GLM-5.3-Flash يفك لغز (Ox Alpha): كيف طوّرت Z.ai نموذجًا بـ320 مليار معلَمة بكفاءة واقتصاد فائقين؟

كواليس لغز (أوكس ألفا): أسبوع من الإثارة في مجتمع المطورين

شهدت الأيام القليلة الماضية موجة عارمة من النقاشات داخل أروقة وادي السيليكون ومجتمعات البرمجة، إثر ظهور نموذج تجريبي غامض حمل الاسم الرمزي (أوكس ألفا) على منصتي أوبن راوتر (OpenRouter) وأوبن كود (OpenCode). وأفادت منصة أوبن راوتر أن النموذج التجريبي استطاع معالجة أكثر من 20 تريليون رمز خلال ستة أيام فقط، مسجلًا أكبر إطلاق تشهده المنصة من حيث حجم التداول الحسابي. وعرضت المنصات الخدمة بصورة مجانية وبسعة استخدام مفتوحة، الأمر الذي دفع آلاف المهندسين والباحثين إلى اختباره في مهام برمجية معقدة وسير عمل وكيل طويل الأمد.

في هذا السياق، نال النموذج إشادات واسعة من قيادات تقنية بارزة؛ إذ صرّح باتريك كوليسون، الرئيس التنفيذي لشركة سترايب (Stripe)، عبر حسابه على شبكة إكس، بأن أداء النموذج كان مبهرًا للغاية ومثيرًا للإعجاب. وفتح هذا النجاح المفاجئ باب التكهنات واسعًا؛ إذ ذهب باحثون إلى ربط سلوك النموذج البرمجي بأنظمة شركة مايكروسوفت، في حين بيّنت تحليلات البصمات الرقمية وتتبع كود الخطأ 1214 في سجلات الخوادم وجود تطابق هيكلي مع البنية التحتية لشركة Z.ai، التي خاضت تجربة سابقة باسم تجريبي هو (بوني ألفا).

من ناحية أخرى، التقط رواد شبكات التواصل في الصين إشارات ثقافية ذكية؛ حيث ربط مستخدمو منصة ويبو الاسم المستعار بالفيلم الصيني الشهير (نيو لاي) Niu Lai الذي حظي بانتشار واسع، مستنتجين أن هذا الابتكار ينبع من مختبرات صينية محلية. وجاء تأكيد الشركة رسميًا ليحسم حالة الغموض؛ إذ أوضح الفريق المطور أن (أوكس ألفا) كان بمثابة نسخة تجريبية مبكرة استهدفت جمع تقييمات المطورين الحية وتحسين الاستقرار البرمجي، في حين يمثل الإصدار العام GLM-5.3-Flash النسخة النهائية الأكثر قوة واعتمادية.

هندسة المعمارية الهجينة: 320 مليار معلَمة بحسابات 18 مليار فقط

ركّزت شركة Z.ai في تطوير GLM-5.3-Flash على إعادة صياغة التوازن الهندسي بين الحجم المخزن واستهلاك الطاقة الحسابية. وعلى النقيض من النماذج التقليدية التي تفرض تكاليف باهظة عند الاستدلال، اعتمد الإصدار الجديد على تصميم (خليط الخبراء) Mixture-of-Experts بحجم تخزين كلي يبلغ 320 مليار معلَمة، مع تفعيل 18 مليار معلَمة فقط عند معالجة كل رمز على حدة. وأوضح الفريق البحثي أن هذا التصميم خفّض عدد الطبقات الحسابية إلى 45 طبقة فقط مقارنة بنحو 92 طبقة في إصدارات عائلة GLM-4.5 السابقة، وهو تغيير جوهري ساهم في تقليص تكلفة الاستدلال دون المساس بجودة النتائج.

في هذا الإطار، قدّم النموذج للمرة الأولى معمارية هجينة تجمع بين آليتي الانتباه الخطي (Linear Attention) والانتباه المتناثر (Sparse Attention). وتعمل آلية الانتباه الخطي على التقاط العلاقات والارتباطات المحلية عبر نمذجة الحالات السريعة، في حين تتولى آلية الانتباه المتناثر استرجاع السياق العام من الذاكرة طويلة المدى عبر نظام فهرسة خفيف الوزن. وطوّرت الشركة تقنية جديدة حملت اسم (إندكس بول) IndexPool تعمل على ضغط أربعة متجهات فهرسة في متجه واحد عبر تقنيات التجميع الموزون، مستهدفة تقليل زمن الاستجابة وخفض العبء الواقع على الذاكرة في نوافذ السياق الضخمة.

بالمقابل، استند تدريب هذا النظام إلى حزمة بيانات ضخمة متعددة الوسائط بلغت 30 تريليون رمز، مدعومة بتقنية الروابط الفائقة المقيدة (mHC) لرفع كفاءة التوسع الحسابي. وكشفت البيانات الفنية للشركة أن هذه التحسينات المعمارية أدّت إلى خفض العمليات الحسابية لآلية الانتباه بمقدار 3 أضعاف، مع تقليص حجم ذاكرة التخزين المؤقت للمفاتيح والقيم (KV Cache) بمقدار 4.4 أضعاف مقارنة بنموذج GLM-5.3 الأساسي الذي اعتمد على بنية ضخمة بلغت 744 مليار معلَمة مع التركيز على التدريب اللاحق عند التعامل مع سياق كامل يصل إلى مليون رمز (1M context window).

الرؤية الأصيلة في حلقة البرمجة وتشغيل الحواسيب

تجاوز GLM-5.3-Flash المفهوم التقليدي لمعالجة الصور كأداة للدردشة التفاعلية، ودَمَجَ القدرات البصرية كعنصر أصيل داخل حلقة البرمجة والتنفيذ الذاتي، متجاوزاً بذلك القيود النصية التي اقتصر عليها إصدار GLM-5.3 السابق الموجه للأكواد والنصوص دون دعم الوسائط المتعددة. وأشارت الشركة المطورة إلى أن تطوير البرمجيات المعاصرة، وبخاصة واجهات الويب وتطبيقات الألعاب والمحاكاة ثلاثية الأبعاد، لا يقف عند حدود كتابة نصوص الأكواد الصماء، بل يرتبط ارتباطًا وثيقًا بالشكل المرئي الذي يراه المستخدم ويتفاعل معه على الشاشة؛ إذ تظل الكثير من الأخطاء البرمجية خفية داخل الكود ولا تظهر إلا عند التصيير البصري والتشغيل الفعلي.

في هذا السياق، طوّرت الشركة خطوط إنتاج بيانات تعتمد على المحاكاة البصرية والتقييم الذاتي في زمن الاختبار، حيث ينفّذ النموذج مهام برمجية متكاملة عبر إطار (الملاحظة، البناء، الاستخدام، ثم التحسين). واستطاع النموذج تحويل لقطات الشاشة وتسجيلات الفيديو ومخططات التصميم إلى مشاريع برمجية متكاملة باستخدام مكتبات مثل نيكست جي إس (Next.js) ولغة تايب سكريبت (TypeScript)؛ إذ يتولى النموذج بناء المشروع، ثم تشغيله والتقاط صور للصفحات الناتجة لمقارنتها بالصور المرجعية الأصلية، وإصلاح فروق الألوان والمسافات والخطوط والرسوم المتحركة ذاتيًا.

من ناحية أخرى، امتدت تلك القدرات البصرية لتشمل بيئات التصميم الهندسي والتطوير المعقد؛ حيث استطاع النظام بناء مشاهد ثلاثية الأبعاد كاملة وقابلة للتعديل داخل برنامج بلندر (Blender) عبر جولات متكررة من التصيير والتعديل وضبط الإضاءة والكاميرات، إلى جانب كتابة وبرمجة ألعاب كاملة على محرك جودو 4 (Godot 4) والتحقق من فيزياء الحركة وتصادم العناصر واستجابة الأنظمة البرمجية. كما أتاح النموذج تحويل المخططات الهندسية والصور الميكانيكية إلى نماذج ثلاثية الأبعاد بارامترية وقابلة للتعديل باستخدام مكتبة (build123d)، موفرًا ملفات تصنيع قياسية مثل (STEP) و(STL).

المهام الاحترافية: سير العمل المكتبي والتحليل المالي

انتقلت قدرات GLM-5.3-Flash من بيئات التطوير البرمجي البحتة إلى إدارة المهام المهنية المعقدة وسير العمل المكتبي والمالي. وبيّنت وثائق النظام أن النموذج يمتلك قدرة على فهم الوثائق غير المتجانسة التي تجمع بين النصوص والجداول التفاعلية والرسوم البيانية والصور التوضيحية، متجاوزًا الحاجة إلى تلقي أوامر نصية مفرطة التفصيل من المستخدمين.

في قطاع الأعمال والتقارير التنفيذية، يقوم النموذج بتوليد وتدقيق ملفات العروض التقديمية والمستندات المكتبية بصيغ (PPTX, PDF, DOCX, XLSX) من البداية إلى النهاية؛ إذ يتولى مراجعة التنسيق البصري، ويتأكد من خلو الصفحات من تداخل النصوص أو انقطاع الصور أو تشوه الجداول والخطوط عبر الفحص البصري للمستند بعد تصييره. وفي قطاع البحوث المالية، يستطيع النموذج فحص الإعلانات الرسمية والقوائم المالية للشركات المدرجة، وتفكيك بنود الإيرادات والتدفقات النقدية، وبناء نماذج التقييم المالي المرتبطة بالمعادلات الرياضية داخل ملفات إكسل، مع التمييز الصارم بين الحقائق المعلنة والفرضيات التحليلية والاستنتاجات المستخلصة.

في هذا الإطار، يدعم النموذج ميزات تشغيل الحاسوب المستقلة عبر وكلاء استخدام المتصفح ونظام التشغيل (Computer Use & Browser Use)؛ حيث يستطيع الوكيل التفاعل مع واجهات البرامج غير المزودة بواجهات برمجية مهيكلة، فيقوم بالنقر على الأزرار، وإدخال البيانات، والتنقل بين الصفحات لاختبار التطبيقات والتحقق من كفاءة مسارات العمل على نحو يطابق السلوك البشري.

استدلال الحوسبة المحلية: كسر القيود على عتاد صيني

يأتي إطلاق GLM-5.3-Flash في ظرف جيوسياسي دقيق يتسم باحتدام التنافس التكنولوجي الدولي وتشديد واشنطن لقيود تصدير الرقائق المتقدمة إلى الصين، شملت منع وصول معالجات إنفيديا الحديثة مثل معمارية بلاك ويل ومنظومات فيرا روبين المرتقبة، مع إخضاع معالجات أخرى لشروط ترخيص صارمة. وجاء الرد التقني من مختبرات Z.ai عبر تشغيل البنية التحتية للنموذج على شبكة واسعة تعتمد بالكامل على مسرعات ذكاء اصطناعي صينية محلية.

وأفادت الشركة بأنها طوّرت محرك استدلال مخصصًا لهذه المعمارية بالاعتماد على مكتبة إس جي لانج (SGLang) المفتوحة، وتغلبت على تحديات سعة الذاكرة ونطاق التردد عبر هندسة برمجية متقدمة. وتضمنت هذه الهندسة استخدام وكيل بنية تحتية ذكي استند إلى نموذج GLM-5.3 لمساعدة المهندسين في اكتشاف نقاط الاختناق البرمجية وتحسين نويات الحساب (Kernels)، صانعًا حلقة تطوير ذاتية ساهم فيها النموذج بتحسين النظام المسؤول عن تشغيله.

علاوة على ذلك، طبّقت الشركة بنية معمارية متقدمة تعتمد على توزيع مهام التشفير والمعالجة الأولية وفك الرموز بصورة منفصلة وقابلة للتوسع المستقل (EPD Architecture)، جنبًا إلى جنب مع تقنيات التكميم الهجين (W8A8 وINT8/FP8/BF16) وموازاة التنسورات. وأكدت Z.ai أن هذه التحسينات أدّت إلى رفع كفاءة الاستدلال بمقدار ثلاثة أضعاف مقارنة بالنسخة الأولية على العتاد نفسه، محققة تكلفة معالجة للرمز الواحد وكفاءة عتادية توازي المعالجات العالمية الرائدة لشركة إنفيديا، مؤكدة قدرة العتاد الصيني على دعم نماذج الذكاء الاصطناعي الحدودية بكفاءة واقتصادية.

قراءة نقدية في الأرقام: نتائج الاختبارات وحدود المنافسة

تجدر الإشارة إلى أن المقارنات الآتية تستند أساسًا إلى نتائج الاختبارات التي نشرتها شركة Z.ai في جداول إطلاقها الرسمي، ولا تعبر بالضرورة عن تقييم مستقل موحد خضعت له كافة النماذج المنافسة في بيئات متطابقة.

1. مؤشر الذكاء والتكلفة الاقتصادية

سجّل النموذج 57 نقطة على مؤشر منصة أرتيفيشال أناليسيس (Artificial Analysis Intelligence Index v4.1.1)، متمركزًا في صدارة منحنى الكفاءة السعرية بتكلفة بلغت 0.045 دولار فقط للمهمة الواحدة (مع الخصم الترويجي)؛ وهو إنجاز يقترب من ذكاء نماذج كانت تفرض في السابق تكلفة تفوق هذا الرقم بعشرة أضعاف.

2. اختبارات البرمجة والأكواد (Coding Benchmarks)

أظهرت بيانات Z.ai تقدمًا واضحًا للنموذج مقارنة بالإصدار السابق GLM-5.2، مع اقترابه من نماذج رائدة:

• اختبار DeepSWE v1.1: قفزت النتيجة من 46.2% في GLM-5.2 إلى 63.4%، متفوقة على كل من كلود أوبوس 4.8 (58.0%) وديب سيك فيجن DeepSeek-V4-Vision-Exp (59.3%)، في حين سجل جي بي تي 5.6 تيرا 69.6% وسجل جيميناي 3.7 فلاش 65.3%.
• اختبار Terminal-Bench 2.1: سجّل النموذج 84.3%، متجاوزًا GLM-5.2 (81.0%) وديب سيك (83.9%)، ومقتربًا من أوبوس 4.8 (85.0%)، بينما حافظ جي بي تي 5.6 تيرا على الصدارة بنسبة 87.4% وجيميناي 3.7 فلاش بنسبة 85.8%.
• اختبار LiveCodeBench-Base: أحرز النموذج الأساسي 37.6% مقارنة بنحو 28.1% لنموذج GLM-4.5، و34.4% لنموذج GLM-5 الأساسي، و29.9% لنموذج DeepSeek-V4-Flash-Base.
• اختبار التقييم الداخلي Z.ai Code Bench v1.0: حقق النموذج 29.0 نقطة عند أعلى درجات الجهد الفكري، مقتربًا من أوبوس 4.8 الذي سجل 29.5 نقطة.

3. اختبارات بيئات الوكلاء الرقمية (Agentic Benchmarks)

كشفت أرقام الإطلاق عن كفاءة متقدمة في تنفيذ المهام الذاتية:

• اختبار AutomationBench v1.0.6: سجّل 48.8% مقارنة بنحو 26.2% لـ GLM-5.2، و38.8% لديب سيك، و41.0% لـ أوبوس 4.8، و37.2% لـ جي بي تي 5.6 تيرا، في حين حقق جيميناي 3.7 فلاش 52.3%.
• اختبار Toolathlon Verified: حقق 78.4% متفوقًا على أوبوس 4.8 (76.2%) وسلفه السابق (59.9%).
• اختبار Agents’ Last Exam (ALE): سجّل 26.3% مقابل 20.4% لـ GLM-5.2 و27.0% لـ أوبوس 4.8 و28.0% لـ جي بي تي 5.6 تيرا.
• مؤشر GDPval-AA v2 (المنفذ عبر Artificial Analysis): سجّل النموذج 1773 نقطة مقابل 1504 لـ GLM-5.2، و1675 لديب سيك، و1582 لـ أوبوس 4.8، و1571 لـ جي بي تي 5.6 تيرا، و1527 لـ جيميناي 3.7 فلاش.

4. اختبارات الفهم البصري وتحليل المستندات (Vision Benchmarks)

أظهرت النتائج تقدمًا لافتًا في فهم المخططات والوثائق:

• اختبار CharXiv Reasoning (مع الأدوات): حقق 89.4% منافسًا أوبوس 4.8 (89.9%) ومتفوقًا على جي بي تي 5.6 (88.0%).
• اختبار Chartography (مع الأدوات): سجّل 78.0% متقدمًا على أوبوس 4.8 (75.0%) وديب سيك (64.3%).
• اختبار OfficeQA Pro: أحرز 62.4% مقابل 48.9% لـ أوبوس 4.8 و57.9% لديب سيك.

غير أن القراءة النقدية الهادئة تقتضي التأكيد على أن النموذج لا يهزم كافة النماذج الرائدة في كافة الميادين؛ إذ يتأخر بوضوح في اختبار هندسة المستودعات البرمجية (NL2Repo) مسجلًا 56.3% مقابل 69.7% لـ أوبوس 4.8. كما تظل بعض النماذج الاحتكارية متفوقة في اختبارات برمجية دقيقة واستغلال الثغرات المعقدة. لذلك، فإن القيمة الحقيقية لهذا الإصدار تكمن في تقديم أداء يقترب بقوة من الفئات الاحتكارية العليا ولكن بتكلفة بالغة الانخفاض وبأوزان مفتوحة أمام الجميع.

دليل الوصول والاستخدام: للمستخدم العادي والمطور المحترف

طرحت شركة Z.ai مسارات مرنة ومتعددة تضمن الاستفادة من قدرات GLM-5.3-Flash لكافة الفئات، بدءًا من المستخدمين غير التقنيين وصولًا إلى مهندسي البنية التحتية والمطورين.

أولاً: دليل المستخدم العادي والموظف المحترف

يستطيع المستخدم العادي ورواد الأعمال الاستفادة من النموذج دون الحاجة إلى كتابة سطر برمجي واحد عبر الخطوات الآتية:

1. الاشتراك عبر المنصة السحابية: الدخول إلى بوابة الاشتراكات الرسمية (z.ai/subscribe) واختيار الخطة الشخصية (Personal Plan) أو خطة فرق العمل (Team Plan).
2. الاستفادة من خطة البرمجة (GLM Coding Plan): تمنح الخطة سعة استخدام تفوق الإصدار السابق بثلاثة أضعاف، وتعتمد على نظام نقاط شفاف يخصم 50% فقط من الرصيد عند الاستخدام خلال عطلات نهاية الأسبوع وساعات انخفاض الضغط.
3. توليد الوثائق وفحصها بصريًا: استخدام واجهة الدردشة التفاعلية لإنشاء عروض تقديمية (PPTX)، ومستندات (PDF/DOCX)، ونماذج مالية تفاعلية (XLSX)، مع توجيه النموذج لفحص التصميم وتصحيح العيوب البصرية والمسافات تلقائيًا.
4. تفعيل وكيل المتصفح: استخدام أداة (Browser Use) لأتمتة تصفح المواقع، وجمع البيانات، وتلخيص الدراسات الطويلة بالاعتماد على دعم الفيديو والصور.

ثانياً: دليل المطور ومهندس البرمجيات (عبر الواجهة البرمجية السحابية)

يستطيع المطورون دمج النموذج داخل تطبيقاتهم وأنظمتهم البرمجية عبر واجهة متوافقة مع معايير OpenAI:

• رمز النموذج (Model Code): glm-5.3-flash
• إعدادات المعلمات المفضلة:
  • نافذة السياق: دعم كامل حتى 1,048,576 رمزًا (1M Tokens).
  • درجة الحرارة والتوزيع: temperature: 1 وtop_p: 0.95.
  • وضع التفكير: تفعيل وضع التفكير الفائق عبر reasoning_effort: max مع ضبط thinking.type: enabled وتعيين thinking.clear_thinking: false.
  • تدفق البيانات والأدوات: تشغيل الاستجابة المتدفقة عبر stream: true وtool_stream: true.
• الأسعار السحابية: تبلغ التكلفة الرسمية 0.15 دولار لكل مليون رمز إدخال (و0.03 دولار لرموز الذاكرة المؤقتة)، و0.50 دولار لكل مليون رمز إخراج، مع سريان خصم ترويجي بنسبة 50% يستمر حتى 9 سبتمبر 2026 وفق جدول الأسعار المعلن.
• بيئات التطوير المتكاملة: دمج النموذج مباشرة داخل منصة (ZCode) واستخدام وضع تشغيل الحاسوب المستقل (/goal) لتنفيذ البرامج واختبارها بصريًا عبر الواجهات الرسومية.

ثالثاً: دليل مهندسي البنية التحتية والتشغيل المحلي (الأوزان المفتوحة)

أتاحت الشركة أوزان النموذج كاملة عبر مستودع هاجينج فيس (zai-org/GLM-5.3-Flash) تحت رخصة MIT، غير أن متطلبات التشغيل المحلي الموثقة في الإعدادات المرجعية تفرض الآتي:

• حجم الأوزان والتخزين: يبلغ حجم ملف الأوزان بصيغة (FP8) قرابة 306 جيجابايت.
• الإعداد المرجعي لمنصة vLLM: يستلزم التشغيل الموثق توفير ذاكرة فيديو (VRAM) تصل إلى 386 جيجابايت عبر خوادم تعتمد بطاقات هوبر أو ما يعادلها في العتاد المتقدم.
• الإعداد المرجعي لمنصة KTransformers: يسمح بتوزيع الحسابات بين المعالجات المركزية وبطاقات الرسوميات، مشترطًا توفير ذاكرة نظام (RAM) لا تقل عن 350 جيجابايت، مع ضبط حدود الطلب البصري عند 8 صور أو مقطع فيديو واحد لكل استدعاء.
• طبيعة المعمارية: يجب الانتباه إلى أن تفعيل 18 مليار معلَمة لكل رمز لا يحول النموذج إلى نظام خفيف يناسب الحواسيب الشخصية العادية، بل يظل نموذجًا ضخمًا بحجم 320 مليار معلَمة يحتاج بنية استضافة احترافية.
• التعامل مع المهام الطويلة: ينصح بتعيين مسارات احتياطية واستراتيجيات إعادة المحاولة لتفادي انقطاع الاتصال (Timeouts) أثناء تنفيذ الوكلاء لمهام برمجية معقدة تستغرق عدة ساعات.

دروس التجربة: نحو مرحلة جديدة في سباق الذكاء الاصطناعي

يقدم صعود GLM-5.3-Flash، وقبله لغز (أوكس ألفا)، رؤية استراتيجية حول تحولات سوق الذكاء الاصطناعي العالمي. التجربة أثبتت أن تطوير النماذج لم يعد يقتصر على السباق المحموم نحو مضاعفة المعلمات وبناء نماذج أساسية عملاقة من الصفر بتكاليف باهظة، بل بات يعتمد بدرجة أكبر على الابتكار في المعماريات الهجينة، وتطوير نواتج التدريب متعدد الوسائط، ودمج الرؤية البصرية كعنصر تحقق ومراجعة ذاتية في صلب دورات التنفيذ البرمجي.

في الوقت نفسه، حمل نجاح النظام رسالة تقنية واقتصادية بالغة الأهمية؛ حيث أظهر قدرة مختبرات التطوير على تجاوز قيود العتاد عبر إعادة تصميم المنظومة البرمجية وهندسة الاستدلال لتتوافق مع البدائل العتادية المتاحة. ومع إتاحة أوزان النموذج تحت رخصة مفتوحة تمنح المطورين حرية التعديل والبناء، يقدم هذا الإصدار بديلًا مفتوحًا ومنافسًا أمام المطورين والشركات، مقللًا من الاعتماد على المنظومات المغلقة في قطاعات البرمجة والأتمتة الذاتية.