Liquid AI تطلق LFM2.5-VL-DSpark: تسريع فك التشفير 3.13x بكلفة ذاكرة 8.9%
أطلقت Liquid AI نموذج المسودة التجريبي LFM2.5-VL-DSpark لنموذج الرؤية واللغة LFM2.5-VL-3B، محققاً تسريعاً في فك التشفير يصل إلى 3.13x على الأجهزة الطرفية و2.66x على H100، مقابل زيادة 8.9% فقط في عدد المعاملات (280M معامل إضافي). يدعم النموذج llama.cpp وMLX-VLM وSGLang من اليوم الأول، ويُوزَّع بصيغتي Safetensors وGGUF على Hugging Face بترخيص مفتوح الأوزان.
الموجز الإحصائي السريع
أعلنت Liquid AI رسمياً في مدونتها الرسمية (سبتمبر 2026) إطلاق نموذج المسودة التجريبي LFM2.5-VL-DSpark المرافق لنموذج الرؤية واللغة LFM2.5-VL-3B، وهو متاح فوراً على Hugging Face بصيغتي Safetensors وGGUF بترخيص مفتوح الأوزان. يحقق النموذج تسريعاً في فك التشفير يصل إلى 3.13x على الأجهزة الطرفية و2.66x على H100، مقابل زيادة 8.9% فقط في عدد المعاملات (280M معامل إضافي).
📊 بطاقة البيانات والمواصفات التقنية الرسمية
| المحور التقني | البيانات الرسمية المؤكدة |
|---|---|
| 💰 الأسعار وتكلفة الاستخدام | مفتوح الأوزان ومجاني التحميل من Hugging Face دون رسوم ترخيص؛ لا توجد طبقات اشتراك أو أسعار توكنز معلنة لأن التوزيع عبر الأوزان وليس API مدفوع. |
| 🌐 المنصات والتوفر الفوري | Hugging Face (Safetensors + GGUF)؛ دعم من اليوم الأول لـ llama.cpp (PR#29339)، MLX-VLM (PR#2280)، وSGLang (PR #40651) مع نقطة نهاية متوافقة مع OpenAI على http://localhost:30000/v1. |
| ⚡ الأداء ومؤشرات السرعة | تسريع فك التشفير: حتى 3.13x على الجهاز (MLX/M5 Max) و2.66x على H100. زمن الاستجابة الشامل: حتى 2.62x على الجهاز و2.27x على H100. على llama.cpp/M3 Ultra: 1.57x–2.14x فك تشفير و1.30x–1.77x شامل. |
| 🛡️ الأمان ومقاومة الاختراق | فك التشفير التخميني دقيق (exact): النموذج الهدف يتحقق من كل رمز مقترح، لذا المخرجات الجشعة مطابقة للنموذج وحده دون تحريف. لا توجد معايير أمان منفصلة معلنة في البيان. |
| 🧠 سياق الذاكرة (Context Window) | لم يُعلن حجم نافذة سياق رقمي منفصل؛ النموذج يعمل كمسودة على رؤوس الطبقات المخفية للنموذج الهدف LFM2.5-VL-3B بحجم كتلة 8 أو 9 رموز. |
| 🌍 دعم اللغة العربية والمنطقة | لا يوجد تقييم عربي منفصل في البيان الرسمي؛ النموذج متعدد الوسائط (نص + صورة) ومتاح عالمياً عبر Hugging Face دون قيود جغرافية. |
تفاصيل الإعلان والميزات التقنية الجديدة
يعتمد LFM2.5-VL-DSpark على نفس معمارية نماذج المسودة النصية LFM2.5-DSpark: يلتقط الحالات المخفية للنموذج الهدف عند مجموعة ثابتة من الطبقات المُستشعَرة (tapped layers)، ثم يُولّد كتلة من k رمز مرشح. تُسقَط رقع الصور ورموز النص في تمثيل مشترك قبل تلك الطبقات، لذا يعمل النموذج على متجهات بنفس الأبعاد بغض النظر عن نوع المدخل، ما يعني أن خوارزمية الاستدلال لم تتغير عن النماذج النصية. النموذج الناتج هو مسودة مبسطة قائمة على الانتباه فقط بـ4 طبقات وحجم كتلة 9، دُرِّب على 10 حقب (epochs) على مزيج بيانات SFT للرؤية واللغة، مع تحسن معدل القبول مع زيادة رموز التدريب حتى بلوغ نقطة العوائد المتناقصة.
يتوزع هيكل النموذج كالتالي: مكدس فك التشفير (4 طبقات) 193.0M، إسقاط الحالة المخفية 21.0M، رأس ماركوف 65.5M، والمعايير + رأس الثقة 6.4k، بإجمالي 279.5M معامل. هذا يمثل زيادة 8.9% فقط على النموذج الهدف البالغ 3B، وهي كلفة ذاكرة منخفضة مقابل تسريع كبير في فك التشفير دون أي تغيير في جودة المخرجات.
المقارنة المعيارية والأداء التنافسي
قُيِّم النموذج على ست مهام بصرية متنوعة وفق معيار MMSpec: VQA عام، VQA نصي، وصف الصور، VQA للمخططات، الاستدلال المعقد، والمحادثة متعددة الأدوار، بحجم كتلة 8. على الأجهزة الطرفية مع MLX على M5 Max: تسريع فك التشفير 2.30x–3.13x وزمن استجابة شامل 1.56x–2.62x. مع llama.cpp على M3 Ultra: 1.57x–2.14x فك تشفير و1.30x–1.77x شامل. على H100: 2.04x–2.66x فك تشفير و1.64x–2.27x شامل. يبرز البيان قيداً مهماً وفق قانون أمدال: فك التشفير التخميني يسرّع مرحلة فك التشفير فقط، وليس ترميز الرؤية أو التعبئة المسبقة (prefill)، لذا على الأجهزة الطرفية ذات الحوسبة المحدودة يكون الربح الشامل أقل من الربح في فك التشفير وحده.
ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)
يمثل LFM2.5-VL-DSpark فرصة عملية للمطورين العرب الذين يبنون تطبيقات رؤية حاسوبية على أجهزة طرفية أو خوادم محدودة الميزانية، إذ إن كلفة الذاكرة الإضافية البالغة 8.9% فقط تجعل النشر على أجهزة Mac أو حواسيب محمولة ممكناً دون ترقية عتادية. وبما أن النموذج مفتوح الأوزان ومجاني التحميل، تنخفض تكلفة التطوير للمشاريع الناشئة في المنطقة إلى كلفة الحوسبة فقط، دون رسوم API أو اشتراكات شهرية. أما كفاءة التوكنز في النصوص العربية فتعتمد على بيانات الضبط الدقيق التي لم تُفصَّل لغوياً في الإعلان، لكن تسريع فك التشفير ينعكس مباشرة على زمن استجابة التطبيقات العربية متعددة الوسائط مثل تحليل المستندات والصور الطبية أو التعليمية. حالات الاستخدام الواعدة تشمل مساعدي القراءة البصرية، وأدوات وصف الصور بالعربية، وتحليل المخططات في التقارير المالية العربية، مع إمكانية الضبط الدقيق على بيانات عربية محلية دون قيود ترخيص.
الخلاصة والتطلعات القادمة
خطوة Liquid AI هذه ترسّخ اتجاه "الذكاء الاصطناعي الذي يعمل في أي مكان" عبر تقديم مسودة خفيفة (280M معامل) تحقق تسريعاً يصل إلى 3.13x دون المساس بالجودة، مع دعم فوري لأهم أطر التشغيل المحلي. التحدي القادم هو تجاوز قيد قانون أمدال عبر تسريع مرحلة التعبئة المسبقة وترميز الرؤية، وهو ما قد يكون محور الإصدارات التالية من عائلة LFM2.5.
المصدر الإعلامي: Hugging Face | البيان الرسمي للشركة: Liquid AI Blog | تدقيق وتحليل البيانات: AI Tools Oasis
أسئلة شائعة
فريق AI Tools Oasis
نقدم لك أحدث الأخبار والتحليلات في عالم الذكاء الاصطناعي بدقة ومصداقية. تابعنا للحصول على كل جديد.
