AIUnlimited
🌳

أسس الذكاء الاصطناعي

🌱
AI Seeds

Start from zero

🌿
AI Sprouts

Build foundations

🌳
AI Branches

Apply in practice

🏕️
AI Canopy

Go deep

🌲
AI Forest

Master AI

🔨

إتقان الذكاء الاصطناعي

✏️
AI Sketch

Start from zero

🪨
AI Chisel

Build foundations

⚒️
AI Craft

Apply in practice

💎
AI Polish

Go deep

🏆
AI Masterpiece

Master AI

📘

تطبيق الذكاء الاصطناعي

📖
فهم النماذج مفتوحة المصدر

أسس وموارد للنماذج مفتوحة المصدر

🎯
من المشكلة إلى مهمة النموذج

تحويل مشاكل الأعمال إلى مهام نموذجية

⚡
تشغيل نموذجك الأول

شاهد نتائجك الأولى في 30 دقيقة

🔧
التحسين الدقيق والتقييم

حسّن النماذج وقيّم الأداء

🚀
أنظمة التطبيقات

بناء تطبيقات ذكاء اصطناعي واقعية

🎨
الذكاء الاصطناعي التوليدي

استكشف نماذج AIGC مفتوحة المصدر

🤖
الوكيل

تعلم أطر عمل الوكيل وأدوات MCP

📐
أسس تكميلية

أساسيات LLM والتقييم

🎓

أكاديمية كلاود

🤖
Claude 101

Learn AI basics with Claude

💻
Claude Code 101

Code with Claude as your pair programmer

🤝
Introduction to Claude Cowork

Collaborate with Claude on complex projects

⚙️
Claude Platform 101

Build apps with the Claude API

المختبر

تم تحميل 7 تجارب
🧬ملعب الشبكة العصبية🤖ذكاء اصطناعي أم إنسان؟🥋دوجو التوجيهات🏁سباق الخوارزميات🧠مسابقة معلومات الذكاء الاصطناعي🏗️لوحة تصميم النظام
🎯مقابلة تجريبيةدخول المختبر→
🚀

التطوير المهني

🚀
منصة انطلاق المقابلات

ابدأ رحلتك

🌟
إتقان المقابلات السلوكية

أتقن المهارات الشخصية

💻
المقابلات التقنية

تفوّق في جولة البرمجة

🤖
مقابلات الذكاء الاصطناعي وتعلم الآلة

إتقان مقابلات تعلم الآلة

🏆
العرض وما بعده

احصل على أفضل عرض

ابدأ الآن
AIUnlimited

رخصة MIT

沪ICP备18025655号-11

تعلّم

  • أساسيات الذكاء الاصطناعي
  • تطبيق الذكاء الاصطناعي
  • أكاديمية كلاود
  • المختبر
  • التطوير المهني

المجتمع

  • عن المنصة
  • الأسئلة الشائعة

الدعم

  • footer.terms
  • footer.privacy
  • footer.contact
البرامج الأكاديمية للذكاء الاصطناعي والهندسة›⚡ تشغيل نموذجك الأول›الدروس›Running Models Locally with Ollama
💻
تشغيل نموذجك الأول • مبتدئ⏱️ 20 دقيقة للقراءة

Running Models Locally with Ollama

قم بتشغيل نماذج مفتوحة المصدر على حاسوبك المحمول، ابدأ مع Ollama

يمكن نشر النماذج محلياً أو في السحابة. تشمل الأجهزة المحلية الحواسيب المحمولة وأجهزة سطح المكتب وأجهزة الحافة الأخرى.

هناك أيضاً خيارات أدوات مختلفة للتشغيل المحلي: Ollama، بالإضافة إلى أطر عمل مثل vLLM و SGLang.

في هذا الفصل، سنشرح أولاً الاستخدام الأساسي لـ Ollama بوضوح. سيتم تغطية التكييف لأجهزة الحافة الأخرى واستخدام أطر عمل مثل vLLM و SGLama لاحقاً.

لماذا تريد تشغيل النماذج على حاسوبك الخاص؟

استدعاء النماذج الكبيرة عبر API هو النهج الأكثر راحة: أرسل الطلب، يقوم النموذج بالحساب وإرجاع النتيجة. لا يحتاج المستخدمون لشراء GPU أو صيانة البيئة الأساسية.

لكن نهج API له أيضاً قيود لا يمكن تجنبها،تتركز في الجوانب التالية:

  • أمان البيانات: لا يمكن إرسال المستندات الأساسية وخصوصية العملاء وبيانات الأعمال الداخلية مباشرة إلى السحابة العامة لأطراف ثالثة.
  • التوفر بدون اتصال: بيئات الإنتاج مثل خطوط الاتصال الخاصة بالشبكة الداخلية لا يمكنها الاتصال بالشبكة الخارجية ببساطة.
  • التحكم في التكاليف: عندما يكون حجم المكالمات كبيراً ومستقراً، عادةً ما يكون بناء خادمك الخاص أكثر فعالية من حيث التكلفة من الدفع لكل رمز.

لذا، إذا كانت أعمالك تتضمن حساسية البيانات أو تتطلب تشغيلاً خالياً تماماً من الاتصال أو لديها حجم مكالمات كبيرة، فإن النشر المحلي هو الخيار الأنسب.

تحقق أولاً من نظام حاسوبك المحمول وأجهزته

Ollama هو أحد الأدوات الأكثر سهولة في الاستخدام حالياً، يجمع تحميل النماذج والإدارة المحلية وخدمات API معاً. لا يحتاج المستخدمون لكتابة كود لتحميل النماذج؛ بضعة أوامر فقط يمكنها بدء تشغيل النموذج مباشرة.

تعتمد قدرة النموذج على التشغيل المحلي بسلاسة إلى حد كبير على موارد الجهاز. يوفر Ollama دعماً جيداً لمنصات الأجهزة الشائعة، مع دعم Windows و Linux و macOS. سواء كان ذلك CPU عادياً أو GPU أو Mac مع Apple Silicon، يمكن استخدامها جميعاً لتشغيل النماذج.

التشغيل بواسطة CPU، حتى بدون بطاقة رسومات مخصصة، يمكنك تشغيل النماذج عبر CPU. نظراً لأن استدلال النماذج الكبيرة يتطلب حسابات واسعة، عادةً ما تكون سرعة التوليد أبطأ مع CPU، مما يجعلها أكثر ملاءمة لنماذج معاملات أصغر أو سيناريوهات لا تكون فيها متطلبات سرعة الاستجابة مرتفعة.

التشغيل بواسطة GPU، هذه هي الطريقة الأكثر شيوعاً حالياً لتشغيل النماذج الكبيرة. يمتلك GPU قدرات حساب متوازية قوية يمكنها تحسين سرعة توليد النموذج بشكل ملحوظ. كلما كان النموذج أكبر، كلما زادت ذاكرة الفيديو المطلوبة عادةً، لذا عند اختيار النموذج، تحتاج أن تنظر في ما إذا كان بطاقة الرسومات تمتلك ذاكرة فيديو كافية.

التشغيل بواسطة Apple Silicon، تستخدم شرائح Apple سلسلة M تصميم ذاكرة موحدة، حيث يمكن لـ CPU و GPU استخدام نفس الذاكرة. لمستخدمي Mac، إذا كان الجهاز يحتوي على 32GB أو 64GB أو أكثر من الذاكرة الموحدة، يمكنك محاولة تشغيل بعض النماذج المكممة ذات المعاملات الأكبر.

اختر نظام التشغيل الخاص بك، قم بتثبيت Ollama

تثبيت Ollama على Windows

  1. أولاً، على الموقع الرسمي لـ Ollama، وقم بتنزيل إصدار Windows المناسب
الدرس 3 من 50٪ مكتمل
←Server Configuration for Models

مناقشة

تسجيل الدخول للانضمام إلى النقاش

قم بتنزيل Ollama
رسم توضيحي
  1. بعد الانتهاء من التنزيل، انقر مباشرة على التثبيت، انقر على المتابعة
رسم توضيحي
  1. بعد التثبيت، يُظهر أن خدمة Ollama قد بدأت
رسم توضيحي
  1. في cmd، قم ببدء النموذج الذي تريد تحميله، على سبيل المثال: qwen3.5:2b، اكتب الأمر مباشرة في الطرفية
ollama run qwen3.5:2b

تُظهر خرج الصفحة أن النموذج قد بدأ بنجاح. في هذه النقطة، يمكنك إجراء محادثات مباشرة في العميل أو استدعاء API لاختبار النموذج.

رسم توضيحي

كود اختبار API:

from openai import OpenAI

client = OpenAI(
    base_url="http://127.0.0.1:11434/v1",
    api_key="ollama",  
)

response = client.chat.completions.create(
    model="qwen3.5:2b", 
    messages=[
        {
            "role": "system",
            "content": "أنت مساعد مفيد.",
        },
        {
            "role": "user",
            "content": "من أنت؟",
        },
    ],
    temperature=0,
    max_tokens=512,
)

print(response.choices[0].message.content)

النتيجة:

رسم توضيحي

تثبيت Ollama على ModelScope Notebook

  1. قم بتثبيت Ollama في Notebook، أولاً قم بتنزيل حزمة التثبيت، نفذ الأمر التالي
!modelscope download --model=modelscope/ollama-linux --local_dir ./ollama-linux  
رسم توضيحي
  1. بعد تنزيل حزمة التثبيت، ادخل مجلد ollama-linux ونفذ الأمر التالي للتثبيت
%cd ollama-linux
رسم توضيحي
sudo chmod 777 ./ollama-modelscope-install.sh
./ollama-modelscope-install.sh

بعد التثبيت، سيُظهر معلومات نقطة نهاية API، الافتراضي 127.0.0.1:11434. إذا تمت إظهار المعلومات التالية، فإن التثبيت اكتمل.

رسم توضيحي

تثبيت Ollama على Linux

خطوات التثبيت على Linux مidentical to تثبيت Ollama في ModelScope Notebook أعلاه.

تثبيت Ollama على Mac

  1. أولاً، على الموقع الرسمي لـ Ollama، قم بتنزيل Ollama وقم بتنزيل إصدار macOS المناسب
رسم توضيحي
  1. بعد التنزيل، انقر نقرًا مزدوجًا على الملف الذي تم تنزيله واسحب Ollama إلى التطبيقات
رسم توضيحي
  1. بعد التثبيت، يُظهر أن خدمة Ollama قد بدأت
رسم توضيحي
  1. في cmd، قم ببدء النموذج الذي تريد تحميله، على سبيل المثال: qwen3.5:2b، اكتب الأمر مباشرة في الطرفية
ollama run qwen3.5:2b

تُظهر خرج الصفحة أن النموذج قد بدأ بنجاح. في هذه النقطة، يمكنك إجراء محادثات مباشرة في العميل أو استدعاء API لاختبار النموذج.

رسم توضيحي

يمكنك أيضاً الدردشة في العميل.

رسم توضيحي

يمكنك أيضاً تنزيل النماذج من ModelScope وبدء تشغيلها مع Ollama

يوفر Ollama مستودعات نماذج كثيرة. يمكننا إيجاد النماذج التي نحتاجها في ModelScope وبدء تشغيلها مع Ollama.

  1. بدء تشغيل خدمة Ollama

للخدمات المستمرة، يمكن للنواة الواحدة في Jupyter تنفيذ خلية واحدة فقط في كل مرة، مما يصعب تنفيذ الخلايا اللاحقة. لذا يجب تنفيذ هذا الجزء في الطرفية. بعد فتح Notebook، اذهب مباشرة إلى مساحة العمل، حيث سترى "Terminal" في الأسفل. انقر عليه.

رسم توضيحي

اكتب في الطرفية:

ollama serve
رسم توضيحي
  1. بعد ذلك، قم بتشغيل النموذج الذي نريد بدءه، على سبيل المثال: Qwen3-4B-GGUF. في المرة الأولى التي يعمل فيها النموذج، يحتاج إلى تنزيل الملفات المقابلة من مستودع النماذج. يجب أيضاً تنفيذ هذا الأمر في الطرفية. يمكنك فتح طرفية جديدة وتنفيذ الأمر التالي:
رسم توضيحي
 ollama run modelscope.cn/unsloth/Qwen3-4B-GGUF
رسم توضيحي

في هذه النقطة، بدأ النموذج. يمكنك استدعاء API لاختبار ما إذا كان نقطة نهاية النموذج متصلة. الكود كما يلي:

import requests
url = "http://127.0.0.1:11434/v1/chat/completions"
data = {
    "model": "modelscope.cn/unsloth/Qwen3-4B-GGUF",
    "messages": [
        {
            "role": "user",
            "content": "مرحباً، يرجى تقديم نفسك"
        }
    ],
    "max_tokens": 100
}

response = requests.post(url, json=data)

print("كود الحالة:", response.status_code)
print(response.text)

إذا كانت مكالمة النموذج ناجحة، ستُظهر نتيجة النموذج المقابلة.

رسم توضيحي

يمكنك الاطلاع على العملية التجريبية الكاملة لهذا الفصل على: https://modelscope.cn/gallery/liucong/b1ef397b-fe80-4fb9-812f-969fa25ea44c