# كيف أختار نموذج ذكاء اصطناعي أصغر؟

> كيف تختارون أصغر نموذج ذكاء اصطناعي يؤدي مهمتكم جيدًا: حدّدوا مستوى الجودة، واختبروا من الأصغر إلى الأكبر، وراجعوا تصنيفات الطاقة، واحتفظوا بنموذج كبير احتياطيًا.

Source: https://greenai.guide/ar/كيف/كيف-أختار-نموذج-ذكاء-اصطناعي-أصغر/  
Updated: 2026-11-19

## باختصار

حدّدوا معنى "جيد بما يكفي" على أمثلة حقيقية، ثم اختبروا النماذج من الأصغر إلى الأكبر وتوقفوا عند أول نموذج ينجح. فالنماذج الصغيرة والمتخصصة في مهام بعينها قد تستهلك جزءًا من طاقة النماذج العامة الكبيرة: إذ تُفيد UNESCO وUniversity College London بتوفير يصل إلى 90% في المهام المناسبة.

## Steps

1. دوّنوا المهمة ودرجة النجاح، مثل نسبة الإجابات التي يجب أن تكون صحيحة.
2. اجمعوا من 20 إلى 50 مثالًا حقيقيًا للاختبار عليها.
3. جرّبوا أصغر نموذج أو نسخة "mini" أولًا، ولا تنتقلوا إلى نموذج أكبر إلا إذا لم يبلغ درجة النجاح.
4. راجعوا تصنيفات الطاقة العامة مثل AI Energy Score حيثما وُجدت.
5. احتفظوا بنموذج أكبر للحالات التي لا يستطيع النموذج الصغير التعامل معها.
6. أعيدوا الاختبار حين تتغير النماذج أو مهمتكم.

**استخدموا أصغر نموذج يبلغ مستوى الجودة المطلوب، لا أقدر نموذج متاح.** فالنموذج العام الكبير يدفع، في كل طلب، ثمن
قدرات قد لا تحتاج إليها مهمتكم أبدًا.

## لماذا يهم حجم النموذج إلى هذا الحد؟ {#why-does-model-size-matter-so-much}

**إنه في العادة أكبر عامل منفرد يؤثر في الطاقة.** وجد Luccioni وJernite وStrubell أن النماذج التوليدية متعددة الأغراض
أغلى تشغيلًا بمراتب عشرية من الأنظمة المتخصصة في مهام بعينها لأداء المهام نفسها. ووجدت UNESCO وUniversity College
London أن النماذج الصغيرة المصمَّمة لمهام محددة قد تخفّض استهلاك الطاقة بما يصل إلى 90%.

## كيف أختبر المرشحين؟ {#how-do-i-test-candidates}

1. **حدّدوا المستوى على عملكم الخاص**، مثل "يستخرج إجمالي الفاتورة بشكل صحيح في 98% من الحالات".
2. **اختبروا الصغير أولًا.** يقدّم كثير من المزوّدين نسخًا "mini" أو "lite" أو "flash"؛ وتأتي عائلات النماذج مفتوحة
   الأوزان بعدة أحجام.
3. **توقفوا عند أول نجاح.** فالأكبر ليس أدق تلقائيًا في المهام الضيقة.
4. **قارنوا الطاقة، لا السعر وحده.** يصنّف AI Energy Score لدى Hugging Face النماذج المفتوحة من نجمة إلى خمس نجوم
   بحسب الطاقة لكل استعلام في المهام الشائعة؛ انظروا [كيف تقرؤون تصنيف AI Energy Score](/ar/كيف/كيف-أفهم-تقييم-ai-energy-score-لنموذج-ذكاء-اصطناعي/).

وللمستخدمين العاديين، تنطبق الفكرة نفسها: اختاروا الخيار السريع أو الأخف في برنامج المحادثة للأسئلة البسيطة.

## أخطاء شائعة {#common-mistakes}

- **الاختيار بناءً على السمعة** بدلًا من الاختبار على أمثلتكم الخاصة.
- **قياس الكلفة لكل استدعاء، لا لكل نجاح.** فالنموذج الصغير أكثر من اللازم الذي يفشل، ويفرض إعادة التشغيل على نموذج
  كبير، قد يكلّف أكثر في المحصلة.
- **عدم المراجعة أبدًا.** تتحسن النماذج الصغيرة بسرعة؛ أعيدوا الاختبار كل بضعة أشهر.

لإرسال كل طلب إلى الحجم المناسب تلقائيًا، انظروا
[توجيه الطلبات إلى نماذج أصغر](/ar/كيف/كيف-أوجّه-الطلبات-إلى-نماذج-ذكاء-اصطناعي-أصغر/). والمنهجية الكاملة موجودة في
[اختاروا النموذج المناسب](/ar/الممارسات-الجيدة/اختاروا-النموذج-المناسب-للمهمة/).

## المصادر

- [Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation](https://www.unesco.org/en/articles/ai-large-language-models-new-report-shows-small-changes-can-reduce-energy-use-90), UNESCO and University College London (2025)
- [Power Hungry Processing: Watts Driving the Cost of AI Deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell, ACM FAccT (2024)
- [AI Energy Score](https://huggingface.github.io/AIEnergyScore/), Hugging Face (2025)
