جيف مقابل لايا: 33 مللي ثانية على T4، وخط أساس عشوائي

تحتوي بطاقة نموذج Laya على الجملة التي تحسم هذه المقارنة، وقد كتبها الأشخاص الذين صنعوا Laya. «Laya هي قاعدة سريعة للتخصص، وليست محرك قرارات يعمل دون أمثلة.» أطلقت Convai Innovations نموذج Laya في 18 سبتمبر 2026، بعد ثلاثة أيام من إطلاق TypeSafe AI لنموذج Jev 1.13 (typesafe/jev-1.13)، بموجب ترخيص Apache 2.0، مع أوزان على Hugging Face ونقطة دخول pip install laya. وهو يجيب عن أسئلة مُنَمَّطة في تمريرة أمامية واحدة دون فك ترميز رمزاً برمز، وهو الرهان المعماري نفسه الذي يخوضه Jev. الادعاء الرئيسي هو زمن استجابة p50 قدره 32.8 ميلي ثانية لكل قرار على Tesla T4، ويُصاغ على أنه أسرع بنحو 7.8 أضعاف من زمن p50 المنشور لـ Jev والبالغ 236–276 مللي ثانية عبر واجهة برمجة التطبيقات المستضافة لديه. الادعاء حقيقي، وهو أيضاً يقيس شيئين مختلفين — وحدة معالجة رسومات محلية مقابل استدعاء عبر الشبكة — وصورة الدقة التي تقف خلفه هي الجزء الذي ينبغي أن يحدد ما إذا كنت ستنزّله. في وضع zero-shot، يسجل Laya 0.362 على معيار القرارات المُنَمَّطة الخاص بـ TypeSafe. التخمين العشوائي يسجل 0.318. خط الأساس لفئة الأغلبية يسجل 0.461. Laya، كما هو، أقرب إلى العشوائي من خط الأساس التافه. الجديد ليس أياً من النموذجين بل المكان الذي يمكن استدعاء أحدهما فيه: في 24 سبتمبر 2026، أضاف OrcaRouter النموذج typesafe/jev-1.13 إلى كتالوجه — النموذج نفسه ملك لـ TypeSafe، من 15 سبتمبر — وهو الشيء الوحيد في هذه المقارنة الذي تغير مؤخراً.

ما هي Laya في الواقع

تُشحن Laya كنقطتي تحقق خلف موجّه مدمج يوزّع كل مُدخل إلى النقطة الصحيحة. نقطة التحقق الإنجليزية هي ModernBERT-large بـ421 مليون معامل وسياق من 512 رمزًا. أما النسخة متعددة اللغات فهي mmBERT-base بـ322 مليون معامل ونافذة من 1,024 رمزًا عبر أكثر من 100 لغة. كلاهما غير تلقائي الانحدار: تمريرة أمامية واحدة تُعيد الإجابة، لذا لا توجد حلقة فك ترميز، ولا JSON لتحليله، ولا مجال لإخراج نص خارج النوع المُعلن. هذه الخصيصة الأخيرة هي نفس الضمان البنيوي الذي يقدمه Jev، لكنها مُتوصَّل إليها من اتجاه مختلف، وهي قيّمة حقًا لأي شخص كتب منطق إعادة المحاولة حول نموذج ينسى أحيانًا إغلاق قوس.

Jev هو النظير المغلق، والفرق المهم بينهما هو من يشغّل النموذج، لا أيهما يحصل على درجة أعلى. أول نموذج System One من TypeSafe AI، الذي أُطلق في 15 سبتمبر 2026، مستضاف — لا توجد أوزان لتنزيلها — ويمكن توجيهه عبرنا باسم typesafe/jev-1.13 عبر POST /v1/systemone، بشكل غير متدفق، مقابل سياق من 65,536 رمزًا. Laya هي الترتيب الآخر: أوزان مفتوحة بترخيص Apache 2.0 تشغّلها بنفسك، على عتاد تملكه بالفعل، مع عدم وجود أي نقطة نهاية في المسار على الإطلاق. يتلقى Jev ثلاثة عناصر أولية مُنمّطة — Choice من قائمة تقدمها، وScore على معيار مُرتّب، وNoul، وهو ادعاء بنعم/لا مع احتمال معايَر. تُقيَّم جميع الأسئلة على التوازي مقابل قراءة مشتركة واحدة للحالة. التسعير هو 0.042 دولار لكل مليون رمز إدخال، مع فوترة الإخراج بصفر، لأنه لا توجد رموز إخراج لقياسها. معماريتها وعدد معاملاتها وحوسبة تدريبها غير معلنة، وقد قالت TypeSafe إن التفاصيل تبقى مكتومة، مع احتمال صدور ورقة بحثية لاحقًا.

ادعاء زمن الاستجابة، عند قياسه بشكل صحيح

إن رقم 32.8ms عند الوسيط (p50) الذي تحققه Laya على T4 رقم حقيقي وجيد. أما مقارنة الـ 7.8x مع أرقام Jev البالغة 236–276ms فهي الموضع الذي يلزم فيه الحذر، وبطاقة Laya نفسها صادقة بشكل غير معتاد بشأن السبب: فأرقام Jev هي أرقام منشورة من طرف ثالث لم تقِسها Convai بنفسها قط، كما أن المقارنة تُحاكي تمريرة أمامية محلية على GPU مقابل نداء API مستضاف يتضمن زمن الذهاب والإياب عبر الشبكة والانتظار في الطوابير. وإذا استبعدنا الشبكة من المعادلة، تصبح المقارنة المعمارية بين نموذجين بتمريرة واحدة، أحدهما بـ 421M معامل والآخر بحجم غير معلن لم تنشره TypeSafe قط.

هناك أيضًا رقم تجميع يستحق معرفته: بحجم دفعة من عشرة، تُبلغ Laya عن 7.2 مللي ثانية لكل سؤال. هذا هو شكل المنتج. صُممت Laya لتُشغَّل محليًا وعلى نطاق واسع، والنسخ المجتمعية المُنقولة للعمل على الجهاز مثل laya-mlx توسّع ذلك لتشمل Apple Silicon. الادعاءات المنتشرة بأنه «أسرع من Jev بمقدار 50 ضعفًا» لا تدعمها اختبارات الأداء التي نشرها المشروع بنفسه، والتوصيف الصادق هو وجود فجوة كبيرة بين المحلي والسحابي، جزء منها معماري وجزء منها مجرد الفرق بين وحدة معالجة الرسومات لديك وواجهة API الخاصة بشخص آخر.

ما تقوله أرقام الدقة، بالترتيب

هنا تتوقف المقارنة عن كونها مُجامِلة، ويجدر عرض الأمر بالتسلسل لأن الترتيب يهم.

• بدون أمثلة على معيار typed-decisions الخاص بـ TypeSafe — Laya ‏0.362، والعشوائي ‏0.318، وفئة الأغلبية ‏0.461، وJev ‏0.727. Laya أعلى من الصدفة وأدنى من خط الأساس البديهي.

• ضُبطت ضبطًا دقيقًا على قسم التدريب الخاص بالمقياس المرجعي نفسه — Laya بنتيجة 0.766 مقابل 0.727 لـ Jev. تفوز Laya، ويأتي الفوز من نقطة تحقق اطّلعت على بيانات تدريب المقياس المرجعي، وهو ما يجعله تصريحًا بشأن الضبط الدقيق، لا بشأن النموذج الأساسي.

• تصنيف نوايا Banking77، حيث تكون مجموعة الخيارات كبيرة — Laya 0.425 مقابل Jev 0.870. تتدهور Laya بحدّة بعد نحو 20 خيارًا، وحقول Choice لدى Jev موثّقة لتتعامل مع ما يصل إلى 255 قبل الحاجة إلى نمط التقييم ثنائي المراحل.

• المعايرة — تأتي Laya بخطأ معايرة متوقع متوسط قدره 0.466، ولا يتحسن إلى 0.081 إلا بعد إعادة ضبط درجة الحرارة حسب نوع السؤال. ويُدرَّب Jev بطريقة تسميها TypeSafe باسم RLCD، أي التعلم المعزز للقرارات المعايرة، ويصدر كل إجابة مصحوبة بتوزيع احتمالي — مع أن TypeSafe تنصح المستخدمين أيضًا بالتحقق من العتبات على بياناتهم الموسومة الخاصة، ووجد تدقيق مستقل واحد أن معايرة Jev تتفاوت بحدة حسب المهمة.

النمط لا لبس فيه. Laya قاعدة قوية للضبط الدقيق ومحرك قرار ضعيف في التعلم الصفري، وهي تقول ذلك بنفسها. Jev محرك قرار قوي في التعلم الصفري لا تزال معايرته بحاجة إلى التحقق لكل عملية نشر. هذان منتجان مختلفان ببنيتي تسعير مختلفتين، والاختيار بينهما هو في الغالب مسألة ما إذا كانت لديك بيانات موسومة وحلقة تدريب.

ليس حساب التكلفة على الشكل نفسه الذي عليه حساب جيف.

Jev هو 0.042 دولار لكل مليون رمز إدخال، مع إخراج مجاني، أي 42 دولارًا لكل مليار، واستدعاء بأقصى حجم عند ميزانية الطلب الموثقة البالغة 64K رمز يكلف أقل بكثير من سنت. الرقم الذي يُقتبس عادةً بنحو 32,000 رمز هو الحد الأقصى للحالة بالإضافة إلى أطول سؤال واحد، وليس الحد الأقصى للطلب — توثق TypeSafe 64K رمز لكل طلب عبر الحالة وجميع الأسئلة مجتمعة، وبطاقة النموذج الخاصة بنا لـ typesafe/jev-1.13 تسرد سياقًا من 65,536 رمزًا. اختبار Every المستقل وضع 777 حكمًا عبر 37 مستندًا بتكلفة نحو ربع سنت.

تكلفة Laya لكل استدعاء هي صفر على الهامش وغير صفرية إجمالاً، والإجمالي ليس صغيراً. نموذج بـ 421 مليون معامل على T4 رخيص التشغيل ولا يزال يكلفك وحدة معالجة رسومات، وخطوة الضبط الدقيق التي تجعل Laya منافسة هي حيث يقع الإنفاق الحقيقي — وسم البيانات، وجولة التدريب، وأداة التقييم، وإعادة ضبط درجة الحرارة لكل نوع سؤال التي تخفض خطأ المعايرة من 0.466 إلى 0.081. بالنسبة لتصنيف ثابت لا يتغير أبداً، هذه تكلفة لمرة واحدة تسترد تكلفتها عند الحجم. أما بالنسبة لتصنيف متغير، فهي تكلفة متكررة، ويصبح خط الأساس للتعلم الصفري لدى Jev البالغ 0.727 صفقة أفضل بكثير.

هناك تكلفة ثالثة يسهل إغفالها: نقطة التحقق الإنجليزية لدى Laya لها نافذة سياق بحجم 512 توكن. هذا ليس نموذج قرار بميزانية سياق صغيرة — بل نموذج قرار بحجم فقرة. ميزانية الطلب لدى Jev البالغة 64 ألف توكن أكبر بأكثر من مائة مرة، وحتى هذه أقل بمرتبة قدر عن النماذج التوليدية التي يُسعَّر كلا النموذجين مقابلها. إذا كانت حالتك سلسلة دعم بدلاً من رسالة دعم، فنافذة أي من النموذجين ليست القيد الذي ينبغي أن تُحسّن في مواجهته.

مسألة النشر هي الفرق الحقيقي

أقوى حجة لدى Laya ليست زمن الاستجابة. بل إن أوزان Apache 2.0 على Hugging Face تعني أن القرار لا يغادر بنيتك التحتية أبداً، وأن نقطة النهاية لا يكون لها حد لمعدل الطلبات أبداً. وبالنسبة لقرار توجيه يُتخذ بناءً على سجل طبي أو مستند قانوني أو سجل حساب عميل، فهذه ليست مسألة تفضيل — بل هي العامل الحاسم، ولا توجد نقطة نهاية مستضافة بأي سعر تكسب تلك الحجة. لا تزال الصفحة الرئيسية الخاصة بـ TypeSafe نفسها تصف Jev بأنه في مرحلة الوصول المبكر، وتشير وثائق المورّد إلى أن حدود معدل الطلبات لديه تُعدَّل ديناميكياً ويمكن أن تتغير دون إشعار.

الحجة المضادة هي ما تتخلى عنه. إن المعمارية الأكبر غير المُعلنة لدى Jev تقوم بالعمل الذي لا تستطيع معلمات Laya البالغة 421M فعله: فجوة التعلم الصفري البالغة 0.727 مقابل 0.362 وفجوة Banking77 البالغة 0.870 مقابل 0.425 كلتاهما مقياسان لمقدار المعرفة الكامنة داخل النموذج قبل أن تدرّبه. جواب Laya هو أنك توفّر تلك المعرفة بنفسك من خلال الضبط الدقيق، وعلى مجال ضيق ثابت ينجح ذلك الجواب — ونتيجة الضبط الدقيق 0.766 هي الدليل.

أين تقع طبقة القرار في مكدّس حقيقي

لا يولّد أيٌّ من النموذجين نصًّا، لذا لا يمثّل أيٌّ منهما سير عمل كاملًا. النمط الذي صُمّم كلاهما من أجله هو نموذجان: طبقة قرار تتخذ النداء المُنمَّط، ونموذج توليدي يتولّى الجزء الذي يحتاج إلى نثر أو شيفرة أو شرح. كان هذا التقسيم يعني سابقًا عقدًا مع مورّد ثانٍ، إذ لم يكن نصف القرار شيئًا يمكن استدعاؤه بالمفتاح نفسه الذي يُستدعى به النصف التوليدي. لكن هذا صار متاحًا الآن. يمكن توجيه Jev عبرنا بصيغة typesafe/jev-1.13 من خلال POST /v1/systemone — دون بثّ، وبسياق يبلغ 65,536 رمزًا، و$0.042 لكل مليون رمز إدخال مع احتساب الإخراج بصفر. ويقرأ سجل خدمتنا على مدى سبعة أيام لهذا المسار قيمة p50 تبلغ 151 مللي ثانية، وهو حركة مرورنا على عتادنا لا اختبار مرجعي. إنه قياس شبكي، وهو مختلف عن التمريرة الأمامية المحلية البالغة 32.8ms أعلاه. ويبقى Laya الترتيب الآخر: أوزان مفتوحة تشغّلها بنفسك، ولا نستضيفها ولا نحتاج إلى ذلك. والنصف التوليدي من هذا النمط هو بالضبط ما نغطّيه: أكثر من 200 نموذج خلف مفتاح واحد متوافق مع OpenAI بسعر قائمة المورّد مُمرَّرًا بهامش ربح 0%، لذا يصبح أي تغيير في سعر المورّد ساريًا على جانبنا في اليوم نفسه. ويمكن اختبار معمارية النموذجين دون عقد مع مورّد ثانٍ — لنصف القرار بقدر النصف التوليدي — ومع التحويل التلقائي عند الفشل لا يصبح المسار التوليدي نقطة فشل وحيدة بينما تقرّر ما إذا كانت طبقة القرار الرخيصة معايَرة جيدًا بما يكفي للأتمتة عليها.

الحكم

إذا كانت لديك تصنيفية ثابتة وضيقة، وأمثلة موسومة، ومتطلّب للخصوصية أو زمن الاستجابة يستبعد استخدام واجهة برمجية مستضافة، فإن Laya هي الخيار الأكثر قابلية للدفاع عنه، والأرقام الناتجة عن الضبط الدقيق تدعم ذلك. أما إذا كنت تحتاج إلى أن يعمل القرار جاهزًا من دون إعداد، أو إذا تجاوزت مجموعات خياراتك عشرين فئة، أو إذا كانت الحالة أطول من فقرة، فإن بطاقة نموذج Laya نفسها تخبرك بأنه ليس المنتج المناسب لتلك المهمة — ونتيجة zero-shot البالغة 0.362 مقابل خط أساس للأغلبية قدره 0.461 هي الرقم الذي ينبغي أن تبقيه نصب عينيك عندما يستشهد أحدهم أمامك برقم زمن الاستجابة 7.8x.

القاسم المشترك بينهما أنفع مما يفصلهما. كلاهما يُزيل صنف الأخطاء الناشئ عن تنسيق المخرجات، ولا يفعل شيئًا حيال الصنف الناشئ عن الحكم والتقدير. كلاهما يقدّم الاحتمالات، ولا يملك أيٌّ منهما مخطط موثوقية منشورًا يمكنك الوثوق به دون التحقق منه. اختبر المعايرة على حالاتك الموسومة بنفسك قبل أن تعتمد الأتمتة على أيٍّ منهما — فزمن الاستجابة صار سلعة رخيصة، وقيمة الثقة هي الجزء الذي لا بد أن يُكتسب في كل عملية نشر.