.

يمكن للنماذج اللغوية الصغيرة المساعدة في معالجة هذه المشكلة؛ إذ يمكن تشغيلها محليًا على خوادم المؤسسة أو حتى على الحواسيب المحمولة، دون إرسال البيانات إلى جهات خارجية. وبذلك، تتيح تلخيص المستندات وترجمتها وتصنيفها، أو تفريغ التسجيلات الصوتية، مع قدر أكبر من التحكم في المعلومات الحساسة.

2. تحديات البنية التحتية والاتصال

لا يزال الاتصال بالإنترنت مكلفًا أو غير مستقر أو غير متاح في مناطق كثيرة، ولا سيما في أجزاء من أفريقيا وأمريكا اللاتينية والمناطق الريفية. وتتطلب واجهات برمجة التطبيقات للنماذج اللغوية الكبيرة اتصالًا بالإنترنت، مما قد يعطّل سير العمل عند انقطاع الخدمة أو رفع ملفات كبيرة، أو يفرض تكاليف إضافية.

يمكن لبعض النماذج اللغوية الصغيرة العمل دون اتصال بالإنترنت بعد تثبيتها محليًا، مما يتيح للمؤسسات مواصلة أعمالها حتى مع ضعف الاتصال. وتكتسب هذه الإمكانية أهمية خاصة أثناء الأزمات وحالات الطوارئ، كما يوضح الجدول 1 أدناه.

3. الاستدامة المالية

تعمل معظم منظمات القطاع غير الربحي بتمويل محدود وغير مستقر. وقد يصبح من الصعب سريعًا الاستمرار في تحمّل اشتراكات خدمات النماذج اللغوية الكبيرة أو تكاليف استخدام واجهات برمجة التطبيقات المرتفعة.

يمكن للنماذج اللغوية الصغيرة تخفيف هذا العائق؛ فكثير منها مفتوح المصدر ومجاني، ويتطلب موارد حوسبة أقل. ورغم احتمال وجود تكاليف للإعداد والصيانة، تستطيع المؤسسات تجنّب الرسوم الشهرية المتكررة المرتبطة بمنصات الذكاء الاصطناعي التجارية.

4. المراقبة والمخاطر السياسية

غالبًا ما تواجه المؤسسات العاملة في بيئات سياسية معادية تهديدات بالمراقبة. وقد يعرّضها الاعتماد على منصات دولية لمخاطر، مثل طلبات الحكومات للحصول على البيانات، أو الرقابة على المنصات، أو مراقبة شبكات الناشطين.

يساعد استخدام النماذج اللغوية الصغيرة المؤسسات على تقليل اعتمادها على جهات خارجية في المجال الرقمي.

5. المخاوف الأخلاقية والبيئية

لا توفّر النماذج اللغوية الكبيرة الشائعة، مثل ChatGPT، شفافية بشأن بيانات تدريبها وخطوات معالجة البيانات فيها. كما يتطلب تطويرها وتشغيلها موارد حوسبة كبيرة، مما قد يزيد أثرها البيئي.

تقدّم النماذج اللغوية الصغيرة بديلًا قد يكون أكثر اتساقًا مع مبادئ اللامركزية والملكية المجتمعية؛ فهي عادةً أكثر انفتاحًا وشفافية من النماذج اللغوية الكبيرة المغلقة. ورغم أنها تستهلك موارد حوسبة أيضًا، فإن أثرها البيئي أثناء التشغيل أقل عمومًا من أثر النماذج اللغوية الكبيرة.

أمثلة على النماذج اللغوية الصغيرة


الجدول 1: نظرة عامة على بعض النماذج اللغوية الصغيرة الشائعة التي يمكن استخدامها في مهام مختلفة لمنظمات القطاع غير الربحي، مع بيان مزوّديها، واللغات التي تدعمها، وتخصصاتها، وميزاتها الإضافية، وأطوال السياق فيها.

  • أغراض عامة: تُعدّ Qwen3-0.6B وPhi-4-mini-instruct وLlama-3.2-3B-Instruct وGemma-2B وtiny-aya-global نماذج لغوية صغيرة متعددة الأغراض. ويمكنها أداء مهام عديدة لتحليل النصوص، مثل التعرّف على الكيانات والتلخيص والإجابة عن الأسئلة. كما يدعم Qwen3-0.6B وPhi-4-mini-instruct مهام تتجاوز توليد النصوص إلى الاستدلال الأكثر تعقيدًا، مثل مقارنة المعلومات والتحقق من الحقائق.

  • اللغات: يدعم Qwen3-0.6B وPhi-4-mini-instruct لغات متعددة؛ أي إنهما قد يفهمان الطلبات المكتوبة بلغات أخرى وينفّذان المهام باللغة المستهدفة. ومع ذلك، لا يقتصر أداؤهما بالضرورة على اللغات المدعومة؛ فإذا كانت اللغة المستهدفة قريبة من لغات التدريب، فقد يستطيع النموذج تقديم استجابة مقبولة بها.

  • الترجمة والتفريغ الصوتي: تتخصص نماذج مثل Translategemma-4b-it وVoxtral-Mini-4B في مهام محددة، كالترجمة والتفريغ الصوتي؛ إذ خضعت للضبط الدقيق (fine-tuning) باستخدام مجموعات بيانات تدريب مخصّصة لهذه المهام.

  • تحليل المستندات الطويلة: تدعم Phi-4-mini-instruct وLlama-3.2-3B-Instruct وMinistral-3-3B-Instruct نوافذ سياق طويلة، مما يفيد عند التعامل مع مستندات مطوّلة، مثل السياسات والتقارير. ويمكن لمنظمات القطاع غير الربحي الاستفادة منها في تلخيص هذه المستندات أو الإجابة عن أسئلة تتعلق بمحتوى تقرير.

  • المهام متعددة الوسائط: تستطيع بعض النماذج اللغوية الصغيرة معالجة الصور إلى جانب النصوص. فعلى سبيل المثال، يتمتع Ministral-3-3B-Instruct وLlama-3.2-3B-Instruct بقدرات بصرية، بينما يدعم TranslateGemma الترجمة من النصوص والصور. وقد تفيد هذه النماذج المؤسسات في تحليل لقطات الشاشة والمستندات الممسوحة ضوئيًا والمخططات والنصوص داخل الصور.

البرمجة: تدعم بعض النماذج اللغوية الصغيرة، مثل CodeGemma وQwen2.5-Coder-3B، مهام برمجية تشمل توليد الشيفرات، وتصحيح الأخطاء، وكتابة استعلامات SQL/SPARQL. وقد يساعد ذلك منظمات القطاع غير الربحي على الوصول إلى معلومات من مصادر بيانات منظّمة، مثل Wikidata.

كيف يمكن متابعة النماذج اللغوية الصغيرة الجديدة؟

إذا كنت تتعرّف إلى النماذج اللغوية الصغيرة للمرة الأولى ولا تعرف أيّها تختار، فمن الأفضل غالبًا البدء بنموذج شائع الاستخدام يحظى بدعم جيد، ثم استكشاف نماذج أخرى. وإذا كنت تنوي كتابة طلبات بلغة غير الإنجليزية، فتحقّق مما إذا كان النموذج قد تدرّب عليها أو على لغات قريبة منها؛ فدعم اللغات المتعددة ومستوى الأداء يختلفان كثيرًا بين النماذج.

صورة: يتيح Hugging Face متابعة النماذج اللغوية الصغيرة الجديدة أو الشائعة أو المتخصصة بسهولة.

  • Hugging Face: يضم مجموعة واسعة من نماذج الذكاء الاصطناعي مفتوحة المصدر، بما فيها النماذج اللغوية الصغيرة. وكما توضح الصورة أعلاه، يمكنك البحث وفق معايير محددة، مثل ‎<4B لعرض النماذج اللغوية الصغيرة، ثم ترتيب النتائج بحسب شعبيتها أو تاريخ إنشائها.

  • GitHub: منصة تستضيف كثيرًا من مستودعات الشيفرات والمشروعات البرمجية. يمكنك البحث فيها عن استخدامات النماذج اللغوية الصغيرة، أو الاطّلاع على مستودعات مثل SLMs-Survey للتوسع في معرفتك بها.

  • مصادر أكاديمية: يُعدّ ACL Anthology وACM Digital Library مرجعين قيّمين للعثور على أبحاث تطبيقية حول استخدام النماذج اللغوية الصغيرة في الصحافة والعلوم الاجتماعية. فعلى سبيل المثال، يتناول الباحثون في هذا المقال استخدام هذه النماذج في تلخيص الأخبار.

القيود

الجدول 2: مقارنة بين النماذج اللغوية الصغيرة وواجهات برمجة تطبيقات النماذج اللغوية الكبيرة من حيث الاتصال بالإنترنت، وخصوصية البيانات، وهيكل التكلفة، والأداء، وسهولة الإعداد، وقابلية التوسّع.

رغم مزايا النماذج اللغوية الصغيرة من حيث التكلفة والخصوصية، فإن لها قيودًا أيضًا. فقد يكون أداؤها أقل من أداء واجهات برمجة تطبيقات النماذج اللغوية الكبيرة في المهام شديدة التعقيد التي تتطلب استدلالًا متقدمًا أو متعدد الخطوات، مثل التحقق من الحقائق في المستندات أو التحليل التفصيلي. وقد تكون نوافذ السياق فيها أقصر، مما يصعّب معالجة الطلبات التي تتضمن تعليمات مطوّلة أو مدخلات كبيرة، مثل المستندات متعددة الصفحات. كذلك، قد تتطلب استضافتها ذاتيًا أو تكييفها لاستخدامات محددة خبرة تقنية وأجهزة محلية مناسبة.

كيفية استخدام النماذج اللغوية الصغيرة عمليًا

للمستخدمين الأقل خبرة تقنية:

توفّر هذه الأدوات واجهات سهلة الاستخدام لتشغيل النماذج المحلية والتفاعل معها، دون الحاجة إلى إعدادات معقدة أو معرفة بالبرمجة.

للمستخدمين الأكثر خبرة تقنية:

توفّر هذه الأدوات قدرًا أكبر من المرونة والتخصيص وتحسين الأداء عند تشغيل النماذج اللغوية الصغيرة وتجربتها في بيئات التطوير.

للاستخدامات المتقدمة أو المتخصصة تقنيًا:

صُمّمت هذه الأطر البرمجية للمطورين الراغبين في بناء تطبيقات مدعومة بالذكاء الاصطناعي، وسير عمل قائم على الوكلاء (agentic workflows)، ومسارات معالجة مخصّصة تستخدم النماذج برمجيًا. ويمكن أيضًا الرجوع إلى صفحات النماذج على Hugging Face، التي تتضمن أحيانًا أمثلة لشيفرات تشغيل النموذج.

طرق لتحسين نتائج النماذج اللغوية الصغيرة

تساعد مجموعة من الأساليب العملية على تحسين أداء النماذج اللغوية الصغيرة وجودة استجاباتها.

  • قسّم المهام المعقدة إلى مهام فرعية أصغر وأبسط

بدلًا من مطالبة النموذج بحل مشكلة كبيرة دفعة واحدة، قسّمها إلى خطوات متتابعة. فعلى سبيل المثال، يمكن تقسيم التحقق من الحقائق إلى تحديد الادعاء، وجمع المصادر، وتقييم الأدلة، وتلخيص الاستنتاجات.

  • اكتب طلبات مفصّلة وحدّد الأدوار

تحدّ التعليمات الدقيقة من الغموض وتحسّن جودة المخرجات. وغالبًا ما يؤدّي تحديد الصيغة أو النبرة أو الهدف المطلوب إلى استجابات أكثر موثوقية من الطلبات المبهمة. فبدلًا من الاكتفاء بطلب تنفيذ المهمة، يمكنك مثلًا كتابة: «أنت مدقق حقائق. استخدم التفكير النقدي لتقييم هذا الادعاء، وحدّد مصادر موثوقة، ووضّح ما إذا كان الادعاء دقيقًا».

  • قدِّم أمثلة أو سياقا عند الإمكان

يساعد تقديم خلفية عن الموضوع أو أمثلة على المخرجات النموذج على فهم المهمة بصورة أفضل. فإذا أردت، مثلًا، توضيح كيفية استخلاص الحقائق الأولية تمهيدًا للتحقق منها، يمكنك إضافة مثال إلى الطلب، كما في الجدول أدناه:

الجدول 3: مثال على تقديم أمثلة وسياق، باستخدام معلومات عن برنامج النشاط الرقمي التابع لـTechSoup.

ترجمة الجدول3:

المدخل:

برنامج النشاط الرقمي مبادرة عالمية تابعة لـTechSoup، تُعنى بتعزيز صمود القطاع غير الربحي وقدرته على التكيّف مع التحديات الرقمية المتغيّرة، والتصدي للمعلومات المضلّلة، وتعبئة المجتمعات، وبناء شبكات أقوى عبر المناطق. ومنذ إطلاقه عام 2018، توسّع البرنامج من أوروبا إلى أمريكا اللاتينية وأفريقيا ومناطق أخرى، ليتيح للناشطين والمؤسسات حول العالم الوصول إلى الموارد وفرص التعلّم والمهارات التي يحتاجونها.

المخرجات:

  • برنامج النشاط الرقمي مبادرة عالمية.

  • تدير TechSoup برنامج النشاط الرقمي.

  • يُعنى البرنامج بتعزيز صمود القطاع غير الربحي.

  • يهدف البرنامج إلى تعزيز قدرة القطاع غير الربحي على التكيّف مع التحديات الرقمية المتغيّرة.

  • يهدف البرنامج إلى مساعدة القطاع غير الربحي على التصدي للمعلومات المضلّلة.

  • يهدف البرنامج إلى المساعدة في تعبئة المجتمعات.

  • يهدف البرنامج إلى بناء شبكات أقوى عبر المناطق.

  • أُطلق البرنامج في عام 2018.

  • بدأ توسّع البرنامج من أوروبا.

  • توسّع البرنامج إلى أمريكا اللاتينية.

  • توسّع البرنامج إلى أفريقيا.

  • توسّع البرنامج ليشمل مناطق أخرى إلى جانب أوروبا وأمريكا اللاتينية وأفريقيا.

  • يدعم البرنامج الناشطين حول العالم.

  • يدعم البرنامج المؤسسات حول العالم.

  • يساعد البرنامج الناشطين والمؤسسات على الوصول إلى الموارد.

  • يساعد البرنامج الناشطين والمؤسسات على الوصول إلى فرص التعلّم.

  • يساعد البرنامج الناشطين والمؤسسات على تطوير المهارات.

    • ادمج النماذج اللغوية الصغيرة مع أدوات الاسترجاع أو مصادر المعرفة الخارجية عند الحاجة

    نظرًا إلى أن معرفة النماذج الأصغر أو نوافذ السياق فيها قد تكون محدودة، فإن ربطها بالمستندات أو قواعد البيانات أو أنظمة البحث قد يحسّن دقة المعلومات وأداءها في المجال المعني.

    • استخدم أطرًا قائمة على الوكلاء (agentic frameworks) لسير العمل متعدد الخطوات

    تستطيع أطر برمجية مثل LangChain وLangGraph وSmolagents تنسيق خطوات سير العمل واستخدام الأدوات والذاكرة عبر المهام. وتتيح أيضًا لعدة نماذج لغوية صغيرة التعاون في مهمة معقدة واحدة، من خلال توزيع المهام الفرعية على نماذج متخصصة. ففي سير عمل للتحقق من مقاطع الفيديو، مثلًا، يمكن استخدام Voxtral لتفريغ المحتوى الصوتي، ثم Llama لترجمة النص إلى لغة أخرى، ثم استدعاء وكيل بحث على الإنترنت لجمع الأدلة الداعمة وتقييمها.

    أفكار ختامية

    لا تحلّ النماذج اللغوية الصغيرة محل النماذج اللغوية الكبيرة بالكامل، لكنها تقدّم بديلًا مهمًا للمؤسسات التي تعطي الأولوية للخصوصية والتكلفة الميسورة والشفافية والتحكم. وقد تتيح لمنظمات القطاع غير الربحي العاملة بموارد محدودة أو في بيئات حساسة سياسيًا نهجًا أكثر استدامة واتساقًا مع الاعتبارات الأخلاقية لتبنّي تطبيقات الذكاء الاصطناعي التوليدي.

    لا تقتصر قيمة النماذج اللغوية الصغيرة لمنظمات القطاع غير الربحي على الجانب التقني، بل تشمل الجانب الاستراتيجي أيضًا. فهي تساعدها على تجربة الذكاء الاصطناعي التوليدي مع إبقاء البيانات الحساسة ضمن بنيتها التحتية الخاصة، وتقليل الاعتماد على المنصات التجارية، وتكييف الأدوات مع الاحتياجات واللغات والسياقات المحلية. كما يمكن للدروس المستفادة من هذه المنظمات أن تسهم في تطوير النماذج نفسها، نظرًا إلى تنوع المهام التي تؤديها.

    ومع ذلك، من المهم تذكّر أن النماذج اللغوية الصغيرة والكبيرة على حد سواء قد تولّد معلومات غير دقيقة أو مختلقة بالكامل، فيما يُعرف بالهلوسة (hallucinations). لذا ينبغي دائمًا التحقق من المخرجات بالرجوع إلى الخبراء والمصادر الموثوقة، ولا سيما عند استخدامها في اتخاذ القرارات أو المناصرة أو العمليات الحساسة.

    رأيك يهمّنا

    ما رأيك في هذا النص؟ خصّص 30 ثانية لمشاركة ملاحظاتك، وساعدنا على إعداد محتوى مفيد للقطاع غير الربحي!

    إخلاء المسؤولية

    أُعدّ هذا المورد ضمن مشروع الذكاء الاصطناعي من أجل التغيير الاجتماعي، في إطار برنامج النشاط الرقمي التابع لـTechSoup، وبدعم من Google.org.

    تتطور أدوات الذكاء الاصطناعي بسرعة. ورغم أننا نبذل قصارى جهدنا لضمان صحة المحتوى الذي نقدّمه، فقد تصبح بعض المعلومات غير محدّثة. إذا لاحظت معلومة لم تعد مواكبة للمستجدات، فيُرجى إبلاغنا عبر content@techsoup.org.

    أعدّ إيبك باريس شليشت هذا المحتوى وراجعه وحرّره بمساعدة الذكاء الاصطناعي.