نماذج اللغات الصغيرة (SLMs)

نماذج اللغة الصغيرة (SLMs) هي نماذج ذكاء اصطناعي مبسطة مصممة لفهم اللغة البشرية وإنتاجها بكفاءة. وعلى عكس نظيراتها الأكبر حجماً، تتراوح معلمات نماذج اللغة الصغيرة عادةً بين بضعة ملايين و15 مليار معلمة، مما يتيح تشغيلها محلياً على أجهزة الحافة بدلاً من الاعتماد على بنية تحتية ضخمة للحوسبة السحابية. وبفضل التشغيل المحلي، توفر هذه النماذج معالجة أسرع، وخصوصية محسّنة للمستخدم، وتكاليف نشر مخفضة بشكل كبير.

التمييز بين المصطلحات الرئيسية

لفهم المشهد العام للذكاء الاصطناعي بشكل أفضل، من المفيد التمييز بين نماذج اللغة الكبيرة (SLMs) والتقنيات ذات الصلة:

• نماذج اللغة الصغيرة (SLMs) مقابل نماذج اللغة الكبيرة (LLMs): في حين تحتوي نماذج اللغة الكبيرة (LLMs) على مئات المليارات من المعلمات وتتطلب موارد خادم ضخمة، فإن نماذج اللغة الصغيرة (SLMs) مُحسَّنة للغاية. وهذا يتيح لها العمل بأقل تأخير في الاستدلال، مما يجعلها مثالية للتطبيقات المتخصصة والمحددة المجال التي لا تتطلب نطاقًا واسعًا.
• نماذج اللغة الطبيعية(SLMs) مقابل نماذج الرؤية واللغة (VLMs): تركز نماذج اللغة الطبيعية(SLMs) في المقام الأول على مهام معالجة اللغة الطبيعية. في المقابل، يمكن لنماذج الرؤية واللغة (VLMs) تفسير كل من النصوص والصور بشكل أصلي. ومع ذلك، يقوم العديد من المطورين الآن بدمج نماذج اللغة الطبيعية (SLMs) مع نماذج الرؤية السريعة لإنشاء أنظمة متعددة الوسائط خفيفة الوزن.

تطبيقات واقعية

تُحدث نماذج اللغات الصغيرة ثورة سريعة في مختلف القطاعات من خلال تزويد الأجهزة الإلكترونية الاستهلاكية وشبكات المؤسسات بقدرات ذكاء متطورة.

• المساعدون الافتراضيون المدمجون في الأجهزة: تستفيد الهواتف الذكية الحديثة وأجهزة إنترنت الأشياء من نماذج SLM لمعالجة الأوامر الصوتية محليًّا. ويضمن ذلك استجابات فورية ويحافظ على بقاء البيانات الحساسة على الأجهزة. وتعتبر النماذج المتطورة مثل Phi-3Microsoft وOpenELM من آبل رائدة في هذه الثورة التي تحدث داخل الأجهزة.
• روبوتات الدردشة المخصصة لمجالات معينة: تقوم الشركات بنشر نماذج التعلم اللغوي (SLM) المُحسّنة بدقة لتقديم الدعم الآلي للعملاء. ومن خلال الجمع بين هذه النماذج المدمجة و تقنية "الإنشاء المعزز بالاسترجاع" (RAG)، يمكن للشركات الاستعلام بأمان عن قواعد بياناتها الداخلية وحل المشكلات دون الاعتماد على واجهات برمجة التطبيقات (API) المكلفة التابعة لأطراف ثالثة.
• الحوسبة الطرفية في قطاع التصنيع: في منشآت التصنيع الذكية، تساعد أنظمة SLM الفنيين من خلال تلخيص أدلة المعدات المعقدة بسرعة. وعند دمجها مع نماذج الكشف عن الأجسام في الوقت الفعلي، تقوم هذه الأنظمة بتحليل العيوب المرئية وإصدار تقارير تشخيصية بنص عادي على الفور مباشرةً في أرضية المصنع.

تطبيق أنظمة إدارة الحياة (SLM) في سير العمل الحديث

أثبتت الإنجازات التي تحققت مؤخرًا في عامي 2024 و2025 أن بيانات التدريب عالية الجودة يمكن أن تحقق أداءً يضاهي النماذج الضخمة التي ظهرت في السنوات السابقة. وتُظهر ابتكارات مثل GemmaGoogle و Llama 3 8B من Meta مدى القوة التي أصبحت تتمتع بها البنى الأصغر حجمًا.

عند تطوير حلول شاملة للذكاء الاصطناعي، غالبًا ما يستخدم المطورون Python لدمج الاستدلال اللغوي لنظام SLM مع الدقة البصرية للأدوات الموجودة على Ultralytics . على سبيل المثال، يمكن لنظام SLM المثبت على الجهاز معالجة أمر صوتي لبدء مهمة الرؤية الحاسوبية. يوضح المقتطف الموجز التالي كيفية تحميل نموذج خفيف الوزن مثل Ultralytics لتتبع الكائنات ، وهي عملية مناسبة تمامًا لنفس الأجهزة الطرفية التي تعمل بنظام SLM:

from ultralytics import YOLO

# Load the highly efficient YOLO26 nano model, suitable for edge devices
model = YOLO("yolo26n.pt")

# Run real-time object tracking on a local video stream
results = model.track(source="video.mp4", show=True, tracker="botsort.yaml")

من خلال إعطاء الأولوية للتنفيذ المحلي، يقلل المهندسون بشكل كبير من متطلبات النطاق الترددي والتكاليف التشغيلية. ومع استمرار القطاع في تطوير تقنيات الذكاء الاصطناعي الطرفي، فإن الجمع القوي بين الرؤية الحاسوبية المُبسطة ونماذج اللغات الصغيرة الفعالة سيقود الجيل القادم من الأنظمة الذكية والمستقلة.