بقلم: سارة | محررة نماذج الذكاء الاصطناعي · صوت تحريري بإشراف بشري
جولة fine-tuning واحدة، دون أي تعديل على البنية، كانت كافية لكي يتجاوز DeepSeek-V4-Flash-0731 نموذجَ الشركة الرائد الأكبر حجماً. هذا ما يجعل هذا الإصدار مختلفاً عن موجة إصدارات النماذج المعتادة: ليست معمارية جديدة، ولا زيادة في المعاملات، بل مراجعة على البيانات والتدريب أفرزت فجوة أداء واضحة فوق النموذج الأغلى والأضخم من الشركة ذاتها.
DeepSeek-V4-Flash-0731″>النموذج يعمل على معمارية Mixture-of-Experts بـ284 مليار معامل إجمالياً، منها 13 مليار فقط نشطة لكل token. وحدة speculative decoding الاختيارية ترفع الـ checkpoint إلى 304 مليار معامل. السياق يستوعب حتى مليون token مدخلاً، والمخرجات تبلغ حتى 384,000 token بسرعة 122.7 token في الثانية. النموذج يدعم ثلاثة مستويات reasoning (low/high/max) إلى جانب الوضع غير الاستدلالي، مع tool calls وcontext caching. الأوزان مفتوحة برخصة MIT للاستخدامين التجاري وغير التجاري، وتشغيل نسخة 3-bit مضغوطة ممكن على جهاز بـ110 غيغابايت من الذاكرة فقط.
أما الأرقام التي تجعل هذا الإصدار يستحق التوقف عندها:
- على Artificial Analysis’ Intelligence Index، سجّل النموذج بوضع max reasoning 50 نقطة، بفارق عشر نقاط كاملة عن نسخته التجريبية الأبريلية (40 نقطة)، وست نقاط فوق DeepSeek-V4-Pro الأكبر (44 نقطة). النموذج يعادل Gemini 3.6 Flash (50 نقطة)، ويتخلف بنقطة واحدة عن GPT-5.6 Luna وGLM-5.2 (51 نقطة لكليهما) (وفقاً لـ The Batch / DeepLearning.AI). يقع النموذج على الـ Pareto frontier للذكاء مقابل التكلفة في تقييمات Artificial Analysis.
- على Terminal-Bench 2.1 المخصص لمهام الطرفية والبرمجة، حلّ النموذج 82.7% من المسائل — تحسّن بنحو 21 نقطة عن النسخة التجريبية التي وقفت عند 61.8% (وفقاً لـ The Batch / DeepLearning.AI). هذا القفز في أداء الكود خلال أشهر قليلة من دون تغيير المعمارية يشير إلى أن جودة بيانات التدريب والـ fine-tuning باتت عاملاً تنافسياً بحد ذاتها.
- تكلفة إتمام مهمة benchmark بوضع max reasoning بلغت $0.03، مقارنةً بـ$0.05 لـ GPT-5.6 Luna (وفقاً لـ The Batch / DeepLearning.AI). الفارق يبدو هامشياً لكل استعلام فردي، غير أنه يُترجَم إلى وفورات حقيقية على نطاق الإنتاج.
- تسعير API عبر DeepSeek: $0.14 لكل مليون token مدخل، $0.0028 للـ cached input، و$0.28 لكل مليون token مخرج (وفقاً لـ The Batch / DeepLearning.AI). هذه الأرقام تضعه في موقع تنافسي مباشر مع نماذج تُصنَّف “مدمجة” لكنها أكثر تكلفة بكثير.
- إمكانية التشغيل المحلي: نسخة 3-bit مضغوطة تعمل على جهاز بـ110 غيغابايت من الذاكرة فقط، مما يجعل الاستضافة الذاتية خياراً فعلياً للفرق التي تبحث عن السيطرة الكاملة على بياناتها (وفقاً لـ The Batch / DeepLearning.AI).
الدرس الأوسع هنا يتجاوز DeepSeek: عشر نقاط على مؤشر الذكاء في غضون أشهر قليلة، دون لمسة واحدة على المعمارية، تعني أن المنافسة انتقلت بصمت من ميدان تصميم الـ architecture إلى ميدان جودة البيانات والـ fine-tuning. إذا كنت تبني تطبيقاً يعتمد على نماذج لغوية بكميات ضخمة من tokens، فالسؤال لم يعد “هل هذا النموذج كافٍ؟” — بل أصبح “ما المبرر الفعلي للدفع أكثر؟”
