LFM3-1.7B على Ollama: أمر واحد، وبطاقة تقرير تنقسم إلى نصفين

في وقت كتابة هذا النص، كانت صفحة Ollama الخاصة بـ lfm3 قد مضى على نشرها نحو ساعة وسجّلت 45 تنزيلًا. هذا هو كامل استخدامها العام حتى الآن. النموذج الكامن وراءها، LiquidAI/LFM3-1.7B، أُعلن عنه قبل يوم واحد، في 27 أكتوبر 2026، بوصفه العضو النصي من عائلة LFM3 المبنية على LFM3-1.7B-Base كعمود فقري — إلى جانب نماذج الرؤية والصوت والشامل ونموذجي القرار التي أطلقتها Liquid AI في الدفعة نفسها. ما تغيّر في 28 أكتوبر ليس النموذج، بل طريقة التوصيل: إنّ ollama run lfm3 يغني عن البحث عن نسخة llama.cpp متوافقة مع LFM3، وهو المسار الذي كان متبعًا يوم الإطلاق.

السبب الذي يستحق أكثر من سطر في سجل التغييرات هو جدول القياسات المرجعية. يسجّل LFM3-1.7B واحدًا من أكثر لوحات النتائج اختلالًا في فئة النماذج الصغيرة: فهو يتفوق على Qwen3.5-9B — وهو نموذج يزيد حجمه أكثر من خمسة أضعاف — في أتمتة المتصفح واستدعاء الأدوات واتباع التعليمات، ويخسر أمامه بفارق عشرة نقاط أو أكثر في المعرفة العامة واسترجاع السياق الطويل. كل رقم في ذلك الجدول هو من Liquid AI نفسها. ولم يُعَد إنتاج أي منه بشكل مستقل بعد.

ما الذي تغيّر فعليًا في 28 أكتوبر

يُدرج Ollama خمسة وسوم لـ lfm3، جميعها مؤرخة ضمن الساعة نفسها، وجميعها تحمل سطر سياق بسعة 256K ومدخلات نصية فقط. الافتراضي هو الذي سيسحبه معظم الناس.

• lfm3:latest و lfm3:1.7b — 1.7 GB، الناتج الافتراضي من فئة Q4، ونفس البصمة تحت كلا الاسمين

• lfm3:1.7b-mlx-bf16 — 3.5 GB، MLX بدقة كاملة لأجهزة Apple silicon

• lfm3:1.7b-mxfp8 — 2.1 جيجابايت، MLX 8 بت

• lfm3:1.7b-nvfp4 — 1.7 GB، وهذا هو الذي يجب قراءته بعناية

ذلك الوسم الأخير يحمل البصمة 2012d88e202f — نفس الملف الموجود خلف :latest. سحب lfm3:1.7b-nvfp4 عبر Ollama لا يمنحك نسخة NVFP4؛ فالنسخة الحقيقية موجودة في مستودع منفصل على Hugging Face، نُشر لخدمة GPU بدلاً من السحب المحلي. وما إذا كان الوسم عنصرًا نائبًا أم خطأ نشر، فليس مما توثقه صفحة Ollama. البصمات قابلة للتحقق، وهي متطابقة، وهذا هو الجزء المهم إذا كنت تعوّل على توفير ذاكرة FP4 على حاسوب محمول.

صفحة Ollama نفسها ليست رفعًا مجتمعيًا. تذكر بطاقة نموذج Liquid AI أن Ollama أحد محركات GGUF المدعومة، إلى جانب llama.cpp وLM Studio، لذا فهذا مسار حددته الجهة المصنّعة ووصل متأخرًا، وليس بناءً من شخص غريب. نص بطاقة النموذج على الصفحة هو نص Liquid نفسه: «LFM3-1.7B نموذج ثلاثي هجين للوكلاء المحليين والتطبيقات المتخصصة.»

البنية المعمارية، من حيث المعايير التي تحدد مدى ملاءمتها

نموذج LFM3-1.7B لديه 1.73 مليار معامل موزعة على 24 طبقة، وست طبقات فقط من هذه الطبقات تُجري انتباهًا كاملًا. وثلاث عشرة طبقة منها عبارة عن التفافات قصيرة مُبوّبة بحجم نواة يساوي سبعة، ارتفاعًا من ثلاثة في الجيل السابق، وخمس طبقات انتباه بنافذة منزلقة بعرض 256 رمزًا. معظم الرموز في المطالبة الطويلة لا تصل إطلاقًا إلى مصفوفة انتباه عالمية، ومن هنا تأتي حكاية الذاكرة.

تضع Liquid ذاكرة مؤقتة KV بسعة 128K رمزًا عند 1.6 GB. والرقم نفسه بالنسبة إلى Qwen3.5-4B هو 4.3 GB، وبالنسبة إلى MiniCPM5-2B فهو 5.6 GB. هذه الفجوة، وليس عدد المعاملات، هي السبب في أن نموذجًا بحجم 1.7B يمكنه الاحتفاظ بسياق طويل على عتاد لا يستطيع نموذج بحجم 4B فعل ذلك عليه. وهناك رقمان آخران يجدر التمسك بهما: 22T رمزًا للتدريب المسبق، ومرحلة نهائية للتدريب الأوسط بسعة 3.5T رمزًا مرجّحة نحو آثار الوكيل واستدعاءات الأدوات. تلك المرحلة الأخيرة هي أوضح تفسير لكل ما سيأتي في القسمين التاليين.

تدرج البطاقة أيضًا 16 لغة، ومفردات بحجم 128K مشتركة مع LFM2.5-8B-A1B، والتفكير مُفعّل افتراضيًا — تُظهره Ollama كوسم قدرة، لا كعَلَم مخفي. سياق 256K حقيقي من حيث الإعداد، لكن البطاقة تنشر قيمة KV عند 128K فقط؛ وعند 256K الكامل تتوسّع الذاكرة المؤقتة مع النافذة، لذا تعامل مع الحد الأعلى من هذا النطاق كإعداد لمركز بيانات لا كإعداد لحاسوب محمول.

حيث تكون الدرجات قوية

النمط متسق في كل مهمة تكافئ فعل شيء باستخدام أداة بدلاً من معرفة شيء عن العالم. هذه أرقام يبلّغ عنها المورّد، وعناصر المقارنة هي التي اختارتها Liquid AI.

• WebArena-Verified — 38.42 لـ LFM3-1.7B، و3.02 لـ LFM2.5-2.6B و28.94 لـ Qwen3.5-9B

• AutomationBench — 41.29، مقابل 0.94 لـ LFM2.5-2.6B و15.10 لـ Qwen3.5-9B

• استدعاء الأدوات في BFCL V4 — 71.39، مقابل 55.89 و62.83 لنفس الاثنين

• IFBench — 73.03، مقابل 48.84 لـ Qwen3.5-9B

• IFEval — 96.66، الأعلى في جدول Liquid

• LiveCodeBench v6 — 73.46، متجاوزًا نتيجة Qwen3.5-9B البالغة 69.86

الصف الأكثر إثارة للاهتمام ليس الأكبر حجمًا. إن AA-Omniscience معيار يُقيَّم جزئيًا بناءً على ما إذا كان النموذج يمتنع عن الإجابة بدلًا من التخمين، ويسجّل LFM3-1.7B نتيجة 92.93 في عدم الهلوسة مقابل 52.59 لـ Qwen3.5-9B. أما دقته على المجموعة نفسها فهي 7.07. وعند قراءة هذين الرقمين معًا، فإنهما يصفان نموذجًا يقول في الغالب إنه لا يعرف — وهي خاصية لا تُقدَّر حق قدرها في وكيل على وشك اتخاذ إجراء، وخاصية سيئة في مساعد يُتوقع منه الإجابة عن الأسئلة.

حيث يخسر، وأحيانًا بشكل فادح

الجدول نفسه، مقروءًا بالاتجاه المعاكس.

• GPQA Diamond — 63.37، مقابل 80.40 لـ Qwen3.5-9B و65.15 لـ MiniCPM5-2B، وهو نموذج بحجم 2B يتفوق عليه

• Humanity's Last Exam، بدون أدوات — 7.17، مقابل 16.41 لـ Qwen3.5-9B

• RULER 128K — 65.56، مقابل 84.63 لـ Qwen3.5-4B و87.11 لـ Qwen3.5-9B

• AA-LCR الاستدلال بالسياق الطويل — 52.83، مقابل 62.00 لـ Qwen3.5-9B

• MCP-Atlas — 32.57، مقابل 41.37 لـ Qwen3.5-4B و42.67 لـ Qwen3.5-9B

• SWE-bench Verified — 43.40، مقابل 51.20 لـ Qwen3.5-9B

• Terminal-Bench 2.1 — 12.92، مقابل 17.98 لـ Qwen3.5-9B

يستحق صف RULER جملة خاصة به: فالنموذج الذي تكون مواصفته الرئيسية نافذة 256K هو أضعف مسترجع للسياق الطويل في جدول المقارنة الخاص به، ويتفوق عليه نماذج تعلن ربع ذلك. إن النافذة الطويلة والقدرة على العثور على شيء داخلها مهارتان منفصلتان، وقد حصل LFM3-1.7B على الأولى دون الثانية. وينبغي لأي شخص يخطط لتوجيهه إلى مستودع كبير أو عقد طويل أن يختبر ذلك الصف قبل الوثوق بورقة المواصفات.

MCP-Atlas وثنائي SWE-bench هما الدرس نفسه بصياغة مختلفة. LFM3-1.7B جيد في تشغيل أداة واحدة بعقد واضح. لكنه متأخر في العمل متعدد الخطوات ومتعدد الأدوات الذي صُممت أطر الوكلاء فعليًا من أجله، وأكثر تأخرًا عندما يتطلب العمل معرفة ما تفعله قاعدة الشيفرة.

ما تعنيه هذه الأرقام، وما لا تعنيه

كل رقم أعلاه يأتي من تشغيل التقييم الخاص بـ Liquid AI، الذي نُشر إلى جانب الإطلاق. المنهجية غير موجودة في الإعلان: لا إعداد لأداة الاختبار لكل اختبار، ولا بيان لعدد المحاولات التي جرى حساب متوسطها، ولا إشارة إلى ما إذا كانت النماذج المقارنة قد شُغّلت بواسطة Liquid أم نُقلت من بطاقاتها الخاصة. جدول من 27 صفًا بمالك واحد هو حجة، وليس قياسًا.

لا يوجد مدخل لـ LFM3-1.7B على Artificial Analysis حتى 28 أكتوبر، لذا لا يوجد رقم من طرف ثالث يُقارَن برقم المورّد. سيغيّر ذلك، وعندما يحدث فإن المقارنة الأكثر إفادة ستكون صفوف القدرات الوكيلية، حيث تكون هوامش المورّد أوسع وبالتالي أكثر ما يحتاج إلى رأي ثانٍ.

تفصيل واحد يسير في الاتجاه المعاكس ويستحق الإشادة. درّبت Liquid نقطة تحقق للتقطير واعية بالتكميم تحديدًا لاستعادة الدقة التي يكلّفها تكميم Q4_0، وتتيحها كملف GGUF منفصل. إن نشر أرقام النماذج الصغيرة عند الدقة التي سيستخدمها الناس فعليًا هو أكثر مما تفعله معظم الشركات، وهو يجعل أرقام 4-بت أكثر موثوقية بقليل مما لو كان التكميم لاحقًا.

تشغيله، والإعدادات المهمة

الأمر ذو السطر الواحد هو ollama run lfm3، والافتراضي بحجم 1.7 GB هو نقطة البداية الصحيحة على جهاز بسعة 16 GB. تعرض الصفحة أيضًا أربعة مشغّلات من سطر واحد تربط النموذج بمنظومة وكلاء قائمة — ollama launch claude --model lfm3، والنمط نفسه مع OpenCode وHermes Agent وOpenClaw. هذا أنفع شيء في الصفحة: فهو يعني أنه يمكن إدخال النموذج في حلقة وكيل تشغّلها بالفعل دون كتابة عميل، وهو حد أدنى مما تتجاوزه معظم إطلاقات النماذج المحلية.

يوجد على البطاقة ملفّا تعريف لأخذ العينات، وهما غير قابلين للتبادل: درجة حرارة 0.1 مع top_k 50 وعقوبة تكرار 1.1 للدردشة واستخدام الأدوات والوكلاء والبرمجة؛ ودرجة حرارة 1.0 مع top_p 0.95 و top_k 20 للرياضيات والعلوم. إن تشغيل ملف تعريف الوكيل على مسألة رياضية هو أكثر الطرق شيوعًا لجعل هذا النموذج يبدو أسوأ مما هو عليه في الواقع.

إذا كنت تسحب GGUF مباشرةً بدلاً من استخدام Ollama، فإن أحجام الملفات تنتظم على نحو مفيد. تبلغ نقطة تحقق QAD Q4_0 حجم 1.05 GB، وهي أصغر قليلاً من Q4_K_M البالغة 1.1 GB، وهي النسخة المدرّبة على الصمود أمام التكميم. يبلغ Q6_K حجم 1.43 GB وQ8_0 حجم 1.85 GB إذا توفرت المساحة الكافية؛ أما BF16 فحجمه 3.47 GB ونادراً ما يستحق ذلك بهذا الحجم.

الترخيص هو LFM Open License v1.0 — Apache 2.0 في جوهره، مع إضافة واحدة: الاستخدام التجاري مجاني إذا كانت الإيرادات السنوية أقل من 10 ملايين دولار، ويتطلب ترخيصًا مدفوعًا عند بلوغ هذا الحد أو تجاوزه. ويُحتسب هذا الحد إجمالًا على مستوى المجموعة المؤسسية، ويسري مع عمليات الضبط الدقيق (fine-tunes)، لذا لا يُفلت منه مشتق مُعاد تسميته. والمنظمات غير الربحية ومستخدمو البحث معفون بغض النظر عن الإيرادات. وإذا كنت قريبًا من هذا الحد، فاقرأ نص الترخيص بدلًا من ملخص، بما في ذلك هذا الملخص.

ماذا يعني ملف التعريف المنقسم بالنسبة إلى طريقة نشره

النموذج القوي في اتباع التعليمات والالتزام بعقود الأدوات، الضعيف في المعرفة البارامترية والاسترجاع من السياق الطويل، والرخيص بما يكفي ليعمل على حاسوب محمول، ليس مساعدًا عام الأغراض. إنه مُنفِّذ. والمعمارية التي تلائمه هي حلقة محلية — يقرر النموذج أي أداة يستدعي، ويصوغ الوسائط، ويلتزم بالمخطط — مع تسليم الخطوات المثقلة بالمعرفة والطويلة السياق حقًا إلى شيء أكبر.

هذا التقسيم هو الحالة التي يستحق فيها الراوتر مكانه، ويجدر بنا أن نكون دقيقين بشأن ما يغطيه OrcaRouter وما لا يغطيه هنا. إن LFM3-1.7B مفتوح الأوزان ويعمل على عتادك الخاص؛ وهو ليس ضمن كتالوجنا، ولا شيء في هذا المقال يمثل عرضًا عبر API خاصًا به. ما نقدمه هو النصف الآخر من التقسيم: مفتاح واحد عبر أكثر من 200 نموذج مستضاف لخطوة التصعيد، مع هامش ربح 0% على أسعار قوائم المزوّدين، وتحويل تلقائي عند تدهور أحد المزوّدين، ولغة DSL للتوجيه تجمع عدة نماذج في استدعاء واحد. النسخة العملية هي أن النموذج المحلي يبقى الافتراضي للحلقة، والاستدعاءات التي تحتاج معرفة فعلية تخرج عبر نقطة نهاية واحدة بدلًا من SDK ثانٍ وعقد ثانٍ.

إذا كنت تقيّم النموذج بدلًا من نشره، فإن التحويل عند الفشل هو الطريقة الأرخص لمعرفة ما إذا كان يصمد: وجّه شريحة من حركة المرور إليه، وأبقِ البديل الاحتياطي مُهيأً، وقارن على مهامك الخاصة بدلًا من جدول Liquid AI.

أسئلة يتركها الإطلاق دون إجابة

هل نسخة Ollama هي الشيء نفسه الذي هو ملف GGUF الخاص بـ Hugging Face؟

ليس بالضبط. الإعداد الافتراضي في Ollama بحجم 1.7 GB من فئة Q4 ويطابق ملف GGUF العام وليس نقطة التحقق المدركة للتكميم، وهي ملف منفصل بحجم 1.05 GB على Hugging Face مدرّب لاستعادة دقة Q4_0. تشير وسمة nvfp4 إلى نفس البصمة مثل :latest، لذا فهي ليست بناء NVFP4 رغم الاسم. إذا كانت جودة التكميم مهمة لمهمتك، فاسحب ملف QAD وشغّله مباشرة عبر llama.cpp.

هل يمكن للحاسوب المحمول استخدام نافذة 256K الكاملة؟

نادرًا. رقم ذاكرة التخزين المؤقت 1.6 GB الذي تنشره Liquid خاص بـ128K، وحجم ذاكرة التخزين المؤقت يتناسب مع النافذة، لذا فإن نافذة 256K الكاملة تحتاج تقريبًا إلى ضعف ذلك قبل احتساب الأوزان وبيئة التشغيل. على جهاز بسعة 16 GB، يكون السياق العملي في نطاق 32K إلى 64K هو السقف الواقعي؛ والأفضل قراءة النافذة الأكبر على أنها ادعاء بهامش احتياطي لنشرات الخوادم لا كقدرة على حاسوب محمول.

لماذا تختلف درجات الوكيل ودرجات المعرفة إلى هذا الحد الكبير؟

لأنهما يقيسان أشياء مختلفة، ولأن جولة التدريب فضّلت أحدهما. ركّزت مرحلة التدريب المتوسط النهائية البالغة 3.5T-token على الآثار الوكيلية واستدعاءات الأدوات، ثم أضاف التدريب اللاحق ضبطًا دقيقًا خاضعًا للإشراف على 1.75T tokens وتعلمًا معززًا عبر استخدام الأدوات والمخرجات المهيكلة. المعرفة الوسيطية هي ما يملك نموذج بحجم 1.7B أقل مساحة لتخزينه، ويشير تقسيم AA-Omniscience — دقة 7.07 مقابل 92.93 لعدم الهلوسة — إلى أنه دُرّب على الامتناع بدلًا من التخمين. هذا خيار تصميمي، وهو الخيار الصحيح للوكيل.

الحكم

LFM3-1.7B هو أول نموذج في فئة الأوزان هذه تكون فيه صفوف معايير الوكلاء هي سبب تنزيله لا مجرد حاشية. إذا كنت تبني وكيلاً محلياً يحتاج إلى استدعاء الأدوات بشكل موثوق، واتباع مخطط، والامتناع عن الإجابة بدلاً من اختلاقها، فهو الآن على بُعد أمر واحد، وملفه التعريفي يناسب المهمة. وإذا كنت تحتاج إلى نموذج يمتلك معرفة، أو يسترجع بدقة من مستند طويل، أو ينجز مهمة هندسية متعددة الخطوات، فإن الجدول يقول بصراحة إن عليك البحث في مكان آخر — ومواصفة 256K هي أقل بند جديرًا بالثقة فيه.

الرقم الذي يجب مراقبته ليس متوسط 49.37. بل ما إذا كانت تشغيلة مستقلة تعيد إنتاج هوامش الأداء الوكيلي، لأن تلك هي الصفوف التي يدّعي فيها نموذج بحجم 1.7B أنه يتفوق على نموذج بحجم 9B، والتي تملك فيها أداة الاختبار الخاصة بالبائع أكبر مجال لتجميل النتائج.