RWKV-7 (Goose): داخل طلب السحب الذي سيحمّله أخيرًا في Transformers

النموذج الأكثر تنزيلاً من RWKV على Hugging Face الشهر الماضي لم يكن RWKV-7 (Goose)، البنية التي وفّرها المشروع منذ مارس 2025، ولم يكن RWKV7-G1، سلسلة الاستدلال المدرّبة فوقه. بل كان RWKV/rwkv-4-169m-pile: نقطة تحقق من RWKV-4 بمعاملات يبلغ عددها 169 مليوناً تعود إلى مايو 2023، مع 8,824 عملية تنزيل خلال الثلاثين يوماً حتى 5 أغسطس 2026، مقابل 215 لإصدار 1.5B من RWKV-7 Goose World-3 و316 لإصدار 2.9B. نموذج 2023 ليس أفضل. إنه النموذج الذي يُحمَّل باستدعاء from_pretrained بسيط دون تثبيت أي شيء آخر.

في 4 أغسطس 2026، فتح مساهمٌ يدعى Hakureirm طلب سحب رقم #47780 ضد huggingface/transformers، بعنوان "Add RWKV-7 (Goose)". وحتى 5 أغسطس، يظل الطلب مفتوحًا دون مراجعة أو دمج، وهو المحاولة الثانية — إذ رُفض اقتراح سابق، رقم #46984. لم يُدمج شيء، ولا ينبغي قراءة هذا المقال كإعلان إصدار. لكن الفرق (diff) علني، ويعالج أكثر الأمور إملالًا والأعظم أثرًا فيما يفصل أطول سلالة مستمرة من نماذج اللغة الكبيرة الخالية من الانتباه عن الحزم التقنية التي تستخدمها معظم الفرق فعليًا: أداة تحميل (loader).

ما يلي يفصل بين ثلاثة أنواع من الادعاءات، لأن التغطية المتعلقة بـ RWKV عادةً ما تخلط بينها. هناك ما يمكن التحقق منه فعليًا في طلب السحب (pull request) وعلى Hub، ويمكنك التحقق منه بنفسك. وهناك ما يبلغه مشروع RWKV عن نماذجه الخاصة، بناءً على تقييماته الخاصة. وهناك أيضًا مجموعة كبيرة من الأسئلة التي لم يُجب عنها أحد علنًا، وهو المكان الذي يقع فيه معظم الخطر المثير للاهتمام.

ما الذي يوجد فعليًا في طلب السحب؟

الحقائق الميكانيكية، المقروءة من صفحة طلبات السحب وواجهة برمجة تطبيقات GitHub في 5 أغسطس 2026:

• النطاق — ثلاثة التزامات، و12 ملفًا تم تغييرها، و4,423 سطرًا تمت إضافتها، وصفر سطر محذوف، من الفرع add-rwkv7-upstream إلى huggingface:main. تحمل وسم "New model". لا مُعيَّن، ولا معلمة.

• ماذا يضيف — RWKV-7 كفئتين عامتين، Rwkv7Model و Rwkv7ForCausalLM، بالإضافة إلى Rwkv7Cache المبني على LinearAttentionLayer الخاص بالمكتبة. يمكن ضبط dtype الخاص بحالة WKV بشكل مستقل عن dtype الخاص بالنموذج، وهو أمر مهم لأن الحالة المتكررة هي المكان الذي يتراكم فيه الانحراف الرقمي في هذه العائلة.

• كيفية التشغيل— نسخة محمولة من PyTorch بلا أي تبعية لبيئة تشغيل من جهة خارجية. تستخدم مرحلة التعبئة المسبقة (prefill) صيغة تكرار متوازية على مستوى الكتل؛ بينما تعمل مرحلة فك الترميز (decode) عبر مسار تسلسلي لرمزٍ واحد. تتبع أسماء المعاملات التنفيذ المرجعي الأصلي لـ RWKV بدلاً من إعادة تسميتها لتبدو بصيغة المحولات (transformer).

• نهج الاختبار — بالإضافة إلى خلطات النموذج القياسية، يتضمن اختبارًا تكامليًا يطابق وقت تشغيل BlinkDL نفسه رمزًا برمز، إلى جانب تطبيق مرجعي بـ NumPy لا يشارك أي كود مع ملف النمذجة. ويُبلغ بوت ملخص CI للمستودع عن آخر تشغيل كنجاح: 16 وظيفة، 179,151 اختبارًا، صفر حالات فشل، 16 ساعة و9 دقائق من الحوسبة.

• أين يقف الأمر— تم طلب مراجعة من ArthurZucker وRocketknight1؛ وتذكر الصفحة أنه يلزم موافقة مراجعة واحدة على الأقل للدمج، ولم تُقدَّم أي منهما. ولا يزال واجهة برمجة تطبيقات GitHub تصف حالة الدمج بأنها "غير مستقرة" عندما قرأناها، وقد طلب روبوت موجَّه للمشرفين تشغيل مجموعات الاختبار البطيئة (auto وrwkv7) قبل الدمج. بعبارة أخرى: النتيجة خضراء في التكامل المستمر السريع، ولكنها لم تُعتمد بعد من قبل إنسان.

الجزء الأكثر إثارة للاهتمام في الوصف هو التنازل. المحاولة السابقة، #46984، رُفضت لأن نقاط فحص RWKV-7 المنشورة لم تتبع اصطلاحات Transformers، وصياغة المؤلف نفسه هي أن "ذلك الاعتراض كان صحيحًا." المشكلة، كما هو موضح في الـPR، هي أن أوزان RWKV-7 على Hub تأتي بشكلين غير قابلين للاستخدام من قبل المكتبة:

• مستودعات PTH — ملفات .pth خام، بدون safetensors. لا يمكن لتنفيذ مكتبة تحميلها، وملفات pickle الخاصة بـ PyTorch هي بالضبط ما سترفضه مراجعة أمنية في شركة كبيرة.

• مستودعات HF — تتضمن هذه المستودعات ملف model.safetensors، لكن كلًّا منها يتضمن أيضًا ملف modeling_rwkv7.py وauto_map، لذا يتطلب تحميل أيٍّ منها تفعيل trust_remote_code. وهذا يعني تنفيذ كود عن بُعد كشرطٍ للاستدلال، ولهذا السبب تتوقف العديد من قوائم التحقق المؤسسية عند هذه النقطة.

إذًا هذا الطلب (PR) يقوم بمهمتين في آن واحد. فهو يضيف ملفًا للنمذجة، ويشير إلى مجموعة جديدة من التحويلات المصنوعة مباشرةً من إصدارات BlinkDL .pth الرسمية التي تتبع التخطيط القياسي — safetensors فقط، بدون pickle، بدون كود عن بُعد، مع ملف config.json عادي يحمل البنيات وmodel_type — وتغطي نطاقًا من 0.1B إلى 7.2B. أصغرها، Hakureirm/rwkv7-168m-pile-hf، تم التحقق من جميع موتراته البالغ عددها 399 بأنها مطابقة بتًا-بتًا للمصدر .pth بدلًا من الفحص العشوائي. هذا checkpoint هو نموذج Pile، لذا فإن مُرمّزه (tokenizer) هو مُرمّز GPT-NeoX-20B السريع المعتاد وليس مفردات RWKV World — وهو نفس السبب الذي يجعل صفحة RWKV الحالية في المكتبة توثّق checkpoint من Pile أيضًا.

لماذا يتفوق checkpoint من عام 2023 على البنية الحالية في عدد التنزيلات؟

مكتبة Transformers في الإصدار 5.14.1، الذي صدر في 16 يوليو 2026. ابحث في توثيقاتها عن RWKV وستجد صفحة نموذج واحدة فقط، تصف «نموذج RWKV (الإصدار 4)» الذي أُدرج قبل سنوات، مع RWKV/rwkv-4-169m-pile كمثال ومفردات افتراضية تضم 50,277 رمزًا. لا توجد صفحات لـ RWKV-5 أو RWKV-6 أو RWKV-7. لقد صدرت ثلاثة أجيال معمارية منذ كتابة دعم RWKV في المكتبة، ولا يوجد أي منها فيها.

أرقام التنزيل تُظهر ما فعله النظام البيئي حيال ذلك: لقد التفّ حول المكتبة. مرتبة حسب التنزيلات في آخر 30 يومًا، المستودعات الأعلى لـ RWKV-7 هي إصدارات BlinkDL الخام بصيغة .pth (rwkv7-g1 بـ 8,288 وrwkv-7-world بـ 4,489) وطبقة كثيفة من تكميمات GGUF من المجتمع لنموذج G1 بحجم 13.3B — عدة رافعين منفصلين، كلٌّ يحقق من ألف إلى ثلاثة آلاف تنزيل شهريًا. المرايا الرسمية بصيغة transformers أقل بمرتبتين من حيث الحجم من الأوزان الخام. مرآة flash-linear-attention لنموذج G1 بحجم 2.9B تحقق 1,843 تنزيلًا.

هذا النمط له تفسير بسيط. قامت llama.cpp بدمج دعم RWKV v7 في 17 مارس 2025 — نواة GGML_OP_RWKV_WKV7 مع خلفيات CPU وCUDA وSYCL وVulkan وMetal — بعد حوالي يوم من نشر الورقة. إذا أردت تشغيل RWKV-7 على جهازك الخاص، كان المسار السريع هو GGUF، وما زال كذلك منذ ستة عشر شهرًا. أما المسار الذي لم يكن موجودًا فهو ما يفترضه كل سكربت ضبط دقيق، وكل محول PEFT، وكل منصة تقييم، وكل غلاف خدمة داخلي: AutoModelForCausalLM.from_pretrained، دون أي خيارات.

ما هو RWKV-7 (Goose) في الحقيقة

RWKV-7 هي شبكة عصبية متكررة، وليست محوّلًا بنواة انتباه أرخص، ويُسبب هذا الاسم ارتباكًا دائمًا لدى الناس. إنها تحمل حالة ذات حجم ثابت عبر التسلسل بدلًا من تخزين مؤقت متزايد للمفاتيح والقيم السابقة. عمليًا، مقارنةً بنموذج انتباه قياسي:

• الذاكرة مع نمو السياق — تزداد ذاكرة التخزين المؤقت KV الخاصة بالمحول خطيًا مع عدد التوكنات قيد المعالجة؛ أما RWKV-7 فيحتفظ بحالة يكون حجمها محددًا بالبنية وليس بالمحادثة. هذه هي حجة الكفاءة بأكملها.

• التكلفة لكل رمز — تزداد تكلفة الانتباه لكل رمز مع امتداد السياق؛ لكن تكلفة الاستدلال لكل رمز في RWKV-7 ثابتة، ولهذا السبب يظهر باستمرار في مقترحات الحوسبة الطرفية والبث الدائم.

• شكل التدريب — على عكس الشبكة العصبية المتكررة التقليدية (RNN)، فإن التكرار قابل للموازاة عبر شريحة، لذلك لا يتدهور التدريب المسبق إلى عملية تسلسلية بطيئة. هذا ما ينفذه مسار التعبئة المسبقة المتوازي عبر الشرائح في طلب السحب (PR).

• سقف السياق — لا توجد ذاكرة تخزين مؤقت قد تُستنفَد، لذا يسوّق المشروع سياقًا غير محدود فعليًا. وما لا يمكن لحالة ثابتة فعله هو الاحتفاظ بتفاصيل غير محدودة، وهذا قيد حقيقي لا مجرد حاشية.

الادعاء المعماري في الورقة البحثية المنشورة في 18 مارس 2025 بقلم بو بنغ ويو تشانغ وسونغلين يانغ ورويتشونغ تشانغ ضمن مشروع RWKV التابع لمؤسسة LF AI & Data، يتمثل في قاعدة دلتا معممة مع بوابة متجهية القيمة، ومعدلات تعلم ضمن السياق، وقاعدة استبدال قيمة ميسّرة، بالإضافة إلى شبكة إدراك متعدد الطبقات (MLP) مبسطة (مع حذف مصفوفة البوابة وتوسيع البعد المخفي للتعويض). أما النتيجة النظرية المرتبطة بها فتمثل الشق الأكثر إثارة للجدل: إذ يمكن لـ RWKV-7 أداء تتبع الحالة والتعرف على جميع اللغات النظامية مع بقائه قابلًا للتوازي في التدريب، وهو ما يرى المؤلفون أنه يفوق ما يمكن للمحولات (Transformers) تحقيقه في ظل الفرضيات المعيارية للتعقيد الحسابي.

كل شيء مرخّص بموجب Apache 2.0. العائلة التي يمكنك تنزيلها تعمل بإصدارات 0.1B (12 طبقة، عرض 768)، و0.4B (24 / 1024)، و1.5B (24 / 2048)، و2.9B (32 / 2560)، و7.2B (32 / 4096)، و13.3B (61 طبقة، عرض 4096)، وجميعها بمفردات World المكونة من 65,536 رمزًا وحجم رأس 64. تم تدريب سلسلة World الأساسية على مجموعة لغات متعددة مكونة من 3.1 تريليون رمز؛ وتواصل سلسلة G1 "GooseOne" هذا التدريب على World v3.5، وهي مزيج موسّع يتكون من 5.16 تريليون رمز مع المزيد من الروايات ونصوص الويب والرياضيات والبرمجيات وبيانات الاستدلال. تضيف نقاط تفتيش G1 وضع تفكير بوسم think-tag، واستدعاء دوال JSON، وملء الفراغ في المنتصف بدءًا من G1c فصاعدًا. التسمية محرجة حقًا: G0 تعني أقل من حقبة واحدة، وG1 تعني أكثر من حقبة، والأحرف اللاحقة تشير إلى مراجعات البيانات، حيث تحمل الأحرف اللاحقة بيانات أفضل.

الأرقام، ولمن هي أرقام

هذه هي الحالة الصادقة للأدلة. الادعاء الرئيسي في المعيار — أن نموذج 2.9B حقق أحدث أداء لفئة 3B في المهام متعددة اللغات، وطابق أحدث أداء لفئة 3B في اللغة الإنجليزية بعدد أقل بشكل كبير من رموز التدريب — هو ادعاء الورقة نفسها، نُشر في مارس 2025 وتَمّ تقييمه مقابل نماذج 3B في تلك الفترة. وقد خضع لعملية مراجعة في OpenReview، وهي أكثر تدقيقًا مما تحصل عليه تدوينة بائع، لكنه ما يزال نتيجة معلنة ذاتيًا على مجموعة مقارنة عمرها خمسة عشر شهرًا.

القياس العام الآخر للمشروع، UncheatableEval، أكثر إثارة للاهتمام من مجرد صف في لوحة المتصدرين، ولا يحظى بأي تغطية تقريبًا. فبدلاً من تقييم معايير الاختيار من متعدد التي تتسرب إلى مجموعات التدريب، فإنه يقيس نسبة الضغط على بيانات لم تكن موجودة وقت تدريب النموذج: أوراق arXiv جديدة، ومستودعات GitHub حديثة، وآخر الأخبار. هذا التصميم يجعل التلوث أصعب بكثير، وتذكر RWKV أنها تحقق أداءً منافسًا لمحولات بنفس الحجم في هذا المقياس. ومع ذلك، فإنه لا يزال تقييمًا يُجريه المشروع على نفسه.

ما لا يوجد، بقدر ما نستطيع أن نجد، هو درجة مؤشر مستقلة من طرف ثالث لأي نقطة تفتيش من RWKV-7 — لا يوجد مجمّع محايد وضع 7.2B أو 13.3B في منصة التقييم التي يشغّلها على النماذج الحدودية. لذا فإن المقارنات التي قد تراها مع نماذج مثل DeepSeek V4 Flash أو Qwen3.8-Max هي أخطاء تصنيفية مرتين: لا أحد شغّل RWKV-7 على نفس التقييم، وشبكة RNN كثيفة بحجم 13.3B لا تتنافس على نفس العمل الذي يقوم به نظام حدودي. الادعاء الذي يمكن الدفاع عنه أضيق وأكثر فائدة: من 1.5B إلى 13.3B، بذاكرة ثابتة، في نحو اثنتي عشرة لغة، بأوزان متساهلة.

تشغيل RWKV-7 اليوم، وما الذي يكلفك ذلك

صفحة Hub لنموذج RWKV/RWKV7-Goose-World3-1.5B-HF هي لقطة جيدة للاحتكاك الحالي. إنه نموذج BF16 بمعاملات 1.52B مع مُرمّز RWKV World، ورخصة Apache 2.0، موسوم بـ custom_code، ويدرج اللغات الإنجليزية والصينية واليابانية والكورية والفرنسية والعربية والإسبانية والبرتغالية. تخبرك تعليماته بتثبيت flash-linear-attention ونسخة حديثة من transformers قبل التحميل. وفي الشريط الجانبي، حيث يُظهر النموذج المستضاف المزودين، مكتوب بوضوح: هذا النموذج غير مُنشر من قبل أي مزود استدلال.

إذن جميع خياراتك اليوم خدمة ذاتية:

• flash-linear-attention plus trust_remote_code — أقرب إلى الاستخدام العادي للمركز، لكنك تنفّذ كود المستودع وتستدعي نوى Triton، مما يقيّدك في العتاد وفي أي شيء يخضع لمراجعة أمنية.

• GGUF عبر llama.cpp — المسار الأكثر دعمًا من الناحية العملية، بما في ذلك للنسخة 13.3B، وهو المسار الذي تُظهر أرقام التنزيل أن الناس يلجؤون إليه فعليًا. ممتاز للاستدلال المحلي، وليس مسارًا للتدريب أو الضبط الدقيق.

• بيئة التشغيل الخاصة بالمشروع — حزمة rwkv pip والمستودع المرجعي، الأقرب إلى النسخة المعتمدة، والأبعد عن الأدوات التي يمتلكها فريقك بالفعل.

لا شيء من تلك الخيارات هو واجهة برمجة تطبيقات يمكنك استدعاؤها، ومن الجدير أن نكون صريحين بشأن ما يعنيه ذلك: RWKV-7 غير متاح على OrcaRouter، لأنه ليس نقطة نهاية مستضافة في أي مكان نجده. إذا أردت استخدام RWKV-7، فعليك تشغيله بنفسك. ما يمكننا قوله بصدق هو أين يترك ذلك بقية الحزمة التقنية. تقييم بنية غير مثبتة لا يكون رخيصًا إلا إذا لم يعتمد مسار إنتاجك على النتيجة، وأرخص طريقة للحفاظ على ذلك هي ألا يكون لديك تكامل منفصل لكل مزوّد لأي شيء آخر — مفتاح واحد متوافق مع OpenAI عبر أكثر من 200 نموذج، وسعر المزوّد المعلن يُمرَّر مباشرةً بهامش ربح 0%، وتحويل احتياطي تلقائي عندما يتدهور أداء مزوّد. عندها، تكون تجربة RWKV-7 المستضاف ذاتيًا على عبئَي العمل اللذين تدفع فيهما الذاكرة الثابتة ثمنها فعليًا — بث طويل الأمد، ومساعد على الجهاز، وملخِّص لا يتوقف أبدًا — تجربةً، لا عملية ترحيل. هذا هو الشكل الذي ينبغي لمعظم الفرق أن ترغب به هنا: مسار افتراضي موجَّه، ونموذج قائم على الحالة يثبت جدارته في مهمة محددة.

ما الذي قد يمنع هذا الهبوط بعد؟

خذ السابقة على محمل الجد: اقتراح إضافة هذه البنية نفسها رُفض مرة واحدة من قبل، لأسباب يُقرّ المؤلف بأنها وجيهة. أما الجديد فهو أقوى حجةً وأفضل اختبارًا، ومع ذلك فهو لا يزال PR مجتمعيًا ضد مستودع يتحفظ عمدًا عن قبول بنى سيضطر بعد ذلك إلى صيانتها إلى الأبد.

الأسئلة المفتوحة المحددة التي نود الإجابة عليها قبل اعتبار هذا مكتملاً:

• مراجعة، ليست CI — مجموعات الاختبارات الآلية خضراء؛ تم سؤال اثنين من المشرفين ولم يوافق أي منهما. يتطلب Transformers مراجعة موافقة واحدة، ولم يتم تشغيل الاختبارات البطيئة.

• سرعة المسار الخالي من التبعيات — البيرتورش الخالص مع فك تشفير تسلسلي لرمز واحد قابل للنقل، وقابلية النقل هي بيت القصيد، لكن طلب السحب لا ينشر الإنتاجية مقارنةً بنواة تريتون في flash-linear-attention. إذا كان فك التشفير الأصلي أبطأ بشكل ملموس، تصبح المكتبة مسار التوافق بينما تبقى الخدمة الجادة في مكان آخر.

• أي نقاط التحقق تصل — تغطي التحويلات المتوافقة مع الاصطلاحات نطاقًا من 0.1B إلى 7.2B. أما G1 بحجم 13.3B، وهو النموذج الذي يريده الناس فعلاً، فليس ضمن تلك المجموعة، والمثال الموثق هو نموذج Pile مع مُرمِّز GPT-NeoX بدلاً من نموذج محادثة بمفردات World. إن أداة تحميل مدمجة بدون checkpoint رئيسي خلفها تُحدِث تغييرًا أقل مما يبدو.

• الهدف المتحرك — المشروع لا يقف ساكنًا. تم تحديث مستودع G1 الخاص بـ BlinkDL في نفس الأسبوع الذي فُتح فيه طلب السحب (PR) هذا، وانتقلت التكميمات المجتمعية إلى مراجعات بيانات أحدث من G1c، كما تم عرض RWKV-8 "Heron" علنًا بآلية أوتوماتا لاحقة تُدعى ROSA. لم يُصدر Heron بعد ولم يُختبر؛ نذكره فقط لأن التكامل المكتبي الذي يصل متأخرًا في حياة جيلٍ ما يعيش عمرًا قصيرًا.

أربعة أسئلة لا تُجيب عنها ورقة المواصفات

هل يمكنني استخدام RWKV-7 في Transformers الآن أم لا؟

كلاهما، بشكل مزعج، والفرق بينهما هو القصة كلها. يمكنك اليوم تحميل checkpoint من RWKV-7 عبر واجهة برمجة تطبيقات transformers، إذا قمت بتثبيت flash-linear-attention وتمرير trust_remote_code بحيث يعمل ملف النمذجة الخاص بالمستودع نفسه. ما لا يمكنك فعله هو تحميله من المكتبة نفسها، وهذا ما يجعله يعمل افتراضيًا في الأدوات المبنية فوق المكتبة — سكربتات التدريب والمحاذاة، والمحولات، وأطر التقييم، ومسارات التصدير — وما يجعله متوافقًا مع سياسة تمنع الكود عن بُعد. هذا الأمر الثاني هو الغرض من #47780.

هل الدمج يجعل النموذج أفضل؟

ليس بفارق نقطة واحدة في أي معيار. إنه يغيّر التوزيع، لا الجودة — وبالنسبة لبنية لم تكن مشكلتها الجودة أبدًا، فإن التوزيع هو القيد الملزم. المقارنة هي تلك الواردة في أعلى هذا المقال: نموذج 169M من عام 2023 يتفوق على أوزان الجيل الحالي في التنزيلات بنسبة أربعين إلى واحد، وذلك بالكامل بفضل إمكانية تحميله دون أي أعلام.

إذا لم يكن هناك كاش KV، هل أحصل على سياق غير محدود مجانًا؟

تحصل على طول سياق غير محدود دون تضخم الذاكرة، وهو ليس نفس الاستدعاء غير المحدود. الحالة ذات الحجم الثابت لها سعة معلومات ثابتة؛ أدخل إليها مليون توكن ولن تتمكن من الاحتفاظ بتفاصيل قابلة للاسترجاع تساوي مليون توكن. أما الانتباه مع ذاكرة تخزين مؤقت كاملة فيستطيع ذلك، بتكلفة تزداد على طول الطريق. تعامل مع قصة السياق الطويل لـ RWKV-7 على أنها "تتدفق إلى الأبد بتكلفة منخفضة، وتضغط أثناء سيرها"، واختبر الاسترجاع المحدد الذي تحتاجه بدلاً من الثقة بكلمة "لا نهائي".

هل يستحق الاهتمام به عند 13.3B بينما النماذج المتطورة تبلغ مئات المليارات؟

يعتمد الأمر كليًا على ما إذا كانت الذاكرة الثابتة تساوي شيئًا بالنسبة لك. إذا كنت تستدعي واجهة برمجة تطبيقات مستضافة وتدفع مقابل كل توكن، فالإجابة شبه المؤكدة هي لا — فالنماذج الحدودية متقدمة بفارق كبير في القدرات، وأنت لا تدفع مقابل ذاكرة التخزين المؤقت KV مباشرة. أما إذا كنت تنشر الاستدلال على أجهزة لا تتحكم فيها، أو تشغّل تدفقًا مستمرًا حيث يكون نمو ذاكرة التخزين المؤقت هو ما يقتل العملية في النهاية، فإن البنية التي لا يتغير استهلاكها من الذاكرة تمثل إجابة من نوع مختلف لسؤال مختلف. تلك هي أعباء العمل التي كان فيها نموذج RWKV-7 بحجم 2.9B منافسًا بهدوء، وهي ذاتها التي يكون فيها المحمّل الأصلي أكثر أهمية.

ما الذي سنشاهده بعد ذلك

أربع إشارات ملموسة، مرتبة تقريبًا حسب مدى تأثير كل منها على تقييمنا. مراجعة موافقة من ArthurZucker أو Rocketknight1، وهي ما يحوّل هذا من {{1}}diff{{/1}} واعد إلى ميزة مجدولة. تحويل متوافق مع المعايير لنموذج {{2}}G1{{/2}} بحجم {{3}}13.3B{{/3}} مع {{4}}World tokenizer{{/4}}، وهو ما يجعل المُحمِّل يستحق الاقتناء. أرقام إنتاجية منشورة لمسار فك التشفير المستقل عن التبعيات مقارنةً بنواة {{5}}Triton{{/5}}، وهو ما يحدد ما إذا كان الدعم الأصلي خيار تقديم أم طبقة توافق مؤقتة. وأي علامة على {{6}}RWKV-8{{/6}}، وهو ما سيخبرك ما إذا كان هذا التكامل يصل في بداية جيل أم في نهايته.

حتى تحقيق أول تلك الأمور على الأقل، فإن الملخص الصحيح هو غير المثير: RWKV-7 (Goose) حقيقي، ومرخّص بشكلٍ مسموح، وقابل للتنزيل حتى 13.3B، وما زال غير قابل للتحميل بشكلٍ أصلي في المكتبة التي بُني عليها معظم النظام البيئي. طلب سحب فُتح في 4 أغسطس 2026 يقترح إصلاح ذلك. لم يتم دمجه بعد، وطلبات السحب لإضافة بنى إلى transformers قد تُغلق بالفعل.