Glimpse مقابل Kolibri: طريقتان لشراء المزيد من القدرة الحسابية لكل توكن

Elorian Glimpse وKolibri هما إجابتان عن السؤال الاقتصادي نفسه — كيف تحصل على قدرة أكبر لكل وحدة من الحوسبة — وتقفان عند طرفين متقابلين منه. أما Glimpse، التي أطلقتها Elorian في 16 أكتوبر 2026، فتشتري قدرتها في وقت الاستدلال: فهي تُجري تمريرة أولى على مقطع بسرعة 8 إطارات في الثانية تقريبًا، ثم تنفق حوسبة إضافية لإعادة مسح تسعة أعشار الثانية المختارة بسرعة 14 إطارًا في الثانية تقريبًا قبل أن تجيب. وأما Kolibri، التي أطلقتها Aleph Alpha في 3 أكتوبر 2026، فتشتري قدرتها في وقت البنية المعمارية: 78.1 مليار معامل إجمالي، منها نحو 3.46 مليار فقط نشطة لكل رمز، لذا فإن كل معامل تقريبًا في النموذج هو معامل لا تدفع أبدًا مقابل تقييمه.

الاثنان ليسا قابلين للتبادل، والسبب ليس الجودة. أحدهما معاينة مستضافة بلا أوزان، وبلا عدد معلمات منشور، وبلا نافذة سياق منشورة. والآخر تنزيل بترخيص Apache 2.0 تذكر بطاقة نموذجه عدد الخبراء فيه، وجدول الانتباه لديه، وصيغه الرقمية، والتغطية اللغوية لمُرمِّزه، وفاتورة الكهرباء الدقيقة لتشغيل تدريبه. إن المقارنة بينهما هي في الحقيقة مقارنة بين استراتيجيتين، والسؤال المثير هو أي الاستراتيجيتين تصمد عند ملامستها لعبء عملك.

نسبة 22 إلى 1 مقابل نسبة لم ينشرها أحد

Kolibri هو نموذج خليط الخبراء المتناثر، والتناثر متطرف حتى بالمعايير الحالية. خمسون طبقة، كل واحدة منها خليط من الخبراء، 384 خبيرًا في كل طبقة، منها واحد مشترك وستة موجهة. وهذا يعادل نسبة الإجمالي إلى النشط البالغة حوالي 22.6 إلى 1 — نموذج يحمل 78 مليار معامل لكنه يقيّم حوالي 3.5 مليار منها على أي رمز معين. تناوب Aleph Alpha ذلك في نمط 4 إلى 1 مقابل كتل انتباه استعلام المجموعة، وهو ما يبقي السياق الأصلي البالغ 262,144 رمزًا ميسور التكلفة: تم التحقق من مسار المليون رمز، ويتم الاحتفاظ بذاكرة KV المؤقتة بتنسيق FP8 لجعل الطرف الطويل من تلك النافذة يتسع في الذاكرة بدلاً من جدول بيانات.

خيارات التنسيق الرقمي مُفصَح عنها بدرجة غير معتادة. الأوزان بصيغة FP8 ضمن كتل 128×128. ذاكرة KV المؤقتة بصيغة FP8. أما التضمينات ورأس نموذج اللغة وطبقات التطبيع والموجِّه فتبقى بصيغة bfloat16 — وهي الأجزاء التي قد يظهر فيها ضرر التكميم في قرارات التوجيه لا في قيم الخسارة. تتاح أربعة مستويات من الجهد. ويتبع استدعاء الأدوات صيغة Hermes مع محلّل vLLM، ما يعني أنه يندمج في حزمة وكلاء قائمة بدل أن يتطلب تكاملًا مخصصًا.

G​limpse لا تنشر أيًا من ذلك. لا عدد معلمات. ولا بنية خبراء تُذكر، ولا نافذة سياق، ولا مخطط تكميم، ولا نموذج أساسي مُسمّى — فقط عبارة «مُدرَّب لاحقًا على نموذج أساسي مفتوح الأوزان»، وهي لا تحدد أي نموذج. ما تنشره بدلًا من ذلك هو التتبع: تمريرة أولى بمعدل 8 إطارات في الثانية تقريبًا، وقراءة مبدئية، وعودة إلى 0.9 ثانية من المقطع بمعدل 14 إطارًا في الثانية تقريبًا، وفي مثال ثانٍ حافة نافذة جرى تتبعها من نحو 2.2 ثانية داخل مقطع حتى تكاد تتوقف عند 5.13 ثانية.

كلا هذين إفصاحان عن الحوسبة. إفصاح K​olibri هو بيان عن إلى أين تتجه الحوسبة عند تحميل النموذج. وإفصاح G​limpse هو بيان عن إلى أين تتجه الحوسبة بينما يفكر النموذج. واحد فقط منهما يأتي مرفقًا برقم.

الأوراق المنشورة، جنبًا إلى جنب

• الحجم — Kolibri: 78,103,074,560 إجمالي المعاملات، و3,457,573,120 نشطة. Glimpse: غير منشور، مع «أصغر وأرخص بشكل كبير من الأنظمة الرائدة التي يقيس أداءه مقابلها» باعتباره بيان الحجم الوحيد الذي يقدمه Elorian.

• الوصول — أوزان Apache 2.0 لـ K​olibri، قابلة للتنزيل والاستضافة الذاتية. لا تتوفر أي منها لـ G​limpse، الذي يقتصر على API والدردشة فقط مع تسجيل مجاني.

• السياق — 262,144 رمزًا أصليًا لـ Kolibri، مع التحقق من 1,048,576. لم يُنشَر لـ Glimpse، وهو الفراغ الأكثر إرباكًا لأن قدرته الرئيسية هي قراءة الفيديو.

• اللغات — الألمانية والإنجليزية لـ K​olibri، وهو ما تقدّمه A​leph Alpha كقرار تصميمي لا كقيد. ولا تنشر G​limpse أي تغطية لغوية على الإطلاق.

• السعر — ‏0.60 دولار لكل مليون رمز إدخال و3.00 دولارات لكل مليون رمز إخراج لـ G​limpse — وتعني الآلية أن رموز الإخراج هي موضع ظهور إعادة المسح، لذا فالأثر هو الإيصال. ليس لدى K​olibri بطاقة أسعار، لأن التكلفة هي العتاد.

• تقييم مستقل — لا يوجد عمليًا أي تقييم مستقل لأي منهما. لا يمتلك أي منهما أداة تحقق خارجية تعيد إنتاج أرقامه، وكلا مجموعتي الأرقام المنشورة هما من الشركة المصنّعة نفسها.

جولة التدريب التي نشرتها A​leph Alpha بالكامل

هنا يختلف K​olibri عن كل إصدار هذا العام تقريبًا، ويستحق التمعّن فيه لأنه يخبرك بما كلّفه بناء التناثر.

كانت مدونة التدريب المسبق تضم 20 تريليون توكن، موزعة تقريبًا بنسبة 62.5% على اللغة الإنجليزية، و23.9% على الألمانية، و13.6% على الكود. وأضاف التدريب الوسيط 3.44 تريليون توكن أخرى، وساهمت مرحلة السياق الطويل بـ 201 مليار. استخدم التشغيل 768 مسرّعًا من نوع NVIDIA B200 عبر 96 عقدة HGX، واستغرق 21 يومًا و511 ساعة من الزمن الفعلي، واستهلك نحو 392,000 ساعة GPU — أي 6.4×10²³ عملية حسابية بنقطة عائمة، ضمن ميزانية طاقة تبلغ نحو 9.5×10² ميغاواط-ساعة.

تمثل هذه الأرقام الثمن الصادق لنموذج يبلغ عدد معلماته النشطة 3.46 مليار معلم، لكنه يتصرف كما لو كان أكبر بكثير. وهي أيضًا غير قابلة للتكرار بالنسبة لأي شخص خارج مختبر جيد التمويل، وهذه على وجه التحديد هي الحجة لصالح الأوزان المفتوحة: فشركة تنشر البطاقة تدفع تكلفة التدريب مرة واحدة، ويحصل كل من يأتي بعدها في السلسلة على الناتج مقابل ثمن التنزيل.

السلف يحمل درسًا. كان K​olibri Origin يضم 30.6 مليار معامل، منها 3.27 مليار معامل نشط، وسياق من 65,536 توكنًا و7.51 تريليون توكن تدريبي — ولم يُطرح قط. النموذج المنشور ليس المحاولة الأولى؛ بل الثانية، والفجوة بينهما تقريبًا هي الفجوة بين نموذج أولي ومنتج.

لا يوجد شيء مماثل لـ Glimpse. يقول Elorian فقط إن النموذج خضع لتدريب لاحق بواسطة فريق صغير يملك بضع مئات من وحدات GPU. لا يُسمّى أي نموذج أساسي، ولا عدد الرموز، ولا وصف للبيانات، ولا إفصاح عن الحوسبة. هذا فرق مشروع بين نشر نقطة تفتيش وإطلاق نقطة نهاية — فأنت تفصح عمّا تسلّمه — لكنه يعني أن الإصدارين لا يمكن مقارنتهما اقتصاديًا بما يتجاوز بطاقة الأسعار، لأن واحدًا منهما فقط نشر تكاليفه.

خلية عدد المعلمات الفارغة

هنا يكمن الفخ في هذه المقارنة، وهو يسير في اتجاه G​limpse.

من السهل أن تقرأ 3.46 مليار معامل نشط لدى Kolibri وتستنتج أن Glimpse — المستضاف، الرخيص لكل رمز، الموجَّه نحو قدرة ضيقة — لا بد أن يكون صغيرًا، أو لا بد أن يكون رخيص التشغيل، أو لا بد أن يكون ضبطًا دقيقًا لشيء متواضع. لا شيء من ذلك يلزم. لم يُنشر عدد معاملات Glimpse قط. ولم تُنشر نافذة سياقه قط. ولم يُسمَّ نموذجه الأساسي قط. الادعاء الوحيد المتعلق بالحجم في منشور الإطلاق مقارن وغير محدد كميًا. وحيث لا يكشف السلوك عن الحجم، وسلوك هذا النموذج هو جدول أخذ عينات لا معمارية، فإن عدد المعاملات يمكن أن يكون أي شيء تقريبًا ولن يناقضه أي شيء منشور.

لذا تبقى خلية عدد المعاملات فارغة، وأي رقم يستشهد به أي شخص لحجم G​limpse هذا الشهر هو تقدير متنكّر في هيئة مواصفة. وينطبق الأمر نفسه في الاتجاه المعاكس، بالمناسبة: فنسبة K​olibri البالغة 22.6 إلى 1 لا تخبرك بتكلفة الاستدلال على عتادك، لأن أوزان FP8 في كتل 128×128 تحتاج إلى دعم مسرّعات محدد لتكون مكسبًا لا مجرد خطوة تحويل.

ما الذي تفشل فيه كل استراتيجية

قيد K​olibri هو التغطية اللغوية، وهو متعمّد. الألمانية والإنجليزية، ولا شيء غيرهما. وبالنسبة لمؤسسة أوروبية لديها حركة مرور باللغة الألمانية، تُعدّ هذه ميزة — إذ يميل مزيج التدريب نحو لغة تعاملها معظم النماذج المفتوحة على أنها خطأ تقريب. أما بالنسبة لأي جهة أخرى، فهذا رفض قاطع، ولا يعوّض عنه أي قدر من نافذة السياق.

قيده الثاني هو حساب السياق الطويل. تم التحقق من مسار بمليون رمز، وهو كبير حقًا. لكن المسار المُتحقَّق منه ليس كالمسار غير المتدهور؛ فعند هذه الأطوال، تتراجع دقة الاسترجاع لدى كل نموذج تقريبًا قبل أن تنتهي النافذة بوقت طويل، ولا يوجد تقييم منشور يوضح أين ينحني منحنى K​olibri. تعامل مع النافذة كسعة يمكنك تخصيصها بدلًا من دقة يمكنك افتراضها.

قيد G​limpse يأخذ الشكل المعاكس: قدرة ضيقة لا شيء حولها. إذا كان السؤال عمّا حدث خلال جزء من الثانية من لقطات، فإن G​limpse موجّه إليه مباشرة. وإذا كان السؤال عمّا يوحيه مشهد بدلًا مما يصرّح به، فإن الترجيع لا يساعد — في Humanity's Sixth Sense، المعيار الذي نشرته E​lorian مع Scale AI قبل تسعة أيام من إطلاق النموذج، يسجّل G​limpse 46.36 مقابل 53.6 لـ GPT-6 Astra، ويعزو تحليل الفشل الخاص بالمعيار نفسه 94% من الأخطاء الموسومة إلى الرؤية والاستنتاج لا إلى الاستدلال. مزيد من النظر ليس مزيدًا من الفهم، وجدول المورّد نفسه هو الدليل.

هناك أيضًا فئة من المشكلات لا يعالجها أيٌّ منهما: تلك التي يتعيّن أن تكون الإجابة فيها عتبة. يكتب Glimpse نصًا نثريًا. يقرأ Kolibri ويكتب. لم يُبنَ أيٌّ منهما ليعيد رقمًا معايَرًا لكل خيار، وإذا كان هذا ما تحتاجه خط الأنابيب، فإن الأداة تكون شكلًا مختلفًا كليًا من النماذج.

حيث تستحق طبقة التوجيه مكانها — وحيث لا تستحقه

يقع النموذجان على جانبي حدٍّ يمكن للتوجيه تحريكه وآخر لا يمكنه.

الحدّ الذي يحرّكه هو كلفة خلط المسارات ومتانتها. فريق يشغّل Kolibri على مسرّعاته الخاصة لحركة المحتوى الألماني، ونموذجاً مستضافاً لكل ما عدا ذلك، لديه مساران برمجيان ونمطا فشل ومجموعتان من بيانات الاعتماد. يقلّص OrcaRouter ذلك إلى مفتاح واحد أمام أكثر من 200 نموذج، مع لغة DSL للتوجيه تحدّد أي طلب يذهب إلى أي مسار وتجاوز فشل تلقائي يُبقي الطلب حياً عندما يكون المسار المستضاف ذاتياً مشبعاً أو متوقفاً. تُمرَّر أسعار قوائم المزوّدين دون أي إضافة لكل رمز، بحيث يكلّف النصف المستضاف من ذلك المزيج ما يتقاضاه مورده، ويتبع سعر ذلك المورّد يوم يتغيّر.

الحدّ الذي لا يتزحزح هو الحيازة، وهنا تمتلك Kolibri ميزة لا تستطيع أي طبقة توجيه أن تصنعها. أوزانها قابلة للتنزيل. إذا تعذّر خروج المجموعة النصية من المبنى، فإن نقطة تحقق Apache 2.0 هي الوحيدة من بين هذين الاثنين التي تعمل حيث توجد البيانات، ولا يغيّر أي تقييم لأيّ من النموذجين ذلك. كما أن أيًّا من النموذجين ليس ضمن كتالوجنا — فـ Kolibri عبارة عن تنزيل، وGlimpse هي واجهة API والدردشة الخاصة بـ Elorian — لذا فهذا تصريح عن كيفية توجيهنا، وليس ادعاءً بأننا نقدّمهما.

كيف تقرر دون معيار مرجعي مشترك

لا توجد لوحة صدارة ترتّب هذين الاثنين، وليس لأن أحدهما جديد. يقيس جدول E​lorian إدراك الفيديو والصور مقابل GPT-6 Astra؛ وتقيس بطاقة A​leph Alpha التشكيلة الأكاديمية المعتادة إضافةً إلى الاسترجاع طويل السياق. لا يتشاركان أي مهمة، لذا فالمقارنة الوحيدة المهمة هي مقارنتهما بعبء عملك الخاص.

ثلاثة أسئلة تحسم الأمر أسرع من أي جدول.

هل يجب أن تبقى البيانات على أجهزة تتحكمون بها؟ إذا كان الجواب نعم، فإن K​olibri هو المرشح الوحيد هنا، والترخيص هو Apache 2.0، وتغطية الألمانية-الإنجليزية إما أن تناسب عملية النشر لديك أو تستبعده فورًا.

هل نمط الفشل زمنيًا — هوية الكائن عبر حجب، أو تحريك الكاميرا مقابل قطع، أو حدث داخل نافذة أقل من ثانية؟ إذا كان الأمر كذلك، فإن Glimpse هو النموذج الوحيد من بين الاثنين الذي تعالج آليته المعلنة ذلك، والتسجيل المجاني يجعل التجربة رخيصة، ويخبرك التتبع بأكثر مما تخبرك النتيجة: شغّل مقاطعك الخاصة وتحقّق مما إذا كان النموذج قد عاد يومًا إلى الفاصل الزمني الذي حسم الإجابة.

هل عبء العمل طويل السياق لكنه ليس طويل الفيديو — مجموعة مستندات، أو مجموعة إيداعات، أو مسار تدقيق؟ إذا كان الجواب نعم، فإن نافذة K​olibri الأصلية البالغة 262,144 توكنًا، مع مسار مُتحقَّق منه يبلغ مليون توكن، هي الرقم المعني، ولا يحسم التقييم المنشور لأيٍّ من النموذجين ما إذا كان يصمد أمام منحنى التدهور عند تلك الأطوال. ذلك يجب قياسه على بياناتك قبل أن يكون أيٌّ من القرارين آمنًا.

إخفاقات الذكاء الاصطناعي الموثقة وحوادث الوكلاء الكامنة وراء إصدارات مثل هذا الإصدار تُجمع في أرشيف حوادث الذكاء الاصطناعي OrcaRouter، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ودرجة ثقته وعلامة كونه محل نزاع.