نُقطّر مهاراتنا في نماذج صغيرة لتشغيلها تلقائيا: ملخص تطورات الأشهر الستة الأخيرة

نظرة عامة

أي فريق شغّل الوكلاء (agents) فعليا يصطدم بالجدار نفسه. تشغيل مهارة واحدة يستدعي النموذج الحدودي (frontier model) عشرات إلى مئات المرات، وحين تُطلق عشرات هذه المهارات يوميا بشكل آلي دون تدخل بشري، تكون الفاتورة أول من يصرخ. القدرة كافية، لكن المشكلة تكمن في بنية تدفع سعر النموذج الأعلى مستوى مع كل استدعاء.

لذلك يصبح الاتجاه واضحا: تقطير المهارات التي تحققت الشركة منها بالفعل وتستخدمها، في نموذج صغير لا يعرف سوى ما تفعله هذه المهارة تحديدا، ثم تشغيلها محليا وتلقائيا. والمثير أن هذا الاتجاه لم يعد نظريا. فقد رفعت الأبحاث الصادرة خلال الأشهر الستة الأولى من عام 2026 فكرة “النموذج الصغير + تقطير مهارات الوكلاء” إلى مستوى قابل للتطبيق العملي. يستعرض هذا المقال تلك التطورات، ويتناول كيف تنقل ThakiCloud أسطول مهاراتها فعليا إلى نماذج صغيرة، وأين تظهر نقاط الانهيار.

جمهور هذا المقال محدد بوضوح: مهندسو المنصات وMLOps الذين يشغّلون عددا كبيرا من مهارات الوكلاء، ويوازنون في تصميمهم بين تكلفة واجهات النماذج الحدودية والأتمتة. أما القارئ الآخر الذي يحتاج تقييما لتكلفة من منظور إداري، فيمكنه قراءة الفقرة الأخيرة فقط ليصل إلى الخلاصة.

لماذا الآن: أصبحت النماذج الصغيرة الخيار الافتراضي للوكلاء

لنتفق أولا على المصطلح. اعتبارا من عام 2026، يشير مصطلح النموذج اللغوي الصغير (SLM) إلى نماذج بحجم يتراوح تقريبا بين 1B و35B من المعاملات، قادرة على إنجاز المهمة الموكلة إليها مع أنها تعمل على وحدة معالجة رسومية (GPU) واحدة أو محطة عمل، وأحيانا على الجهاز نفسه (on-device). والجوهر ليس الحجم بذاته، بل السؤال: هل هو كافٍ للمهمة؟

الحجج التي تدفع نحو النماذج الصغيرة في تدفقات عمل الوكلاء ثلاث: التكلفة، وزمن الاستجابة، والقابلية للتجزئة (modularity). فوكيل متعدد مبني من خمسة نماذج صغيرة متخصصة أرخص وأسرع وأسهل في تصحيح الأخطاء من إرسال طلب واحد إلى نموذج حدودي. وهذه بالضبط النقطة التي يعالجها طرح باحثي NVIDIA بعنوان “النماذج اللغوية الصغيرة هي مستقبل الذكاء الاصطناعي العامل (agentic AI)”. فقد انخفضت عتبة القدرة اللازمة لمهام الوكلاء بما يكفي لتنجز اليوم نماذج تُشغَّل محليا مهاما كانت تتطلب قبل عام واحد فقط واجهة نموذج حدودي.

فرق التكلفة ليس هامشيا. تتكرر الحسابات التي تُظهر أن تشغيل نموذج صغير يكلف من عُشر إلى ثلاثين جزءا من واحد مقارنة بأعلى نموذج في السلسلة نفسها. وفي أنظمة الوكلاء التي تستدعي النموذج آلاف المرات لإنجاز مهمة معقدة واحدة، يكفي نقل جزء منها فقط إلى نموذج صغير لتنخفض تكلفة التشغيل بمقدار مرتبة عدد كامل. وفي عمليات تُطلق فيها المهارات بشكل آلي وبكميات كبيرة، ينعكس هذا التوفير مباشرة على الربح والخسارة.

ملخص تقنيات الأشهر الستة الأخيرة: كيف تُنقل المهارات إلى نماذج صغيرة

خلال الربعين الأخيرين، انتقل جوهر الاهتمام من التقطير المعرفي البسيط إلى تقطير مهارات الوكلاء، ثم إلى التقطير القائم على السياسة الحالية (on-policy distillation). ورسخ نهج يقوم فيه النموذج المعلّم بتقييم كل رمز (token) على مسارات يولّدها النموذج الطالب بنفسه. وفيما يلي ملخص لهذا التيار مصنفا حسب الفروع الرئيسية.

النهج	ملخص بسطر واحد	أين يتفوق
التقطير القائم على السياسة الحالية متعدد المعلّمين (MOPD)	إنشاء معلّمين متخصصين لكل مجال عبر التعلم المعزز، ثم يقيّم المعلّمون كل رمز أثناء توليد الطالب لمساراته الخاصة	دمج عدة مهارات في طالب صغير واحد
التقطير الذاتي المشروط بالمهارة (Skill-SD)	يصبح النموذج نفسه معلّما وطالبا في آن واحد لتنقيح مسارات متعددة الجولات مشروطة بالمهارة	وكلاء متعددو الأدوار، دون حاجة إلى معلّم منفصل
التقطير القائم على السياسة الحالية خطوة بخطوة (SOD)	حقن إشارة إشراف كثيفة على مستوى كل خطوة بدلا من المسار الكامل	تثبيت الوكلاء الصغار في سلاسل استدعاء أدوات طويلة
تقطير المهارات القائم على السياسة الحالية (OPID)	تعويض ندرة المكافآت في التعلم المعزز للوكلاء بإشارة كثيفة من المعلّم	مهام الوكلاء ذات المكافآت النادرة
تقطير الوكلاء دون تدريب (AgentDistill)	نقل القدرة عبر تسليم صندوق أدوات قابل لإعادة الاستخدام (MCP box) دون الحاجة إلى إعادة التدريب	نقل سريع، وتجنب تكلفة التدريب

بعض هذه التطورات وثيقة الصلة بالعمل الفعلي بشكل مباشر. أولا، التقت المختبرات الحدودية على نهج واحد: إنشاء معلّمين متخصصين بالتعلم المعزز لكل مجال على حدة (للرياضيات، وللبرمجة، وللوكلاء)، ثم أثناء توليد الطالب لمخرجاته يقوم كل هؤلاء المعلّمين بالتقييم ودمج النتائج في طالب واحد، وهو ما يُعرف بالتقطير القائم على السياسة الحالية. ولا يشترط أن يكون المعلّم الجيد نموذجا أكبر بالضرورة. فنقطة تفتيش (checkpoint) بنفس القاعدة وبنفس حجم الطالب، دُفعت بعمق في مجال واحد فقط، تصبح معلّما جيدا في المقابل. التخصص لا الحجم هو ما يصنع المعلّم.

ثانيا، تراكمت النتائج التي تثبت أن تقطير الوكلاء الصغار المستخدمين للأدوات ينجح فعليا. فعند تقطير وكيل كبير مزود بأدوات بحث وأدوات برمجة إلى نموذج صغير، تُرصد حالات يتفوق فيها هذا النموذج على نماذج من الفئة الأعلى مباشرة، خصوصا في المهام الخارجة عن نطاق التدريب. ويعني هذا أن تقطير الوكلاء طريق عملي لبناء “نموذج صغير كفء يستخدم الأدوات”.

لماذا تصب معمارية مهاراتنا في صالح هذا التحول

هنا تصبح بنية ThakiCloud مهمة. لطالما التزمنا بمبدأ تركيز القدرة في المهارة (skill) نفسها لا في الإطار المُشغّل (harness). إطار مُشغّل رقيق، ومهارات كثيفة. نُبقي الحلقة والصلاحيات المحيطة بالنموذج عند الحد الأدنى، بينما نُكدّس المعرفة الميدانية والأحكام والقوالب وحالات الفشل بكثافة داخل المهارة نفسها. وهذا يعني أن المهارة نفسها مصممة لتعمل حتى عند تبديل النماذج التي تديرها.

يتقاطع مع هذا مبدأ الحتمية في التنسيق (format determinism). ففي المهارات الدفعية (batch) التي تعمل وفق جدول زمني، لا نجعل النموذج يولّد التنسيق، بل نجعله يولّد المحتوى فقط. الأرقام، والقيم المُعدّدة (enum)، والعرض (rendering)، والتجميع، كلها يملكها كود حتمي. وحين يجتمع هذان المبدآن تصبح النتيجة لافتة: حتى عند تخفيض نموذج العامل (worker) من نموذج حدودي إلى نموذج صغير محلي، لا تتأرجح جودة المخرجات، لأن التنسيق والتحقق اللذين يحددان الجودة مثبّتان في الكود. يكفي أن يولّد النموذج الصغير محتوى النص فقط، بينما يضمن الإطار المُشغّل كل ما تبقى.

وهذا ليس تخمينا بل قياس فعلي. ففي يونيو 2026، أقمنا نموذجا صغيرا محليا (Gemma-4-26B) كعامل مهارات وأجرينا اختبار A/B حيا مقابل سلسلة Claude. وكانت النتيجة تعادلا 18 مقابل 18 بين Gemma وHaiku من حيث التزام العامل بالتعليمات. العائق الوحيد الملحوظ كان سقفا لنافذة السياق يبلغ نحو عشرة آلاف رمز (token)، إذ يفشل الطلب عند تجاوزه. لذلك اخترنا توجيها هجينا (hybrid routing): يتولى القائد (conductor) الحدودي الاستدلال الثقيل والإدارة، بينما يتولى النموذج الصغير المحلي مهام العامل ذات الطابع المُنسّق (structured). وبذلك يكون اتجاه تقطير المهارات في نماذج صغيرة وتشغيلها تلقائيا قد تحقق منه جزئيا بالفعل في بيئتنا. وينسجم مع هذا كون عاملَي تحويل النص إلى كلام (VoxCPM2) والتعرف على الكلام (Qwen-ASR) يعملان محليا بالفعل.

أين تنهار الفكرة: عدم تمجيد التقطير

كون الاتجاه صحيحا لا يعني اختفاء الفخاخ. لنضع أولا الحجة المضادة.

أكثر العوائق واقعية هو تباعد سلسلة استدعاءات الأدوات. فالاستدلال الممزوج بالأدوات يصبح أقل استقرارا كلما طال في النماذج الصغيرة. ويخفف التقطير القائم على السياسة الحالية من هذه المشكلة عبر إشراف كثيف، لكن استدعاء أداة خاطئا واحدا يمتد إلى خطوات الاستدلال التالية ويوسّع تدريجيا الفارق بين مسار الطالب ومسار المعلّم. وهذا هو بالضبط سبب اعتماد التقطير خطوة بخطوة (SOD) على إشارة على مستوى كل خطوة بدلا من المسار الكامل، لضبط هذا التباعد. ومهام الوكلاء الطويلة إذا سُلّمت مباشرة إلى نموذج صغير دون هذا التدخل، تنهار في منتصف الطريق.

العائق الثاني هو تعارض الإشارات بين المعلّمين المتعددين. فإذا اختلفت المحاذاة والتنسيق والقيم بين المعلّمين، يُطمس الطالب في متوسط ضبابي أو تنخفض الجودة بسبب تضارب الإشارات. لهذا يُكرَّس نصف الأبحاث الحديثة تقريبا لعملية تنقية (purification) تُرشّح الإشارات الرديئة من بين إشارات المعلّمين. والرافعة الحقيقية ليست في إضافة عدد أكبر من المعلّمين، بل في بوابة تُقرّر أي معلّم يُوثق به عند أي رمز (token). وهذا يطابق تماما مبدأ نلتزم به بالفعل: إغلاق أي توزيع متفرع (fan-out) عبر مرحلة تحقق إلزامية. نجمع نتائج متعددة، لكننا لا نستخدم إلا ما نجا منها عبر تحقق عدائي (adversarial verification) قبل الدمج.

أما العائق الثالث فهو أكثر جوهرية. التقطير يُنتج تابعا محبوسا داخل سقف المعلّم. يرث النموذج الطالب المعرفة، لكنه يرث معها أيضا نقاط عمى المعلّم، ولا يستطيع بذاته أن يتقدم إلى ما هو أبعد منها. لذلك يجب ألا يوضع التقطير كبديل عن قيادة النموذج الحدودي، بل كاستراتيجية على مستوى طبقة النشر (deployment layer) لتنفيذ مهارات مُتحقق منها مسبقا بتكلفة منخفضة وسرعة عالية وعلى نطاق واسع. وهذا هو السبب في أن النموذج الهجين، الذي يُبقي القائد ويخفّض العامل، هو الخلاصة الأكثر صدقا.

خارطة طريق التنفيذ لدى ThakiCloud

المسار الذي اتخذناه يتكون من ثلاث مراحل. أولا، نُنشئ معلّما متخصصا لكل مهارة. والمرشح الأول هو المهارات المُنسّقة التي تُطلق بكميات كبيرة (مثل نشرات الأخبار الموجزة، وملخصات تويتر، وتوليد التقارير، وهي مهارات تمتلك فيها الحتمية في التنسيق مكانا في الكود بالفعل). فهذه المهارات يملك الكود فيها التنسيق، ولا يحتاج الطالب الصغير إلا أن يضبط محتوى النص فقط. ثانيا، نُقطّر من هؤلاء المعلّمين طلابا صغارا عبر التقطير القائم على السياسة الحالية، ونُشغّلهم محليا وتلقائيا. وبما أننا نعرف سقف نافذة السياق، نُبقي المهارات التي تتطلب سياقا طويلا لدى القائد، ونُخفّض إلى النموذج الصغير المهام القصيرة والمتكررة فقط. ثالثا، نحافظ على الجودة عبر تصعيد قائم على المراجعة الاستعادية (retrospective escalation). نبدأ بالنموذج الصغير، لكننا نُشغّل بالفعل حلقة ترقية تلقائية تُعيد مهارة معينة إلى نموذج أعلى إذا فشلت بشكل متكرر، دون سواها. نبدأ بتكلفة منخفضة، وحين تكشف البيانات فشلا، تُرفع تلك المهارة وحدها.

تتلخص فوائد خارطة الطريق هذه في ثلاثة عناصر: تنخفض التكلفة بمقدار مرتبة عدد كامل في التشغيل الآلي واسع النطاق، ويقصر زمن الاستجابة بفضل التشغيل المحلي، وعلى مستوى السيادة (sovereignty) يقل الاعتماد على واجهات خارجية ويقل انتقال البيانات إلى الخارج. وبالنسبة لنا، بصفتنا مُشغّلين لمنصة ذكاء اصطناعي وتعلم آلي قائمة على Kubernetes، فإن هذه العناصر الثلاثة ليست شعارات تسويقية، بل مؤشرات تشغيل يومية.

الخاتمة

الاتجاه القائل بأن “المهارات تُقطَّر اليوم في نماذج صغيرة وتُشغَّل تلقائيا” صحيح. لكن الشكل المحدد لهذا الاتجاه هو ما يهم. إنشاء معلّمين متخصصين حسب المجال، ودمجهم في طالب صغير عبر التقطير القائم على السياسة الحالية، وإضافة بوابة تحقق تُرشّح إشارات المعلّمين الرديئة، والإشراف خطوة بخطوة على المهام الطويلة القائمة على استدعاء الأدوات، كل ذلك يقترب من المعيار الحالي. وتقف ThakiCloud في موقع منطلق مواتٍ لهذا التحول بفضل بنيتها القائمة أصلا على إطار مُشغّل رقيق وحتمية في التنسيق، ويدعم هذا الموقع بيانات فعلية تتمثل في تعادل عامل Gemma مع Haiku. والحل الهجين الذي يُبقي النموذج الحدودي قائدا ويُخفّض المهارات المُتحقق منها إلى عمال صغار هو الطريق الأكثر واقعية للحفاظ على التكلفة والجودة في آن واحد.

المراجع

• Small Language Models are the Future of Agentic AI (arXiv 2506.02153): https://arxiv.org/pdf/2506.02153
• Skill-SD: Skill-Conditioned Self-Distillation for Multi-turn LLM Agents (arXiv 2604.10674): https://arxiv.org/pdf/2604.10674
• SOD: Step-wise On-policy Distillation for Small Language Model Agents (arXiv 2605.07725): https://arxiv.org/pdf/2605.07725
• OPID: On-Policy Skill Distillation for Agentic Reinforcement Learning (arXiv 2606.26790): https://arxiv.org/pdf/2606.26790
• AgentDistill: Training-Free Agent Distillation with Generalizable MCP Boxes (arXiv 2506.14728): https://arxiv.org/pdf/2506.14728
• Distilling LLM Agent into Small Models with Retrieval and Code Tools (arXiv 2505.17612): https://arxiv.org/pdf/2505.17612
• Distillation in 2026 (so far): which frontier models use it and how (Hugging Face): https://huggingface.co/blog/sergiopaniego/distillation-2026
• How Small Language Models Are Key to Scalable Agentic AI (NVIDIA Technical Blog): https://developer.nvidia.com/blog/how-small-language-models-are-key-to-scalable-agentic-ai/