اتبع زي دي نت:أضفنا كمصدر مفضلعلى جوجل.
الوجبات السريعة الرئيسية لـ ZDNET
- أصدرت DeepSeek نموذجها V3.2 يوم الاثنين.
- ويهدف إلى الحفاظ على قدرة الذكاء الاصطناعي التي يمكن الوصول إليها على المنافسة للمطورين.
- يعمل الإصدار 3.2 على تسخين السباق بين النماذج المفتوحة والمملوكة.
شركة الذكاء الاصطناعي الصينية DeepSeekحققت نجاحًا آخر مع إصدار V3.2، أحدث إصدار في سلسلة طرازات V3 الخاصة بها.
أطلق يوم الاثنين النموذج الذي يبني عليه”https://www.zdnet.com/article/deepseek-claims-its-new-ai-model-can-cut-the-cost-of-predictions-by-75-heres-how/”> الإصدار التجريبي V3.2الإصدار الذي تم الإعلان عنه في أكتوبر، يأتي في نسختين: “Thinking,” وأكثر قوة “Speciale.” وقال DeepSeek V3.2 يدفع قدرات”https://www.zdnet.com/article/what-is-open-source-and-how-does-it-benefit-you/”> الذكاء الاصطناعي مفتوح المصدر أبعد من ذلك. مثل نماذج DeepSeek الأخرى، فهي تمثل جزءًا صغيرًا من تكلفة النماذج الخاصة، ويمكن الوصول إلى الأوزان الأساسية عبر”https://huggingface.co/deepseek-ai/DeepSeek-V3.2″ الهدف=”_blank” rel=”noopener nofollow”> معانقة الوجه.
أيضًا:”https://www.zdnet.com/article/i-tested-deepseeks-r1-and-v3-coding-skills-and-were-not-all-doomed-yet/”>لقد اختبرت مهارات البرمجة R1 وV3 الخاصة بـ DeepSeek – ولم نكن محكومين جميعًا بالفشل (حتى الآن)
تصدرت DeepSeek عناوين الأخبار لأول مرة في يناير مع”https://www.zdnet.com/article/deepseeks-new-open-source-ai-model-can-outperform-o1-for-a-fraction-of-the-cost/”> إصدار R1، وهو نموذج ذكاء اصطناعي منطقي مفتوح المصدر تفوق على OpenAI في العديد من المعايير المهمة. وبالنظر إلى أداء الإصدار 3.2 الذي ينافس أيضًا النماذج القوية المملوكة، فهل يمكن أن يؤدي هذا إلى إحداث تغيير في صناعة الذكاء الاصطناعي مرة أخرى؟
ما يمكن أن يفعله الإصدار 3.2
بدأت الشائعات تنتشر لأول مرةفي شهر سبتمبر، كانت شركة DeepSeek تخطط لإطلاق وكيلها الخاص الأكثر فعالية من حيث التكلفة للتنافس مع أمثال OpenAI وGoogle. والآن، يبدو أن المنافس قد وصل أخيراً.
V3.2 هو أحدث إصدار لـ V3، وهو نموذج DeepSeek تم إصداره منذ عام تقريبًا والذي ساعد أيضًا في إعلام R1. وفقًا لبيانات الشركة المنشورة يوم الاثنين، يتفوق V3.2 Speciale على النماذج المملوكة الرائدة في الصناعة مثل OpenAI’s GPT-5 High، وAnthropic’s Claude 4.5 Sonnet، وGoogle’s GPT-5 High.”https://www.zdnet.com/article/inside-the-making-of-gemini-3-how-googles-slow-and-steady-approach-won-the-ai-race-for-now/”> الجوزاء 3.0 برو وفقًا لبعض المعايير المنطقية (بالنسبة لما يستحقه، فإن Kimi K2، وهو نموذج مجاني ومفتوح المصدر من Moonshot، أيضًا”https://www.zdnet.com/article/a-new-chinese-ai-model-claims-to-outperform-gpt-5-and-sonnet-4-5-and-its-free/”> ادعى أنه ينافس GPT-5 و Sonnet 4.5 في الأداء).
من حيث التكلفة، تبلغ تكلفة الوصول إلى Gemini 3 في واجهة برمجة التطبيقات (API) ما يصل إلى 4.00 دولارات لكل مليون رمز مميز، بينما تبلغ تكلفة V3.2 Speciale 0.028 دولارًا أمريكيًا لكل مليون رمز مميز. كما حقق النموذج الجديد أداءً على المستوى الذهبي في الأولمبياد الدولي للرياضيات (IMO) والأولمبياد الدولي للمعلوماتية، بحسب الشركة.
الائتمان: ديب سيك
“DeepSeek-V3.2 emerges as a highly cost-efficient alternative in agent scenarios, significantly narrowing the performance gap between open and frontier proprietary models while incurring substantially lower costs,” كتبت الشركة في أ”https://huggingface.co/deepseek-ai/DeepSeek-V3.2/resolve/main/assets/paper.pdf” الهدف=”_blank” rel=”noopener nofollow”> ورقة بحثية. في حين أن هذه الادعاءات لا تزال قيد المناقشة، فإن المشاعر تستمر في نمط DeepSeek”https://www.zdnet.com/article/deepseek-reports-shockingly-low-training-costs-for-r1-in-new-paper/”>خفض التكاليف مع كل إصدار للنموذج، الأمر الذي يهدد بتقويض الاستثمارات الباهظة التي تصبها المختبرات الخاصة مثل OpenAI في نماذجها.
المشاكل
قالت DeepSeek إنها قامت ببناء V3.2 في محاولة لمساعدة مجتمع الذكاء الاصطناعي مفتوح المصدر على اللحاق ببعض الإنجازات التقنية التي حققتها مؤخرًا الشركات التي تبني نماذج مغلقة المصدر. وفقًا لورقة الشركة، فإن القدرات المنطقية والاستدلالية التي أظهرتها النماذج الرائدة المملوكة لها “accelerated at a significantly steeper rate” مقارنة بنظرائهم في المصادر المفتوحة.
أيضًا:”https://www.zdnet.com/article/mistrals-latest-open-source-release-says-smaller-models-beat-large-ones-heres-why/”>يراهن أحدث إصدار مفتوح المصدر من ميسترال على الموديلات الأصغر حجمًا على الطرازات الكبيرة – وإليك السبب
وكما قال المهندس تشارلز كيترينج ذات مرة، “A problem well-stated is a problem half-solved.” وبهذه الروح، بدأت DeepSeek في تطوير نموذجها الجديد من خلال محاولة تشخيص الأسباب الكامنة وراء ضعف أداء النماذج مفتوحة المصدر، مما أدى في النهاية إلى تقسيمه إلى ثلاثة عوامل.
أولاً، تميل النماذج مفتوحة المصدر إلى الاعتماد على ما يعرفه باحثو الذكاء الاصطناعي باسم “vanilla attention” – آلية بطيئة ومتعطشة للحوسبة لقراءة المدخلات وتوليد المخرجات، مما يجعلها تكافح مع تسلسلات أطول من الرموز المميزة. كما أن لديهم أيضًا مرحلة ما بعد التدريب محدودة حسابيًا، مما يعيق قدرتهم على إكمال المهام الأكثر تعقيدًا. وعلى عكس النماذج المملوكة، فإنهم يواجهون صعوبة في اتباع التعليمات الطويلة والتعميم عبر المهام، مما يجعلهم عملاء غير فعالين.
الحلول
وردا على ذلك، قدمت الشركة”https://www.zdnet.com/article/deepseek-claims-its-new-ai-model-can-cut-the-cost-of-predictions-by-75-heres-how/”>الانتباه المتناثر لـ DeepSeek (DSA)، وهي آلية التخفيف “critical computation complexity without sacrificing long-context performance,” وفقا للورقة البحثية.
أيضًا:”https://www.zdnet.com/article/what-is-sparsity-deepseek-ais-secret-revealed-by-apple-researchers/”> ما هو التناثر؟ سر DeepSeek AI الذي كشفه باحثو أبل
من خلال الاهتمام التقليدي بالفانيليا، يقوم النموذج بشكل أساسي بإنشاء مخرجاته من خلال مقارنة كل رمز مميز فردي من استعلام مع كل رمز مميز في بيانات التدريب الخاصة به – وهي عملية شاقة ومستهلكة للطاقة. على سبيل القياس، تخيل أنه كان عليك البحث في كومة هائلة من الكتب المتناثرة على العشب للعثور على جملة معينة. يمكنك القيام بذلك، لكن الأمر سيستغرق الكثير من الوقت والتدقيق الدقيق لعدد كبير من الصفحات.
يحاول نهج DSA العمل بشكل أكثر ذكاءً، وليس بجدية أكبر. يتم نشره على مرحلتين: أولية “lightning indexer” البحث، الذي يقوم بإجراء فحص عالي المستوى للرموز المميزة في بيانات التدريب الخاصة به لتحديد المجموعة الفرعية الصغيرة التي من المحتمل أن تكون الأكثر صلة باستعلام معين. ثم يقوم بالتنقيب في تلك المجموعة الفرعية بكامل قوتها الحسابية للعثور على ما تبحث عنه. بدلاً من البدء بكومة ضخمة من الكتب، يمكنك الآن الدخول إلى مكتبة منظمة بشكل أنيق، والذهاب إلى القسم ذي الصلة، وإجراء بحث أقل إرهاقًا وطويلًا للعثور على المقطع الذي كنت تبحث عنه.
ثم هدفت الشركة إلى حل مشكلة ما بعد التدريب من خلال البناء “specialist” نماذج لاختبار وتحسين قدرات V3.2 عبر الكتابة، والإجابة على الأسئلة العامة، والرياضيات، والبرمجة، والتفكير المنطقي، والمهام الوكيلة، والترميز الوكيل، والبحث الوكيل. إنهم مثل المعلمين المكلفين بمهمة تحويل النموذج من عام إلى متعدد التخصصات.
القيود
DeepSeek V3.2، وفقا لورقة البحث، “effectively bridges the gap between computational efficiency and advanced reasoning capabilities” و “[unlocks] new possibilities for robust and generalizable AI agents” من خلال الذكاء الاصطناعي مفتوح المصدر.
أيضًا:”https://www.zdnet.com/article/stop-saying-ai-hallucinates-it-doesnt-and-the-mischaracterization-is-dangerous/”> توقف عن القول بأن الذكاء الاصطناعي يهلوس – فهو ليس كذلك. والتوصيف الخاطئ أمر خطير
ومع ذلك، هناك بعض المحاذير. لشيء واحد، النموذج الجديد “world knowledge” – إن اتساع الفهم العملي حول العالم الحقيقي الذي يمكن استنتاجه من مجموعة بيانات التدريب – محدود للغاية مقارنة بالنماذج الرائدة المسجلة الملكية. كما أنها تتطلب المزيد من الرموز المميزة لتوليد مخرجات تتطابق مع جودة تلك الموجودة في نماذج الملكية الحدودية، كما أنها تواجه صعوبات في أداء المهام الأكثر تعقيدًا. تقول DeepSeek إنها تخطط لمواصلة سد الفجوة بين نماذجها مفتوحة المصدر ونظيراتها الخاصة من خلال توسيع نطاق الحوسبة أثناء التدريب المسبق وتحسينها “post-training recipe.”
ومع ذلك، حتى مع هذه القيود، فإن حقيقة أن شركة – ومقرها الصين، ليس أقل – قد قامت ببناء نموذج مفتوح المصدر يمكنه التنافس مع القدرات المنطقية لبعض نماذج الملكية الأكثر تقدمًا الموجودة حاليًا في السوق هي صفقة ضخمة. ويكرر الأدلة المتزايدة على أن “performance gap” بين النماذج مفتوحة المصدر وقريبة المصدر ليست حقيقة ثابتة وغير قابلة للحل، ولكنها تناقض تقني يمكن سده من خلال الأساليب الإبداعية للتدريب المسبق، والانتباه، وما بعد التدريب.
والأهم من ذلك، أن حقيقة أن أوزانها الأساسية مجانية تقريبًا للمطورين للوصول إليها والبناء عليها يمكن أن تقوض عرض المبيعات الأساسي الذي تم نشره حتى الآن من قبل المطورين الرائدين في الصناعة للنماذج مغلقة المصدر: إن الأمر يستحق الدفع للوصول إلى هذه الأدوات، لأنها الأفضل في السوق. إذا تفوقت النماذج مفتوحة المصدر على النماذج الاحتكارية، فلن يكون من المنطقي بالنسبة لأغلب الناس أن يستمروا في دفع ثمن الأخيرة.