إعدادات الذكاء الاصطناعي بلا غموض: الحرارة والرموز وTop-P وأكثر (مسرد 2026)

إذا قضيت بعض الوقت مع أدوات الذكاء الاصطناعي — ولا سيما على مستوى الـ API — فلا بد أنك صادفت مصطلحات مثل الحرارة (temperature)، وtop-p، والرموز (tokens)، ونافذة السياق (context window)، وRLHF، وعشرات غيرها. معظم الوثائق تشرحها افتراضًا أنك تعرف نصفها مسبقًا. هذا المسرد هو ما تمنيت وجوده حين بدأت: تعريفات واضحة بلا تعقيد، وسبب أهمية كل مصطلح، ومتى ستحتاج فعلًا إلى التعامل معه.

المحتوى موزّع على خمسة محاور — اختر القسم الذي يهمك أو اقرأ المقال من أوله لآخره كمرجع شامل.

• 1. الرموز والسياق — ما يقرأه الذكاء الاصطناعي ويكتبه فعلًا
• 2. أدوات التحكم في الاختيار — الحرارة، وTop-P، وTop-K، وما شابهها
• 3. كيف تفكر النماذج — البنية المعمارية والاستنتاج
• 4. التدريب والمحاذاة — كيف يصبح النموذج مفيدًا
• 5. تشغيل النماذج عمليًا — RAG، والوكلاء، والأدوات، والبث

1. الرموز والسياق

قبل الحديث عن أي إعدادات، لا بد من استيعاب المصطلحات الأساسية لما يستهلكه النموذج ويُنتجه.

الرمز (Token)

الوحدة الأساسية التي يقرأها نموذج اللغة ويكتبها. الرمز عادةً قطعة من بضعة أحرف — أحيانًا كلمة قصيرة كاملة مثل "cat"، وأحيانًا جزء منها مثل "ing" أو "tion"، وأحيانًا حرف واحد أو حتى بايت منفرد. كقاعدة تقريبية في اللغة الإنجليزية، الرمز الواحد ≈ 4 أحرف ≈ ¾ كلمة، فأي ألف رمز تعادل نحو 750 كلمة. والتسعير في كل مكان تقريبًا يُحتسب لكل رمز، مع تفريق بين رموز المدخلات ورموز المخرجات.

المحلّل اللغوي (Tokenizer)

الدالة التي تحوّل النص إلى رموز قبل أن يراه النموذج. تستخدم عائلات النماذج المختلفة محلّلات لغوية مختلفة، وهذا هو سبب اختلاف عدد الرموز لنفس الفقرة من منصة إلى أخرى.

نافذة السياق (Context Window)

الحد الأقصى لعدد الرموز التي يستطيع النموذج "الاحتفاظ بها في ذهنه" في آنٍ واحد — بما يشمل طلبك، وأي تعليمات للنظام، والمحادثة السابقة، والرد الذي يجري توليده. تقدّم النماذج الحديثة المتطورة نوافذ تتراوح بين 200 ألف و1 مليون رمز؛ أما النماذج الأقدم أو الأرخص فتتراوح نوافذها بين 8 آلاف و32 ألف رمز. إن تجاوزت الحد، يُحذف المحتوى القديم أو يفشل الطلب.

رموز المدخلات مقابل رموز المخرجات

رموز المدخلات هي ما ترسله (الطلب، ورسالة النظام، والسياق، والمستندات المرفقة). رموز المخرجات هي ما يولّده النموذج ردًا عليك. عادةً ما تكون تكلفة رموز المخرجات أعلى بـ 3 إلى 5 أضعاف من رموز المدخلات، لأن التوليد أصعب من القراءة.

الحد الأقصى للرموز (max_output_tokens)

سقف لكل طلب يحدد عدد الرموز التي يُسمح للنموذج بتوليدها قبل التوقف. استخدمه للتحكم في التكلفة والسرعة. كثير من الـ APIs تضع قيمة افتراضية تبلغ بضعة آلاف؛ ارفعها للمخرجات الطويلة، وخفّضها للإجابات الموجزة.

2. أدوات التحكم في الاختيار

حين يختار النموذج الرمز التالي، يكون لديه في الواقع توزيع احتمالي على جميع الرموز الممكنة. أدوات التحكم هذه تُشكّل طريقة تحويل ذلك التوزيع إلى خيار واحد. هذه هي الضبّاطات التي يتعامل معها معظم المستخدمين عبر الـ API.

الحرارة (Temperature)

تتحكم في مقدار العشوائية الكلية. الحرارة المنخفضة (0–0.3) تجعل النموذج يختار الرمز الأكثر احتمالًا في كل مرة تقريبًا — حتمي، متكرر، "آمن". الحرارة العالية (1.0 فأكثر) تُسطّح التوزيع الاحتمالي، مما يجعل الرموز الأقل احتمالًا قابلة للاختيار — أكثر إبداعًا، وأكثر مفاجأة، وأكثر عرضة للأخطاء. قيمة 0.7 نقطة بداية جيدة لمعظم حالات المحادثة. انخفض إلى 0.0–0.2 للكود والرياضيات واستخراج المعلومات. ارتفع إلى 1.0 فأكثر للكتابة الإبداعية أو العصف الذهني.

Top-P (أو أخذ العينات النواتي)

بدلًا من النظر في جميع الرموز، يقول Top-P: "ضع في الاعتبار فقط أصغر مجموعة من الرموز يبلغ مجموع احتمالاتها التراكمية P على الأقل." فعند Top-P = 0.9، يختار النموذج من الرموز التي تغطي معًا 90% من الكتلة الاحتمالية — متجاهلًا الذيل الطويل. إنه بديل ذكي وديناميكي لـ Top-K. القيمة الافتراضية الشائعة: 0.9 أو 1.0 (معطّل).

Top-K

يأخذ بعين الاعتبار K فقط من الرموز الأكثر احتمالًا ثم يختار من بينها. Top-K = 1 هو الاختيار الجشع (اختر دائمًا الرمز الوحيد الأكثر احتمالًا)؛ Top-K = 40 يُبقي أفضل 40 مرشحًا. كثير من الـ APIs الحديثة (OpenAI، Anthropic) لا تعرض Top-K مباشرة لأن Top-P يتصرف بشكل أفضل عادةً، لكنه معيار في النماذج مفتوحة المصدر.

عقوبة التكرار (Frequency Penalty)

تُعاقب الرموز التي سبق توليدها في الرد حتى الآن، بنسبة تتناسب مع عدد مرات ظهورها. مفيد للحد من التكرار الحرفي. النطاق عادةً من -2.0 إلى +2.0؛ القيمة الافتراضية 0.

عقوبة الحضور (Presence Penalty)

مثل عقوبة التكرار، لكنها ثنائية: تُعاقب الرموز التي ظهرت مرة واحدة على الأقل بصرف النظر عن عدد مرات ظهورها. تدفع النموذج نحو إدخال مواضيع وكلمات جديدة. نفس النطاق، نفس القيمة الافتراضية.

تسلسلات الإيقاف (Stop Sequences)

نصوص تُوقف توليد النموذج فور إنتاجها. مفيدة للمخرجات المنظمة (مثل "أوقف عند توليد ###") أو للحفاظ على الردود ضمن تنسيق محدد.

البذرة (Seed)

عدد صحيح يُثبّت مولّد الأرقام العشوائية. نفس الطلب + نفس البذرة + نفس إصدار النموذج ينتج عادةً نفس المخرج، وهو أمر بالغ الأهمية للتكرارية والتقييمات وتشخيص الأخطاء. تجدر الإشارة إلى أن معظم المزودين يصفون هذا بأنه "بذل العناية الممكنة" — لا ضمان مطلقًا للحتمية التامة عبر البنية التحتية.

مقارنة سريعة: الحرارة مقابل Top-P مقابل Top-K

خطأ شائع: ضبط الثلاثة في آنٍ واحد. اختر واحدة فقط — الحرارة للتحكم في الإبداع، أو Top-P لضبط التنوع — وأبقِ الباقي على قيمه الافتراضية. الجمع بين عقوبات متعددة وحرارة منخفضة هو السبب الأكثر شيوعًا وراء "المخرجات الغريبة".

3. كيف تفكر النماذج

لست بحاجة إلى أن تكون مهندس تعلم آلي لاستخدام أدوات الذكاء الاصطناعي، لكن بعض المصطلحات المعمارية تظهر باستمرار في مقارنات المنتجات.

المعاملات (Parameters)

الأرقام الموجودة داخل النموذج والتي تُضبط خلال التدريب. "نموذج 70B" يحتوي على 70 مليار معامل. الأكبر يعني عمومًا أذكى وأغلى، لكن هذه العلاقة باتت أقل خطيةً مع تطور البنى المعمارية — فنموذج أصغر حجمًا لكنه مدرَّب جيدًا يمكنه أن يتفوق على نموذج أكبر لكنه أقدم.

التضمين (Embedding)

متجه (قائمة من الأرقام) يمثّل معنى قطعة نص في فضاء عالي الأبعاد. النصوص المتشابهة في المعنى تتقارب مواضعها. تُشغّل التضمينات البحث الدلالي، وRAG، وإزالة التكرار، والتصنيف، والتوصيات. وهي تختلف عن نماذج المحادثة — نماذج التضمين أصغر حجمًا ومتخصصة.

الانتباه (Attention)

الآلية التي تُمكّن النموذج من تحديد الرموز السابقة التي يجب "النظر إليها" أكثر عند توليد كل رمز جديد. وهي الابتكار الجوهري في المحوّلات. نادرًا ما ستتعامل معها مباشرة، لكنها السبب في أهمية نوافذ السياق.

المحوّل (Transformer)

البنية المعمارية للشبكة العصبية التي تقف وراء كل نموذج لغوي كبير تقريبًا منذ عام 2017. حين يقول أحدهم "LLM"، فهو يعني في الغالب محوّلًا.

مزيج الخبراء (Mixture of Experts - MoE)

بنية معمارية تُقسّم النموذج إلى شبكات فرعية "خبيرة" متعددة، ولا تُفعَّل إلا نسبة منها مع كل رمز. هذا يعني أن النموذج قد يمتلك 400 مليار معامل إجمالًا لكنه لا يستخدم سوى 30 مليارًا لكل رمز — محققًا معرفة النموذج الكبير بسرعة النموذج الصغير. عدة نماذج متطورة تعمل بهذه التقنية تحت الغطاء.

نموذج الاستدلال (Reasoning Model)

نموذج مُدرَّب على قضاء وقت حساب إضافي في "التفكير" — توليد خطوات استدلال داخلية — قبل إنتاج إجابته النهائية. هذا يُحسّن الأداء بشكل ملحوظ في مسائل الرياضيات والبرمجة والاستدلال المعقد، لكنه يزيد من وقت الاستجابة وتكلفة الرموز. نماذج الاستدلال هي الفئة السائدة في المستوى المتطور في 2026.

سلسلة الأفكار (Chain-of-Thought - CoT)

إما أسلوب تحفيز (مثل "فكّر خطوة بخطوة") أو سلوك مدمج في نماذج الاستدلال، يُولّد فيه النموذج خطوات استدلال وسيطة قبل إجابته النهائية. الخطوات الاستدلالية أحيانًا تُخفى عن المستخدم؛ مع نماذج الاستدلال تدفع عادةً عنها كرموز مخرجات بغض النظر.

التكميم (Quantization)

تقليل الدقة العددية لمعاملات النموذج (مثل التحويل من float بـ16 بت إلى أعداد صحيحة بـ4 بت) لتصغيره وتسريعه، مع تكلفة بسيطة في الجودة عادةً. شائع في عالم النماذج مفتوحة المصدر؛ أقل وضوحًا عند استخدام نماذج APIs المغلقة.

4. التدريب والمحاذاة

كيف تتحوّل كميات ضخمة من النصوص إلى نموذج يجيب على أسئلتك بأدب.

التدريب المسبق (Pretraining)

المرحلة الأولى والأغلى في التدريب، يتعلم فيها النموذج اللغة العامة ومعرفة العالم من خلال التنبؤ بالرمز التالي عبر كميات هائلة من النصوص. هنا يكتسب النموذج معظم "ذكائه".

الضبط الدقيق (Fine-tuning)

مرحلة تدريب ثانية تُكيّف نموذجًا مُدرَّبًا مسبقًا لمهمة أو أسلوب أضيق، باستخدام مجموعة بيانات أصغر بكثير. يُستخدم للتخصص في مجال معين (طبي، قانوني، برمجي) أو لمحاذاة النبرة والسلوك مع هوية علامة تجارية محددة.

التعلم المعزز من التغذية الراجعة البشرية (RLHF)

تقنية المحاذاة التي حوّلت نماذج اللغة الخام إلى مساعدات مفيدة. يُقيّم البشر مخرجات النموذج؛ يُدرَّب نموذج مكافأة على تلك التقييمات؛ ثم يُضبط النموذج اللغوي بالتعلم المعزز لإنتاج مخرجات يُفضّلها نموذج المكافأة. RLHF هو ما يجعل ChatGPT وClaude يرفضان الطلبات الضارة، ويتبعان التعليمات بأدب، ويبقيان في الموضوع. RLAIF (بتغذية راجعة من الذكاء الاصطناعي) تقنية مرتبطة تُستخدم الآن على نطاق واسع.

موجّه النظام (System Prompt)

التعليمات الأساسية التي تُحدد دور النموذج ونبرته وقيوده وشخصيته طوال المحادثة بأكملها. تُعطى أولوية أعلى من رسائل المستخدم لدى معظم المزودين. هنا تُخبر النموذج بما هو عليه، قبل أي مهمة بعينها.

الهلوسة (Hallucination)

حين يُنتج النموذج إجابة تبدو واثقة لكنها خاطئة أو مخترعة. سببها خليط من فجوات بيانات التدريب، وميل النموذج إلى توليد نص ذي منطق مُقنع بدلًا من التحقق، والصياغة المُفرطة في الثقة. طرق التخفيف: خفض الحرارة، وRAG (تزويده بمصادر حقيقية)، وتعليمات صريحة بـ"قل إنك لا تعرف"، والتحقق من كل ما هو مهم.

هندسة الطلبات (Prompt Engineering)

ممارسة كتابة الطلبات التي تُنتج المخرجات المطلوبة بصفة منتظمة. تشمل أمورًا مثل تحديد الدور ("أنت...") والأمثلة القليلة وتحفيز سلسلة الأفكار وتعليمات المخرجات المنظمة. مع تحسن النماذج في اتباع التعليمات، تطورت هندسة الطلبات من حيل غامضة إلى كتابة واضحة ومباشرة.

5. تشغيل النماذج عمليًا

المصطلحات التي ستسمعها في نقاشات المنتج والهندسة، لا في نقاشات التدريب.

الاستنتاج (Inference)

عملية تشغيل نموذج مُدرَّب — أي توليد مخرج لمدخل معين. تختلف عن التدريب. تكلفة الاستنتاج هي ما يُبنى عليها تسعير الـ API، وزمن الاستنتاج هو ما يشعر به المستخدم.

التوليد المُعزَّز بالاسترجاع (RAG)

قبل الإجابة، تُجلب وثائق ذات صلة من قاعدة معرفة منفصلة (عادةً عبر البحث بالتشابه في التضمين) وتُحشر في الطلب كسياق. يُتيح RAG لنموذج صغير أو عام الإجابة بدقة عن مستنداتك الخاصة أو الأحداث الراهنة أو أي شيء خارج نطاق بيانات تدريبه. الأسلوب المهيمن لـ"الذكاء الاصطناعي الذي يعرف عن أموري الخاصة".

استخدام الأدوات / استدعاء الدوال (Tool Use / Function Calling)

تمكين النموذج من استدعاء دوال أو APIs خارجية كجزء من ردّه — مثل "استعلم عن الطقس"، أو "استعرض قاعدة بيانات"، أو "أرسل بريدًا إلكترونيًا". يُصدر النموذج طلبًا منظّمًا، ينفّذه الكود الخاص بك، ثم تُعيد النتيجة إليه. هذا ما يحوّل LLM من مجرد متحدث إلى فاعل.

الوكيل (Agent)

حلقة يستخدم فيها النموذج أدوات ويتخذ قراراته عبر خطوات متعددة لإنجاز هدف — كتصفح الويب، أو تعديل الملفات، أو تنفيذ سير عمل متعدد المراحل. الوكلاء الحديثون هم في جوهرهم "نموذج استدلال + أدوات + حلقة تكرار". مصطلح فضفاض يشمل كل شيء من بوت دعم العملاء إلى المساعد البرمجي المستقل.

متعدد الوسائط (Multimodal)

نموذج يتعامل مع أكثر من النص فحسب — الصور والنص معًا هي الحالة الأكثر شيوعًا (الرؤية)، ويتزايد الصوت والفيديو أيضًا. "متعدد الوسائط" يشير عادةً إلى نموذج واحد يفهم طبيعيًا وسائط متعددة، لا إلى خط أنابيب من نماذج منفصلة.

الرؤية (أو VLM — نموذج الرؤية واللغة)

حالة خاصة من متعدد الوسائط: النموذج يستطيع استقبال الصور كمدخل إلى جانب النص. يُستخدم للتعرف الضوئي على الحروف (OCR)، وفهم المخططات، وتشخيص لقطات الشاشة، وتحليل الوثائق، وكل ما يُعبّر عنه بالإظهار لا بالوصف.

البث (Streaming)

يُرسل النموذج ردّه رمزًا بعد رمز أثناء التوليد، بدلًا من الانتظار حتى اكتمال الجواب كله. حاسم لتجربة المستخدم في المحادثة — يرى المستخدم الرد يتكشّف تدريجيًا بدلًا من التحديق في شاشة التحميل. يُنفَّذ عبر أحداث مُرسَلة من الخادم في معظم الـ APIs.

وقت الرمز الأول (TTFT)

المدة الزمنية من إرسال الطلب إلى استقبال أول رمز في الرد. وهو الزمن الذي يشعر به المستخدم فعليًا. نماذج الاستدلال لديها TTFT أعلى لأنها تفكر قبل الكلام؛ أما النماذج غير الاستدلالية فتبدأ البث في أجزاء من الثانية.

الرموز في الثانية (Tokens per Second)

معدل الإنتاج بمجرد بدء التوليد. النموذج السريع الحديث قد يُنتج 80 إلى 200 رمزًا أو أكثر في الثانية؛ نماذج الاستدلال غالبًا أبطأ لأنها تُولّد رموز استدلال مخفية (وتدفع ثمنها).

أقصر ورقة مرجعية ممكنة

إن لم تتذكر شيئًا آخر:

• الرمز (Token) = ¾ كلمة. التسعير لكل رمز.
• نافذة السياق = حجم النص الذي يرى النموذج في آنٍ واحد.
• الحرارة (Temperature) = ضبّاط الإبداع. منخفضة للحقائق والكود، عالية للأفكار.
• Top-P = بديل أذكى وأحدث لـ Top-K. أبقِه على القيمة الافتراضية ما لم يكن لديك سبب وجيه.
• موجّه النظام = الشخصية والقواعد لكامل المحادثة.
• RAG = الطريقة التي تجعل النموذج مُلمًّا بمعلوماتك الخاصة.
• نموذج الاستدلال = أبطأ وأغلى، لكنه أكثر ذكاءً بكثير في المسائل الصعبة.
• الهلوسة = إجابة خاطئة تبدو واثقة. تحقق دائمًا.

هذا معظم ما ستواجهه يومًا بيوم. بقية هذا المسرد موجود لحظة يظهر فيها أي من هذه المصطلحات في وثيقة أو تغريدة أو بطاقة نموذج وتحتاج إلى مرجع سريع.