جميعها تسمى مصادر مفتوحة، لكن ما يُفتح يختلف～

بعد الحصول على نموذج، فأنت على الأرجح فضولي لمعرفة كيف تم تدريبه.

هنا تظهر الفروق بين النماذج المختلفة. بعضها يسمح لك بتنزيله وتشغيله دون الكشف عن مواد التدريب الكاملة. الآخر يذهب أبعد من ذلك بتوفير تدريب الكود وأوصاف البيانات، مما يتيح للمطورين الخارجيين دراسة مسار تدريب النموذج.

في مايو 2026، نشر G7 وثيقة مرجعية مشتركة حول انفتاح الذكاء الاصطناعي، وصنّف هذه الفروقات في أربع فئات، من أعلى درجة انفتاح إلى أقلها:

• حتى بيانات التدريب الكاملة عامة. أوزان النموذج، كود النشر، كود التدريب، وبيانات التدريب الكاملة جميعها مقدمة بموجب تراخيص مصادر مفتوحة، تتوافق مع Open Source AI with Open Data.
• الأوزان والكود عامة، مع بيانات مقيدة موثقة بالتفصيل. تتوافق مع Open Source AI. يجب تقديم بيانات التدريب الكاملة في المبدأ؛ الأجزاء التي لا يمكن مشاركتها لأسباب قانونية أو تقنية تحتاج إلى استبدالها بتوثيق بيانات كافٍ.
• نموذج مدرب يُسلّم لك للتشغيل والتعديل. تتوافق مع Open Weights AI، حيث تُقدم الأوزان وكود النشر بموجب تراخيص مصادر مفتوحة، لكن لا تكشف بالضرورة عن مواد التدريب الكاملة.
• قابل للتنزيل، لكن بشروط إضافية عند الاستخدام. تتوافق مع Weights Available AI، حيث يمكن الحصول على الأوزان وكود النشر، لكن التراخيص قد تقييد الاستخدام التجاري أو مناطق الاستخدام أو السيناريوهات المحددة.

بالنظر إلى Qwen3 كمثال، يقدم الفريق الرسمي نماذج أوزان مفتوحة مع تعليمات للتشغيل المحلي والنشر والكمية والتحسين. يمكن للمطورين استخدام أدوات مثل Transformers وvLLM وSGLang لتشغيل النماذج، ويمكنهم أيضاً استخدام أدوات التحسين لمتابعة التدريب. بناءً على الفروق أعلاه، هذا يظهر القيمة العملية لطبقة الأوزان المفتوحة.

معظم المؤسسات لا تحتاج لإعادة تدريب النماذج الكبيرة المسبق - يمكنها تشغيل النماذج الموجودة وتكييفها مع أجهزتها الخاصة وتحسينها بعينات الأعمال، وهذا يمكنه بالفعل حل العديد من مشاكل الأعمال المحددة.

هل يمكن لنماذج مفتوحة المصدر أن تنافس فعلاً النماذج مغلقة المصدر؟

من رائع أن تتمكن من نشر النماذج بنفسك، لكن إذا كان النموذج يرتكب أخطاءً كثيرة في سيناريوهات الأعمال، فمن الصعب تكليفه بعمل حقيقي.

في الماضي، تركت نماذج مفتوحة المصدر انطباعاً لدى كثير من الناس بأنها ملائمة للبحث لكنها أقل من أقوى النماذج مغلقة المصدر. مع التحديث المستمر لقدرات النماذج، تحتاج هذه التقييم لإعادة النظر.

في 18 يونيو 2026، حدث تفاعل مثير للاهتمام على X. ناقش المستخدمون متى يمكن للنماذج الصينية الوصول إلى مستوى نماذج Anthropic frontier، وتوقع إيلون ماسك أن الأمر قد يستغرق حتى الربع الأول من 2027. رد المؤسس المشارك لـ Zhipu، تانغ جي، أسفل بـ «won't take that long».

ما إذا كانت توقعات الشخصين ستنجز أم لا يعتمد على أداء النماذج اللاحق. الجانب المثير للنقاش هو أن نماذج مفتوحة المصدر وقفت بالفعل على حافة مشهد النماذج الكبيرة بالكامل.

أكدت حادثة أمان كشفتها Hugging Face في يوليو 2026 مرة أخرى أهمية نماذج مفتوحة المصدر.

تم اختراق جزء من البنية التحتية لإنتاج Hugging Face، واحتاج فريق الأمان إلى تحليل سجلات هجوم كبيرة لفهم ما فعله المهاجمون، وأي اعتمادات لمسواها، وأين وصل التأثير. حاول فريق HF أولاً استخدام نماذج frontier عبر واجهات برمجة التطبيقات التجارية، لكنه واجه مشكلة محرجة. أوامر الهجوم الحقيقية ومحتوى الاستغلال المستخدمة للتحقيق أثارت قيود أمان مزود الخدمة، وتم حظر طلبات التحليل.

بعد ذلك، استخدم الفريق نموذج الأوزان المفتوحة GLM-5.2 على بنيته التحتية الخاصة لإجراء تحليل forensics، مما سمح للتحقيق بالاستمرار. بيانات الهجوم والاعتمادات ذات الصلة بقيت أيضاً في البيئة الداخلية.

في المراجعة التقنية اللاحقة، شرحت Hugging Face further أن الفريق أعاد بناء حوالي 17,600 إجراء هجوم واستخدم نماذج الأوزان المفتوحة بما في ذلك GLM-5.2 لتفكيك حمولات الهجوم المشفرة والمخفية.

أثبت هذا الحادث أهمية نماذج مفتوحة المصدر.

أي سيناريوهات أكثر ملاءمة لنشر نماذج مفتوحة المصدر محلياً؟

المجالات العمودية هي أيضاً اتجاه تطبيقي مهم لنماذج مفتوحة المصدر. تتعلم النماذج الكبيرة العامة من كميات واسعة من البيانات العامة، لكن فهمها لأسماء الأجهزة الداخلية للمؤسسات وعمليات الأعمال وشروط الصناعة والمعرفة المتخصصة قد يكون لا يزال محدوداً. من خلال التحسين ببيانات المجال العمودي، يمكن للنموذج معرفة المزيد من هذه المعرفة المتخصصة.

للمهام التي تحتاج لمعالجة البيانات الحساسة، النشر المحلي يقدم أيضاً مزايا. يمكن للنماذج تنفيذ الاستدلال داخل شبكة المؤسسة الداخلية والربط مع قواعد المعرفة وقواعد البيانات وأنظمة الأعمال الموجودة، مما يقلل من الحاجة لإرسال البيانات الحساسة إلى الخدمات الخارجية.

ومع ذلك، ليست جميع المهام تحتاج نماذج مفتوحة المصدر المنشرة محلياً.

للمهام ذات الاستدعاءات القليلة للنموذج، أو احتياجات أعمال سريعة التغير، أو الحاجة لاستخدام مستمر لأحدث قدرات النموذج العامة، استدعاء واجهات برمجة التطبيقات مباشرة يكون عادة أكثر راحة. لبعض مهام الأعمال طويلة الأمد والمستقرة والمكررة، تمتلك نماذج مفتوحة المصدر مساحة تطبيقية أكبر.

على سبيل المثال، المهام مثل تصنيف النص وتحديد النية واستخراج المعلومات وتلخيص المستندات وأسئلة قواعد المعرفة، عادة ما تكون لها صيغ مدخلات ومخرجات واضحة نسبياً. يمكن للمؤسسات اختيار نماذج بحجم مناسب حسب تعقيد المهمة واستخدام بياناتها الخاصة للتدريب أو التحسين. لهذه المهام، لا يلزم بالضرورة استخدام النماذج مع أكبر عدد من المعلمات.

تذكر، تنزيل نموذج لا يعني أنه يمكنك استخدامه كما تشاء

يعمل النموذج ويعطي نتائج جيدة، لكن إذا أردت استخدامه في المنتجات التجارية أو مشاركة نسختك المحسنة، لا يزال تحتاج للتحقق من الترخيص.

القابل للتنزيل والقابل للاستخدام التجاري والقابل للتعديل لإعادة التوزيع هي أذونات مختلفة.

بشكل عام، MIT و Apache License 2.0 هما تراخيص مصادر مفتوحة متساهلة نسبياً تسمح بالاستخدام التجاري والتعديل، ولا تتطلب الكشف عن جميع الكود المشتق. البرمجيات تحت ترخيص MIT تحتاج فقط لحفظ إشعارات حقوق النشر والترخيص؛ Apache 2.0 يحدد متطلبات توثيق التعديلات والحفاظ على الإشعارات ذات الصلة ومعالجة الإشعارات عند إعادة التوزيع، ويتضمن أحكاماً واضحة لمنح براءات الاختراع.

على سبيل المثال، سلسلة نماذج Qwen3 تستخدم Apache 2.0.

Kimi K3 له اتفاقيات منفصلة لبعض الاستخدامات التجارية، تسمح بالنشر والتحسين وإنشاء الأعمال المشتقة، لكن عندما تصل خدمات النموذج إلى عتبة إيرادات محددة، يلزم اتفاقية منفصلة.

كود DeepSeek-V3 يستخدم ترخيص MIT.

لذلك، عند استخدام النماذج، إذا أردت نشر نموذج محسّن أو تقديمه لمستخدمين آخرين، تحتاج لإعادة التحقق من ترخيص النموذج الأصلي لمعرفة ما إذا كان هذا الاستخدام مسموحاً، وما إذا كنت بحاجة للحفاظ على اسم النموذج والترخيص ومعلومات المصدر.

إذا تم الحصول على نموذج جديد عن طريق دمج عدة نماذج، تحتاج أيضاً للتحقق من تراخيص كل نموذج على حدة لضمان عدم تعارض متطلباتها.