أطلقت شركة Liquid AI، التي أسسها علماء كمبيوتر سابقون في معهد ماساتشوستس للتكنولوجيا، اليوم أصغر نموذج للغة الذكاء الاصطناعي حتى الآن، وهو LFM2.5-230M، ومن الأفضل للشركات أن تأخذه بعين الاعتبار لاستخداماته في استخراج البيانات والنشر المحلي على الهواتف الذكية وأجهزة الكمبيوتر المحمولة والروبوتات.
هذا نموذج أساسي مكون من 230 مليون معلمة تم تصميمه بشكل صريح لسير عمل الوكيل على الجهاز، وكما ذكرت Liquid في منشور مدونة الإصدار الخاص بها، فإن هذا الحجم الصغير يجعل من الممكن تشغيل ما يقرب من "في أي مكان." وفقًا لـ Liquid، فإنه يتفوق أيضًا على النماذج بأكثر من 4 أضعاف حجمها وفقًا لمعايير محددة، وعلى وجه التحديد أداء أفضل في استخراج البيانات من عدد المعلمات البالغ 800 مليون Alibaba Qwen3.5-0.8B (Instruct) ومليار معلمة Google Gemma 3 1B.
يستهدف النموذج المطورين والمهندسين الذين يقومون ببناء خطوط أنابيب خفيفة الوزن لاستخراج البيانات وأنظمة حافة مستقلة.
يعمل النموذج بموجب ترخيص تجاري مزدوج الاستخدام، ويظل مجانيًا للأفراد والشركات التي تحقق إيرادات سنوية تقل عن 10 ملايين دولار، بينما يتطلب اتفاقية مؤسسة مدفوعة الأجر للشركات الكبرى.
يميز هذا الإصدار نفسه عن نماذج الذكاء الاصطناعي الصغيرة الأخرى من خلال استخدام بنية LFM2 لتحقيق سرعات استدلال عالية دون عبء الذاكرة الهائل النموذجي للمحولات ذات المعلمات الثقيلة.
في حين أن شركات الذكاء الاصطناعي الكبرى Anthropic وOpenAI وGoogle وMicrosoft وMeta وغيرها تدفع أعداد المعلمات إلى مئات المليارات أو التريليونات لتحقيق أداء حدودي، فإن السباق الموازي يركز بالكامل على عمليات النشر الحافة والمحلية.
يشير إطلاق Liquid AI لـ LFM2.5-230M إلى تحول محوري نحو الكفاءة المعمارية مقارنة بقياس القوة الغاشمة. من خلال ضغط 19 تريليون رمز مميز للتدريب المسبق في بصمة تبلغ 230 مليون معلمة، توضح الشركة أن الأجهزة الطرفية لا تحتاج إلى قوة حسابية هائلة أو اتصالات سحابية مستمرة لتنفيذ سير عمل وكيل معقد ومتعدد الخطوات.
كيف يعمل LFM2.5-230M
يختلف نموذج LFM2.5-230M عن بنيات المحولات القياسية، ويعتمد بدلاً من ذلك على إطار عمل LFM2. تعمل هذه البنية كنظام هجين، حيث تقوم بتشذير التلافيفات قصيرة المدى مع الاهتمام بالاستعلام المجمع لمعالجة المعلومات بكفاءة.
بالنسبة لأولئك الذين يتتبعون تطور البنى الفعالة، فإن نهج Liquid يشترك في هدف مفاهيمي مماثل: إدارة السياقات الطويلة والبيانات التسلسلية بشكل فعال على الأجهزة الطرفية دون تكاليف الذاكرة التربيعية لآليات الاهتمام الخالصة. يدعم النموذج نافذة سياق موسعة بحجم 32 كيلو بايت، مما يسمح له باستيعاب مستندات كبيرة أو تدفقات مستمرة من القياس الآلي عن بعد.
عند تحليل مخططات الأداء المقدمة في الإصدار، تصبح الكفاءة المعمارية واضحة بصريًا. يحتفظ الطراز ببصمة ذاكرة أقل من 400 ميجابايت مع تحقيق سرعات التعبئة المسبقة وفك التشفير التي تتفوق على النماذج المماثلة مثل Gemma 3 1B IT وGranite 4.0-H-350M.
على هاتف Samsung Galaxy S25 Ultra المجهز بوحدة المعالجة المركزية Qualcomm Snapdragon Gen4، يصل الطراز إلى سرعة فك تشفير تبلغ 213 رمزًا في الثانية. حتى في جهاز Raspberry Pi 5 المقيد للغاية، يحافظ النموذج على معدل فك تشفير يبلغ 42 رمزًا في الثانية. علاوة على ذلك، يُظهر القياس الداخلي أن مجموعة استدلالات وحدة معالجة الرسومات توفر زمن وصول أقل من النهاية إلى النهاية مقارنة بالنماذج الصغيرة المنافسة عبر جميع مستويات التزامن.
لماذا يهم الشركات
لفهم سبب ضرورة نموذج الـ 230 مليون معلمة، يجب على المرء أن ينظر إلى كيفية إدارة الشركات للبيانات حاليًا.
اعتمدت المؤسسات تقليديًا على نصوص برمجية صارمة تعتمد على قواعد الاستخراج والتحويل والتحميل (ETL) لنقل البيانات ومعالجتها. ومع ذلك، فإن هذه الأنظمة القديمة هشة للغاية؛ يمكن أن يؤدي تغيير بسيط في تخطيط المستند أو تحديث المخطط إلى قطع المسار بأكمله.
ولحل هذه المشكلة، تتجه الصناعة نحو "منظمة العفو الدولية إيتل," حيث يستنتج التعلم الآلي التعيينات، ويكتشف انحراف المخطط، ويتكيف مع التغييرات تلقائيًا. في خط أنابيب حديث لاستخراج البيانات خفيف الوزن، يتصل نموذج الذكاء الاصطناعي بمصادر غير منظمة – مثل ملفات PDF أو رسائل البريد الإلكتروني أو نماذج الويب – وينظم البيانات في تنسيقات مثل JSON دون الحاجة إلى قواعد مضمنة.
بالنسبة للمؤسسات، فإن استخدام نموذج رئيسي ضخم مثل Claude Opus 4.6 (الذي يكلف 5.00 دولارات لكل مليون رمز إدخال) لتحليل الفواتير الروتينية أو تنسيق العناوين أو توجيه بيانات القياس عن بعد أمر غير قابل للتطبيق اقتصاديًا.
هذا هو المكان الذي تصبح فيه نماذج مثل LFM2.5-230M بالغة الأهمية. تم تصميمه بشكل واضح كمحرك استخراج خفيف الوزن، فهو يسمح للشركات بأتمتة التنسيق المتكرر وتحليل البيانات بجزء صغير من تكلفة الحوسبة وزمن الوصول، وتشغيله مباشرة على الأجهزة المحلية بدلاً من الاعتماد على مكالمات واجهة برمجة التطبيقات السحابية باهظة الثمن والمستمرة.
معايير النموذج الصغير: LFM مقابل فئة 3B
تشهد صناعة الذكاء الاصطناعي في منتصف عام 2026 نهضة في "صغير" النماذج، ولكن تعريف "صغير" يختلف بشكل كبير.
في الآونة الأخيرة، أذهل مجتمع الوزن المفتوح من خلال VibeThinker-3B من Weibo، وهو نموذج مكون من 3 مليار معلمة مبني على العمود الفقري على طراز Qwen2 والذي حقق 94.3 على مقياس الرياضيات AIME 2026، وينافس الشركات العملاقة التي تحتوي على 600 مليار معلمة من خلال معالجة البيانات القوية والتعلم المعزز.
وبالمثل، فإن عائلة Gemma 4 من Google – والتي تجاوزت مؤخرًا 200 مليون عملية تنزيل – تدفع الذكاء الاصطناعي الحدودي إلى الحافة، بما في ذلك E2B (2 مليار معلمة) المصممة خصيصًا لعمليات نشر الهاتف المحمول وإنترنت الأشياء.
على النقيض من ذلك، يعمل LFM2.5-230M الخاص بـ Liquid AI في فئة وزن مختلفة تمامًا. وباحتوائه على 230 مليون معلمة فقط، فهو يعادل تقريبًا عُشر حجم أصغر طراز Gemma 4 من Google وVibeThinker-3B.
نظرًا لبصمته المجهرية، لم يتم تصميم LFM2.5-230M للتنافس على أعباء العمل الثقيلة مثل الرياضيات المتقدمة أو البرمجة أو الكتابة الإبداعية – وهو قيد يعترف به Liquid AI صراحة.
ومع ذلك، في المجالات المقصودة لاستخراج البيانات واستدعاء الأدوات، يحقق النموذج نتائج أعلى بكثير من فئة وزنه.
تُظهر المعايير التي أصدرتها Liquid AI أن LFM2.5-230M سجل 43.26 في معيار استخدام الأدوات BFCLv3، مسيطرًا على Granite 4.0-350M من IBM (39.58) ومتفوقًا تمامًا على النماذج الأكبر التي تحتوي على مليار معلمة مثل Gemma 3 1B IT من Google (16.61).
في CaseReportBench لاستخراج البيانات، يسجل 22.51، مما يقضي على Qwen3.5-0.8B (Instruct).
يثبت LFM2.5-230M أنه في حين أن النماذج ذات 3 مليار معلمة مثل VibeThinker تحل حسابات التفاضل والتكامل المتقدمة، فإن النموذج الذي يحتوي على 230 مليون معلمة هو الخيار الأمثل والمتفوق للغاية لتنفيذ استدعاءات الأدوات المنظمة والحفاظ على تشغيل خطوط الأنابيب الوكيلة بكفاءة على الأجهزة المقيدة.
استخدامات البحوث المتقدمة
ولأنه يتفوق في استدعاء الأدوات، يعمل LFM2.5-230M بشكل أساسي كطبقة لاختيار المهارات. أظهر Liquid AI هذه القدرة من خلال نشر النموذج على روبوت Unitree G1 البشري.
يعمل هذا النموذج بالكامل على الجهاز عبر وحدة الحوسبة NVIDIA Jetson Orin الموجودة على متن الروبوت، ويعالج بنجاح الأوامر البيئية المعقدة.
كما هو مذكور في المدونة الفنية للشركة، يأخذ النموذج تعليمات حرة مثل، *"اثبت على ثباتك لمدة ثانيتين، ثم امشي للأمام بسرعة متر واحد في الثانية لمدة 3 أمتار، واثبت على ركبتك للأمام لمدة 5 ثوان، ثم امشي للخلف بسرعة 0.5 متر في الثانية لمدة 3 أمتار."* ويترجمها تلقائيًا إلى خطة منظمة متعددة الخطوات تستدعي المهارات منخفضة المستوى المدربة مسبقًا والتي يوفرها إطار عمل SONIC الخاص بـ NVIDIA.
تتوفر النماذج الأساسية وما بعد التدريب على الفور على Hugging Face، مع دعم أصلي من اليوم الأول عبر النظام البيئي للاستدلال لـ llama.cpp (GGUF)، وMLX، وvLLM، وSGLang، وONNX.
ترخيص LFM مفتوح مخصص للاستخدام المزدوج
يقوم Liquid AI بشحن LFM2.5-230M بموجب ترخيص LFM المفتوح v1.0. رغم الكلمة "يفتح" في العنوان، هذا ليس ترخيصًا متوافقًا مع مبادرة المصدر المفتوح (OSI)؛ إنه يعمل كإطار تجاري مقيد ثنائي الاستخدام.
بالنسبة للمطورين المستقلين والباحثين والشركات الناشئة في مراحلها المبكرة، يعمل الترخيص بشكل مماثل للبرامج مفتوحة المصدر.
يحصل المستخدمون على ترخيص دائم وعالمي وخالي من حقوق الملكية لإعادة إنتاج النموذج وتعديله وتوزيعه، بشرط أن يحتفظوا بإشعارات حقوق الطبع والنشر الأصلية ويذكروا بشكل بارز أي تعديلات.
ومع ذلك، يتضمن الترخيص صارما "حدود الاستخدام التجاري". يفقد أي كيان قانوني يحقق إيرادات سنوية بقيمة 10 ملايين دولار أو أكثر الحق في استخدام النموذج تجاريًا بموجب هذه الاتفاقية.
يجب على الشركات الكبيرة التي تتجاوز هذا الحد المالي أن تتفاوض على اتفاقية تجارية منفصلة ومدفوعة مع Liquid AI لنشر النموذج في الإنتاج.
تحمي هذه الإستراتيجية الشركة من استيعاب ملكيتها الفكرية من قبل تكتلات التكنولوجيا الكبرى مجانًا، مع الاستمرار في زرع النموذج على مستوى المطورين الشعبيين.
