في المشهد سريع التطور لنماذج اللغات الكبيرة (LLMs)، لم يولد أي إصدار آخر قدرًا من الحماس بين المطورين والباحثين مثل سلسلة Yi. طورته شركة 01.ai (المعروفة سابقًا باسم Lianzhi Technology)، وتُعد Yi نقطة تحول مهمة في مجتمع الذكاء الاصطناعي مفتوح المصدر. وعلى عكس العديد من النماذج الخاصة، يوفر Yi بنية عالية الأداء ذات أوزان مفتوحة بالكامل، مما يتيح الشفافية، والتخصيص، ومرونة النشر الواسعة. يستكشف هذا المنشور الأساسيات التقنية لـ Yi، وقدراته الفريدة على التعامل مع لغتين، وكيفية استفادة المطورين منه في بيئات الإنتاج.
البنية وبيانات التدريب
تُبنى عائلة نماذج Yi على بنية محولات (transformer) قوية، ومحسّنة للكفاءة والحجم. ما يميز Yi عن نماذج عصره هو منهجية التدريب الصارمة. يتم تدريب النماذج مسبقًا على مجموعة ضخمة من بيانات النصوص، مع تركيز خاص على المحتوى عالي الجودة والمزال منه المكرر. يضمن هذا النهج أن يقلل النموذج من مشكلة "النفايات الداخلة، نفايات الخارجة" التي تُلاحظ غالبًا في مجموعات البيانات الأقل دقة.
واحدة من أكثر الميزات إقناعًا في Yi هي كفاءته الثنائية اللغة في الإنجليزية والصينية. تم انتقاء بيانات التدريب بعناية لتحقيق التوازن بين هاتين اللغتين، مما يسمح للنموذج بأداء تنافسي في الاختبارات عبر المجالين اللغويين. هذا يجعل Yi خيارًا مثاليًا للتطبيقات الموجهة للأسواق العالمية، لا سيما في مراكز التكنولوجيا حيث يُعد دعم تعدد اللغات مطلبًا حاسمًا.
أحجام النماذج والمتغيرات
أطلقت شركة 01.ai عدة متغيرات من نموذج Yi، لتلبي قيود الحوسبة المختلفة واحتياجات الأداء. تتضمن التشكيلة عادةً ما يلي:
- Yi-6B: نموذج مضغوط مناسب للأجهزة الطرفية والتطبيقات الحساسة للتكلفة.
- Yi-34B: نموذج متوسط الحجم وقوي يوفر نقطة توازن مثالية بين الأداء واستخدام الموارد.
- Yi-34B-200K: متغير بنافذة سياق موسعة قادر على معالجة المستندات الطويلة، وهو أمر حاسم لمهام تحليل وتلخيص المستندات.
التطبيق العملي باستخدام Hugging Face
بالنسبة للمطورين الذين يتطلعون إلى دمج Yi في سير عملهم، توفر مكتبة Hugging Face transformers دعمًا سلسًا. فيما يلي مثال عملي حول كيفية تحميل نموذج Yi وتشغيل الاستدلال (inference) باستخدام Python.
from transformers import AutoModelForCausalLM, AutoTokenizer
# تحميل موزع النموذج Yi والنموذج نفسه
model_name = "01-ai/Yi-6B"
tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
model_name,
torch_dtype="auto",
device_map="auto",
trust_remote_code=True
)
# تحضير نص الإدخال
text = "Translate the following English text to Chinese: 'Artificial intelligence is transforming the world.'"
inputs = tokenizer(text, return_tensors="pt").to(model.device)
# توليد المخرجات
outputs = model.generate(**inputs, max_new_tokens=50)
result = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(result)
يوضح هذا الجزء البرمجي بساطة نشر Yi. من خلال الاستفادة من device_map="auto"، تتعامل المكتبة تلقائيًا مع تخصيص ذاكرة وحدة معالجة الرسومات (GPU)، مما يسهل على المطورين تشغيل هذه النماذج حتى على الأجهزة ذات الذاكرة المرئية (VRAM) المحدودة.
حالات الاستخدام والأداء
أظهر Yi أداءً استثنائيًا في العديد من الاختبارات المعيارية، بما في ذلك HumanEval لمهام البرمجة وMMLU للمعرفة العامة. يجعله قدرته على فهم وتوليد الكود بلغات متعددة أداة قيّمة بشكل خاص لأدوات المطورين. بالإضافة إلى ذلك، تسمح قوته الثنائية اللغة له بأن يعمل كجسر في منصات التواصل عبر الثقافات، حيث يوفر ترجمات دقيقة تحافظ على الدلالات والسياق.
الخاتمة
تمثل نماذج Yi من شركة 01.ai تقدمًا كبيرًا في تكنولوجيا نماذج اللغات الكبيرة مفتوحة المصدر. بفضل قدراتها القوية على التعامل مع لغتين، وبنيتها الكفؤة، وتراخيص الأوزان المفتوحة، فهي توفر للمطورين أداة متعددة الاستخدامات لمجموعة واسعة من التطبيقات. سواء كنت تبني روبوتات محادثة متعددة اللغات، أو مساعدي برمجة، أو محللي مستندات، فإن Yi يقدم الأداء والمرونة اللازمة للنجاح في مشهد الذكاء الاصطناعي الحديث. ومع استمرار نمو نظام الذكاء الاصطناعي مفتوح المصدر، تبرز Yi كلاعب رئيسي، مما يمكّن المطورين من بناء الجيل القادم من التطبيقات الذكية.