Ling-3.0-flash-base: الإصدار الهادئ لنقطة التفتيش من Ant Group، أصبح رسميًا الآن

رفع مختبر inclusionAI التابع لمجموعة Ant Group Ling-3.0-flash-base وخمسة نماذج شقيقة إلى Hugging Face في 11 أغسطس 2026 دون أي إعلان مصاحب، وظلت جميع المستودعات الستة عند صفر تنزيلات لمدة أسبوع كامل — ولا يبدو أن أحدًا خارج المختبر قد لاحظ ذلك. ثم، في 19 أغسطس، قدّم الحساب الرسمي للمختبر المجموعة علنًا، وتم تحديث كل بطاقة نموذج فيها خلال دقائق. هذه مقالة عن ما نعرفه حتى الآن بشأن هذا الإصدار. الخلاصة المختصرة: Ling-3.0-flash-base ليس نموذج محادثة، وليس من المفترض أن يكون كذلك. إنه النسخة الأساسية الخام قبل المواءمة لنموذج Ling-3.0-flash، نموذج خليط الخبراء الذي يضم 124 مليار معامل و5.1 مليار معامل نشط، مُتاح بموجب MIT لمن يريدون مواصلة تدريبه بدلًا من استخدامه.

الجدول الزمني: أسبوع من الصمت، ثم إعلان

التسلسل مهم، لأنه يخبرك بكيفية قراءة كل شيء آخر في هذا المقال. تم إنشاء المستودعات الستة جميعها في 11 أغسطس، أما أوزان Ling-3.0-flash-base — نقطة التحقق المدمجة، التي سُمي هذا المقال باسمها — فقد وصلت مع التزام «الإصدار الأولي للنموذج» في 12 أغسطس. لم يرافق ذلك أي منشور مدونة، ولا خيط في وسائل التواصل، ولا إعلان. وفي وقت البحث، بعد أسبوع، ما زال كل واحد من المستودعات الستة يعرض صفر تنزيلات.

انتهى هذا الصمت في 19 أغسطس. أعلن الحساب الرسمي لـ Ant Ling عن مجموعة نقاط التفتيش علنًا، وحُدِّثت بطاقات Hugging Face لجميع المستودعات الستة في غضون دقائق من بعضها البعض — الطوابع الزمنية متطابقة تقريبًا. لذا فإن التأطير الصادق هو: تم شحن الأوزان بهدوء، وجاء الإعلان متأخرًا بأسبوع، وكل ما هو معروف حاليًا عن الإصدار يأتي من بطاقات النماذج نفسها بالإضافة إلى مستودع قصير لكتاب الطبخ التدريبي. لم يتم التحقق من أي شيء آخر بشكل مستقل بعد.

ما الذي تم إصداره فعليًا: ست نقاط تفتيش، ثلاث مراحل تدريب

تصف InclusionAI الإصدار بأنه "مجموعة من نقاط التفتيش أثناء عملية التدريب" لسلسلة Ling-3.0، وهي عائلة نماذج الأساس اللغوي الأكثر كفاءة حتى الآن. بالنسبة لكل من أصغر حجمين — Ling-3.0-tiny و Ling-3.0-flash — نشر المختبر ثلاث نقاط تفتيش، واحدة لكل مرحلة تدريب:

• مدرب مسبقًا — Ling-3.0-flash-base-30T و Ling-3.0-tiny-base-30T: أكملا التدريب المسبق واسع النطاق؛ لا تدريب متوسط، لا دمج، لا تدريب لاحق.

• مدرب متوسطًا — Ling-3.0-flash-base-midtrain و Ling-3.0-tiny-base-midtrain: أكملا مرحلة التدريب المتوسط؛ بدون دمج نقاط التحقق وبدون تدريب لاحق.

• مدمج — Ling-3.0-flash-base و Ling-3.0-tiny-base: نقاط التحقق الأساسية المدمجة عبر WSM، المنتجة من الأوزان المدربة متوسطًا، وتمثل الحالة الأساسية النهائية قبل مرحلة ما بعد التدريب.

جميع النماذج الستة هي نقاط تفتيش أساسية. لم يمر أي منها بمرحلة المحاذاة — الضبط الدقيق الخاضع للإشراف، وتحسين التفضيلات، والتعلم المعزز — التي تحوّل النموذج الأساسي إلى شيء يمكنك وضعه أمام المستخدمين. توضح بطاقة النموذج ذلك بعبارات صريحة: غير موصى به للنشر المباشر في الدردشة مع المستخدمين النهائيين، أو للتطبيقات الحرجة المتعلقة بالسلامة دون محاذاة وتقييم إضافيين، أو للاستخدام في الإنتاج دون تدريب لاحق والتحقق الخاص بمهمة محددة.

ما هي نقطة التحقق الأساسية — ولماذا يهمّ تحوّر WSM

إذا كنت قد استخدمت النماذج فقط عبر واجهة برمجة التطبيقات (API)، فقد يبدو لك "نقطة التحقق الأساسية" (base checkpoint) وكأنه نسخة أصغر أو أقدم من نموذج تعرفه بالفعل. لكنه ليس كذلك. نقطة التحقق الأساسية هي ملف أوزان الشبكة العصبية غير المحاذى الناتج عن مرحلة ما قبل التدريب؛ أما سلوك اتباع التعليمات واستدعاء الأدوات الذي تستخدمه فعليًا فيُضاف فوقه لاحقًا. إن إصدار نقاط التحقق الأساسية هو الطريقة التي يسلّم بها المختبر للمجتمع البحثي المادة الخام لإجراء ما قبل التدريب المستمر، والضبط الدقيق، والتقطير، والتعلم المعزز (RL) الخاصة به.

ما الذي يجعل هذا الإصدار أكثر إثارة للاهتمام من التفريغ النموذجي للأوزان الأساسية هو وصفة التدريب وراءه. تستخدم InclusionAI تقنية تسميهاWarmup-Stable and Merge (WSM)، وهي تستبدل التخفيض التقليدي لمعدل التعلم في نهاية التدريب بدمج نقاط التحقق الموزونة. بعبارة بسيطة: بدلاً من ترك معدل التعلم ينخفض تدريجياً لإنهاء التشغيل، يقوم المختبر بالتدريب بمعدل ثابت، ويحفظ نقاط التحقق على طول المرحلة النهائية، ويدمجها بالأوزان المتعلمة. دوافع البائع المذكورة، من بطاقة النموذج:

• نظرًا لعدم وجود مرحلة اضمحلال لـ"ترسيخ" مزيج البيانات النهائي، فإن النموذج الأساسي الناتج أكثر ملاءمة لـمواصلة التدريب المسبق والتوسع الديناميكي للبيانات.

• نظرًا لأن وصفة الدمج يمكن استكشافها دون اتصال، يمكن للفريق مقارنة ملفات تعريف الانحلال المختلفة دون إعادة تشغيل عملية التدريب المكلفة لكل منها.

النقطة الثانية هي ما يجعل هذا الإصدار أداة بحثية وليست مجرد فضول: المغزى الكامل من نقاط التفتيش هذه هو أنها مُعدّة للتدريب عليها لاحقًا، والمنهجية مصممة لتحمّل ذلك.

ما الذي يوجد داخل Ling-3.0-flash-base؟

البنية مطابقة لنموذج Ling-3.0-flash المُدرَّب بعد التدريب، والذي ينبغي أن يكون مألوفًا من التغطية الواسعة لذلك النموذج. من بطاقة النموذج وconfig.json:

• الحجم — وفقًا للمورّد، إجمالي المعاملات يبلغ 124B (نقطة التحقق الكاملة على القرص، بما في ذلك التضمينات، تبلغ حوالي 127B على Hugging Face)، مع 5.1B مُفعَّل لكل توكين.

• التناثر — نموذج MoE متناثر بنسبة 1/64: 512 خبيرًا موجَّهًا، مع تفعيل 8 خبراء موجَّهين وخبير مشترك واحد لكل رمز.

• الانتباه — تصميم هجين-خطي أصيل: 35 طبقة من Kimi Delta Attention (KDA) و7 طبقات Gated MLA بنمط تكرار 5:1 عبر 42 طبقة محول.

• السياق — يحمل الإعداد تضمينًا موضعيًا لـ 256K رمزًا (262,144)، وهو نفس السياق الأصلي للنسخة الشقيقة بعد التدريب الإضافي.

• الأوزان — بصيغة BF16، مُقسَّمة إلى 28 شظية safetensors (~255 جيجابايت على القرص)، مع كود النمذجة المخصص bailing_hybrid المضمّن في المستودع.

• الترخيص — MIT، دون أي قيود استخدام إضافية.

تحذير صريح واحد بشأن رقم الحجم: بطاقة نموذج البائع تقول "Total 124B"، وهذا هو الرقم المتداول في كل مكان — لكن إجمالي عدد معاملات safetensors في المستودع يبلغ حوالي 127.5B عند تضمين طبقة التضمين. رقم 124B هو الإجمالي غير المشتمل على التضمين، والرقمان ليسا متعارضين؛ ومن الجدير معرفة أيّهما تنظر إليه عندما ترى "127B" في شريط جانبي أو في أداة تنزيل.

فيما يُستخدم، وفيما لا يُستخدم

حالات الاستخدام الموصى بها في بطاقة النموذج لا لبس فيها:

• التدريب المسبق المستمر

• منتصف التدريب

• الضبط الدقيق الخاضع للإشراف لتكييف المجال

• تحسين التفضيلات والتدريب اللاحق بتعزيز التعلم

• أبحاث التقطير

• أبحاث الأنظمة ذات السياق الطويل وMoE

وقائمته "غير الموصى بها كما هي" واضحة بنفس القدر: النشر المباشر للمحادثة للمستخدم النهائي، والتطبيقات الحرجة للسلامة دون مواءمة، والاستخدام الإنتاجي دون تدريب لاحق. بمعنى آخر، هذه مادة خام للأشخاص الذين يدربون النماذج، وليس نموذجًا ينشره الناس. إذا لم تكن لديك خطط لضبط دقيق أو تدريب مسبق لأي شيء، فلا يوجد شيء لتنزيله هنا — ولا حرج في ذلك.

النصف الآخر من القصة هو القابل للتوسّع بسلاسة من ناحية التصميم. وتفيد InclusionAI بأنّ Ling-3.0-tiny-base وLing-3.0-flash-base يتشاركان نفس وصفة التدريب، وبالتالي يمكن للمجتمع التحقق أولًا من استراتيجية استمرار التدريب المسبق أو الضبط الدقيق على نقطة التفتيش الصغيرة — التي تحتاج إلى ذاكرة GPU أقل بكثير — ثم توسيع نطاق نفس الوصفة المُتحقَّق منها إلى نقطة التفتيش flash الأكبر. وهذا خيار مقصود في سير العمل، وليس مجرد مصادفة في عملية الإصدار، وهو الخاصية الأكثر فائدة في هذه المجموعة لأي شخص يريد فعلًا إجراء التجارب.

واقع الأجهزة، والطريق الذي يريده معظم الناس فعليًا

لا مفرّ من حجم الأوزان الأساسية لفلاش. حجم BF16 البالغ حوالي 255 جيجابايت يعني عقدة متعددة وحدات GPU جادة (أو إعداد تدريب مُحسَّن للذاكرة) قبل أن تبدأ حتى؛ لا يوجد تكميم رسمي FP8 أو FP4 لنقطة التحقق الأساسية — النسخ المكمّمة الموجودة في كتالوج المنظمة مخصّصة لنموذج ما بعد التدريب. أمثلة الضبط الدقيق موجودة في inclusionAI/ling-cookbook، مستودع GitHub، وهو صراحةً عمل قيد التطوير. إذا لم تكن مواصلة التدريب المسبق محط تركيز فريقك، فإن نقاط التحقق الأساسية ليست نقطة دخولك.

معظم الأشخاص الذين يقرؤون عن عائلة Ling-3.0 لا يريدون نقطة تحقق أساسية على الإطلاق — بل يريدون النموذج الذي يتحدث. هذا هو النموذج الذي خضع للتدريب اللاحق، Ling-3.0-flash، المتاح عبر API الخاصة بالبائع والعديد من المنصات الخارجية. عندما يظهر نموذج سريع جديد مفتوح الأوزان مثل هذا، فإن أرخص طريقة لتقييمه مقارنةً بمجموعتك التقنية الحالية هي تشغيله جنبًا إلى جنب مع ما تستخدمه بالفعل — وهذا بالضبط ما صُمم من أجله الراوتر: API واحدة، ومفتاح واحد، وتجاوز تلقائي للفشل بحيث لا يؤدي تعطل المزود إلى إنهاء التجربة. يتصل OrcaRouter بأكثر من 200 نموذج بهذه الطريقة ويمرر أسعار المزودين الرسمية كما هي بهامش ربح 0%، لذا فإن السعر الذي تراه هو سعر المزود نفسه، وتصلنا تخفيضات المزود في اليوم نفسه.

ما لم يتم تأكيده بعد

نظرًا لأن هذا الإصدار يبلغ من العمر يومًا واحدًا من حيث الإعلان، فإن القائمة غير المؤكدة طويلة وينبغي قراءتها على أنها قائمة مهام، وليس انتقادًا.

• لا توجد معايير مستقلة لنقطة التحقق الأساسية. تتضمن بطاقة النموذج مخطط معايير من المورّد يقارن Ling-3.0-flash-base مع النماذج المناظرة المدربة مسبقًا عبر مجموعات الرياضيات والبرمجة والاستدلال وتعدد اللغات والسياقات الطويلة — لكنه تقييم المورّد الخاص، مستضاف على خادم صور داخلي، دون قسم للمنهجية ودون إعادة إنتاج من طرف ثالث.

• لا توجد إعادة إنتاج مجتمعية بعد. حتى وقت إجراء البحث، أظهرت جميع المستودعات الستة صفر تنزيلات ولا تفاعل يُذكر تقريبًا. الإصدار جديد جدًا بحيث لم ينشر أي شخص ضبطًا دقيقًا مستقلًا أو عملية تدريب مسبق متواصل على هذه الأوزان.

• الأدوات ما زالت مبكرة.البنيةbailing_hybridتصدر مع كود نمذجة مخصص، لذا فأنت تعتمد على trust_remote_code أو على إطار عمل أضاف الدعم. كتاب الضبط الدقيق هو صراحةً قيد التطوير.

• الإعلان نفسه هزيل. أما الطرح العام فقد جاء عبر سلسلة تغريدات على X وبطاقات النموذج؛ إذ لا توجد وثيقة إطلاق مستقلة تصف بيانات التدريب أو القدرة الحاسوبية أو الوصفة الدقيقة للدمج بما يتجاوز ما تنص عليه البطاقات.

على النقيض من ذلك، فإن النموذج الشقيق المُدرَّب تدريبًا لاحقًا لديه سجل مستقل: Ling-3.0-flash يتم تتبعه بواسطة Artificial Analysis بمؤشر ذكاء يبلغ 38 — وهو رقم يأتي من لوحة الصدارة، وليس من البائع. لا يوجد أي من ذلك حتى الآن لـ Ling-3.0-flash-base؛ لا يتم تقديم نقطة تفتيش أساسية في أي مكان، لذا فهي ليست على أي لوحة صدارة. النموذجان في مراحل مختلفة تمامًا من التحقق، ومن المفيد عدم الخلط بينهما.

من يجب أن يتحرك الآن؟

ثلاث مجموعات يجب أن تقرأ هذا بشكل مختلف:

• الباحثون الذين يجرون تدريبًا مسبقًا مستمرًا، أو ضبطًا دقيقًا للمجال (SFT)، أو تقطيرًا — هذا هو الإصدار المناسب لك. نقطة التحقق الأساسية WSM-merged مصممة خصيصًا لتُدرَّب بشكل إضافي، ووصفة tiny-then-flash تمنحك طريقة رخيصة للتحقق من النهج قبل توسيعه. ابدأ بـ Ling-3.0-tiny-base، تحقق من الوصفة، ثم انتقل إلى Ling-3.0-flash-base.

• المهندسون الذين يريدون نموذجًا يعمل — أنت تريد نسخة Ling-3.0-flash التي خضعت للتدريب اللاحق، وليس هذا الإصدار. نقاط التفتيش الأساسية لن تتبع التعليمات ولا تُقدَّم في أي مكان؛ لا توجّه إليها أي عميل API.

• أما البقية — فالخطوة المفيدة هي المراقبة. الإشارات المثيرة للاهتمام خلال الأسابيع القليلة القادمة هي أول ضبط دقيق مستقل مبني على هذه الأوزان، وإعادة إنتاج مجتمعية لمخطط معايير البائع، وما إذا كانت حزمة تدريب من طرف ثالث تضيف دعمًا من الدرجة الأولى لـbailing_hybrid البنية.

الأسئلة الشائعة

ما الفرق بين Ling-3.0-flash-base وLing-3.0-flash؟

Ling-3.0-flash هو نموذج ما بعد التدريب — المتوافق مع الضبط الدقيق الخاضع للإشراف والتعلم المعزز، ويتبع التعليمات، ويقوم باستدعاء الأدوات، ويُقدَّم عبر واجهات برمجة التطبيقات.Ling-3.0-flash-base هو نفس البنية في مرحلة مبكرة: إنه نقطة التفتيش الأساسية المدمجة النهائية قبل أي تدريب لاحق، ولن يتصرف كنموذج محادثة. توجد النسخة الأساسية ليتمكن الباحثون من إجراء التدريب المسبق المستمر أو الضبط الدقيق أو التقطير بأنفسهم بدلاً من البدء من الصفر.

لماذا قد ينشر مختبر نقاط فحص لم تخضع للتدريب اللاحق؟

لأن التدريب اللاحق هو بالضبط ما يريد معظم الباحثين القيام به بأنفسهم، ونقطة التحقق الأساسية هي نقطة البداية الصحيحة لذلك. إن إصدار نقاط التحقق المدربة مسبقًا والمدرّبة في مرحلة متوسطة والمدمجة بشكل منفصل يعني أن الفريق يمكنه اختيار المرحلة التي تناسب عمله: مواصلة التدريب المسبق من الوزن المدرب مسبقًا، أو الضبط الدقيق والتعلم المعزز (RL) من القاعدة المدمجة — وبفضل WSM، دون قيود انحدار معدل التعلم التي تجعل النموذج الأساسي هشًا عند تدريبه أكثر.

هل يمكنني تشغيل Ling-3.0-flash-base على أجهزة المستهلكين؟

ليس عمليًا. تبلغ أوزان BF16 حوالي 255 غيغابايت موزعة على 28 شريحة، دون وجود نسخة مكمّمة رسمية من نقطة التفتيش الأساسية. أمّا الشقيق الأصغر، Ling-3.0-tiny-base، فهو المخصّص للتجارب على أجهزة أكثر تواضعًا — ويتشارك وصفة تدريب نقطة تفتيش الفلاش، لذا فإن التجارب المُتحقَّق منها قابلة للتوسيع.

هل استخدام Ling-3.0-flash-base مجاني للأغراض التجارية؟

Yes — it is released under the MIT license with no acceptable-use rider. That covers both research use and, in principle, commercial use of the weights and of any fine-tunes built from them. It is a base checkpoint, so "use" here means training on it; the license says nothing about a hosted API, because none exists for the base model.

خلاصة القول

For most readers, Ling-3.0-flash-base is a pointer, not a product: it tells you where the Ling-3.0 family is headed and how the lab intends the community to build on it, but there is nothing here to call through an API. For the smaller group actually doing continued pre-training, fine-tuning, or distillation, it is a genuinely useful release — six checkpoints, MIT-licensed, deliberately designed to be trained on further, with a tiny-first path that makes experimentation affordable. What would move it from "useful release" to "proven recipe" is exactly what is missing today: an independent reproduction, by someone outside the lab, of what WSM checkpoints can do when somebody keeps training them.