نماذج ScaleDown الصغيرة للمهام الروتينية داخل التطبيق: التصنيف، والاستخراج، والتلخيص

في 13 أكتوبر 2026، أزاحت ScaleDown الستار عن ثلاثة نماذج صغيرة مخصصة لمهام بعينها تسوّقها كفكرة واحدة: Classify وExtract وSummarize، وكل منها مبنيّ للعمل المتكرر الذي يحيط باستدعاء LLM في بيئة الإنتاج لا للمحادثة. جميعها تستقبل مدخلات بحجم 1M توكن، وجميعها تقبل النص أو الصور، ويمكن الوصول إليها جميعًا عبر API الخاصة بـ ScaleDown — وهنا يصبح سؤال التسعير مثيرًا للاهتمام، لأن الثلاثة لها أشكال تكلفة مختلفة تمامًا. أما النموذج الرابع في العائلة، ScaleDown Compress، فهو مُدرج في وثائق المورّد كأداة لتقليم السياق لا كواحد من الثلاثة الجدد. وما يلي هو ما توثقه الشركة المورّدة، مع إبقائه منفصلًا عمّا لم يُعِد إنتاجه أحد بعد.

ما الذي صدر فعلاً في 13 أكتوبر

تشغّل ScaleDown نقطة نهاية Decisions منذ بعض الوقت — واجهة تقييم منظمة تأخذ كائن حالة بالإضافة إلى خريطة من الأسئلة محددة النوع وتعيد احتمالات معايرة. إعلان 13 أكتوبر هو النقطة التي بدأت عندها الشركة ببيع النماذج الأساسية كمنتجات قائمة بذاتها بدلاً من نقطة نهاية واحدة، والتي بدأت عندها في وصفها كمكوّنات عامة الغرض للعمل داخل التطبيقات.

النماذج الثلاثة وعقودها، كما توثّقها الشركة الموردة:

• ScaleDown Classify — يُسند النص إلى مجموعة تسميات يوفّرها المستدعي. تحمل كل تسمية اسمًا ومعيارًا، وهو ما تسميه الوثائق "سؤالًا بنعم/لا يستخدمه النموذج لتقييم التسمية"، وتصفه الوثائق بأنه الجزء الأهم في الطلب. في وضع التسمية الواحدة، يُرجع توزيع softmax مجموعه 1.0 بالإضافة إلى تسمية أعلى؛ وفي وضع التسميات المتعددة، تُقيَّم كل تسمية بشكل مستقل مقابل عتبة يحددها المستدعي.

• ScaleDown Extract — يستخرج الحقول المهيكلة من النص غير المهيكل. في وثائق هذه العائلة، هذا هو النموذج الذي يحوّل مستندًا إلى سجل يمكن لكودك فهرسته.

• ScaleDown Summarize — ملخّصات استخلاصية قصيرة للمُدخلات الطويلة، وهي المهمة التي من الواضح أن نافذة المليون رمز موجَّهة إليها أكثر من أي شيء آخر.

العقد المشترك بين الثلاثة جميعها هو الجزء الجدير بالتدوين. مليون توكن من المدخلات لكل طلب يزيد بنحو مرتبة كاملة عمّا تقبله واجهات API متوسطة الحجم السائدة، وهو الرقم الذي يجعل Summarize وExtract ممكنين للعمل على مستوى المستند بأكمله دون طبقة تقسيم. المدخل النصي أو الصوري يهم Extract على وجه التحديد: فاتورة ممسوحة ضوئيًا أو لقطة شاشة لنموذج تدخل، وتخرج الحقول، ولا توجد خطوة OCR بينهما. تُقدَّم الثلاثة جميعها من واجهة ScaleDown الخاصة، التي تعطي وثائقها عنوان URL الأساسي كـ span>api.scaledown.xyz/span> وتنص صراحة على أن span>api.scaledown.ai/span> ليس مضيف API.

الرقم الوحيد الذي ليس مثل الآخرين

التسعير هو النقطة التي تتوقف عندها هذه الثلاثة عن كونها قابلة للتبادل. يُدرَج Classify بسعر 0.05 دولار لكل مليون رمز إدخال و0 دولار لكل مليون رمز إخراج، ويُظهر إدراج النموذج في كتالوجات الجهات الخارجية المعدل نفسه مع خصم ترويجي يُطبَّق في بعض الأوقات؛ والخصم ليس التزامًا من ScaleDown ولا ينبغي التخطيط على أساسه. سعر الإخراج الصفري ليس حيلة تسويقية — فالمصنّف المُقيَّم بمعايير يُصدر تسميات واحتمالات، لا نصًا مُولَّدًا، لذا لا يوجد ما يمكن تحصيل رسوم مقابله. أما Extract and Summarize فيُولِّدان إخراجًا، لذا فإن أشكال تكلفتهما ليست قابلة للمقارنة بأشكال تكلفة Classify، وينبغي تسعيرهما من المورّد مباشرةً بدلًا من استنتاجهما من سعر المصنّف.

تفاصيل الفوترة في Classify أصعب في الاستدلال من السعر المعلن. في وضع التسمية الواحدة، يدخل كل وسم ومعيار التقييم الخاص به في استدعاء واحد للنموذج، لذا فإن كل وسم تضيفه يزيد من رموز الإدخال المفوترة؛ كما أن طلب شرح من جملة واحدة للاختيار يعيد إرسالها بمعدل 2x، وتقول الوثائق صراحةً إن الشرح يُولَّد بعد تثبيت الوسم الأعلى، فهو بذلك يبرر الإجابة بدلًا من التشكيك فيها. في وضع التسميات المتعددة، يكون كل وسم استدعاءً منفصلًا للنموذج، وتُقيَّم كل قطعة على حدة. لذا فإن نظام تصنيف من ستين وسمًا مع تفعيل الاستدلال ليس عملية بتكلفة 0.05 دولار لكل مليون رمز بالمعنى الذي يفترضه القارئ؛ بل هو ذلك المعدل مضروبًا في مجموعة الوسوم، ثم مضاعفًا إذا كان الاستدلال مفعّلًا. إن الحدود القصوى الموثقة — 20 وسمًا لكل طلب، و16 في وضع التسميات المتعددة، و50 قطعة لكل دفعة — هي القيود العملية التي يجب التصميم وفقًا لها.

هناك سلوك موثق آخر أكثر أهمية من أي من هذه الحدود القصوى. المصنف "يعيد دائمًا فائزًا"، حتى عندما لا يناسب أي تصنيف. تُترك تصفية الثقة بالكامل للمستدعي. في طلب من 10 تصنيفات، يمكن أن تكون أعلى درجة 0.4 هي الإجابة الصحيحة، لأن الدرجات نسبية داخل مجموعة التصنيفات وليست مطلقة. كل استخدام إنتاجي لهذا النموذج يحتاج إلى سياسة عتبة خاصة به، وتصنيف شامل — تقترح الوثائق تسمية أحد span>أخرى/span>

لماذا تُعدّ نافذة بسعة مليون رمز على مصنّف هي الجزء المثير للاهتمام

تأخذ نماذج التصنيف تقليديًا مُدخلات قصيرة. والسبب ميكانيكي: فعلى المصنّف المُقيَّم وفق معايير أن يزن المُدخل بأكمله مقابل سؤال نعم/لا الخاص بكل تصنيف، وتكلفة تقييم مستند بمئة ألف رمز مقابل عشرين معيارًا هي عشرون تمريرة كاملة على ذلك المستند. وحلّ ScaleDown هو نافذة المليون رمز بالإضافة إلى طبقة تجميع الدفعات — ما يصل إلى 50 قطعة تُقيَّم مقابل ملف تعريف مشترك واحد في طلب واحد — وادعاء المزوّد هو أن المعايرة لكل قطعة تظل نفسها سواء أرسلت قطعة واحدة أو خمسين قطعة، مع الفارق الوحيد أن الملف التعريفي المشترك يُحتسب مرة واحدة لكل طلب.

هذا الادعاء هو الذي يجب اختباره قبل أن تبني عليه. وهو أيضًا الادعاء الذي يجعل النموذج مثيرًا للاهتمام: السبب الكامل للتصنيف داخل التطبيق بدلاً من عند الحافة هو أن القرار يمكنه رؤية السياق الكامل — سلسلة الدعم بأكملها، العقد بأكمله، المستند المسترجع بالكامل — بدلاً من نافذة مبتورة. إذا صمدت نافذة 1M عند أحجام الإدخال الخاصة بك، فإن سؤال البنية ("هل أحتاج إلى مخطط للتقسيم إلى أجزاء والتصويت؟") يختفي إلى حد كبير. إذا لم يحدث ذلك، فلديك مصنف رخيص جدًا للمدخلات القصيرة ومشكلة ثانية يجب حلها.

الادعاءات التي تحتاج إلى رأي ثانٍ

تحاجج مواد التسويق الخاصة بـ ScaleDown بأن النماذج اللغوية الصغيرة المخصصة لمهام معينة تتفوق على النماذج الرائدة في التكلفة والسرعة والدقة للأعمال المتكررة عالية الحجم، وتستشهد بأرقام منها نموذج بنحو نصف مليار معامل يحقق 91.7% في مهمة تصنيف بسيطة مقابل 88.6% لنموذج بـ 72 مليار معامل. هذه أرقام البائع نفسه ولم يتم إعادة إنتاجها بشكل مستقل: يوضع ScaleDown Classify حاليًا بدون تقييم على لوحات الصدارة العامة، مع عدم نشر أي صفوف معايير من طرف ثالث. تعامل مع حجة الدقة كفرضية ذات آلية معقولة — فجوة كفاءة العينة بين نموذج صغير مدرب لغرض معين ونموذج كبير عام الغرض في تصنيف ضيق حقيقية وموثقة جيدًا — وليس كنتيجة مثبتة.

كذلك، فإن رقم الإدخال البالغ مليون رمز مُعلَن من المورّد. تُظهر إدراجات الكتالوجات الخاصة بالنموذج من أطراف ثالثة طول السياق على أنه غير منطبق بدلًا من تكرار رقم المليون رمز، وهو قيد كتالوجي لا تناقض، لكنه يعني أن نافذة السياق لم يتم التحقق منها خارج وثائق ScaleDown.

أين يندرج هذا إذا كنت تدير خط أنابيب بالفعل

النمط الذي تستهدفه هذه النماذج الثلاثة هو حلقة، لا نداء واحد: استرجع مستندًا، ثم صنّفه، ثم استخرج الحقول، ثم لخّصه، ثم سلّم الملخّص إلى نموذج توليدي يكتب الرد. الخطوة الرابعة هي الخطوة المكلفة من حيث الرموز (tokens)، وهي الخطوة التي يغطيها OrcaRouter — أكثر من 200 نموذج خلف مفتاح واحد متوافق مع OpenAI وبسعر قائمة المزوّد، مُمرَّرًا بهامش ربح 0%، مع تجاوز فشل تلقائي عندما يتدهور مسار الخدمة. نحن لا نستضيف ScaleDown Classify أو Extract أو Summarize؛ فهي ليست في كتالوجنا وليست هدفًا لإكمالات الدردشة، وطبقة التوجيه هنا هي نصف التوليد في هذا النمط وليس نصف التقييم.

هذا الفصل يستحق أن يُقال بوضوح، لأن مقارنة التكلفة التي سيلجأ إليها الناس مضللة. إن مصنّفًا يُقيَّم وفق معيار تقييم بتكلفة بضعة سنتات لكل مليون رمز إدخال، ونموذجًا توليديًا بتكلفة بضعة دولارات لكل مليون، ليسا متنافسين؛ بل هما بندان مختلفان، والسبب في إسناد خطوة التصنيف إلى نموذج صغير هو أنه يتيح لك تحمّل تكلفة نموذج أفضل في الخطوة التي تكتب شيئًا فعليًا.

ما الذي قد يغيّر هذا التقييم؟

ثلاثة أمور، مرتبة بحسب مدى قدرتها على تغيير الصورة. تقييم مستقل لمهمة التصنيف المُقيَّمة وفق سلّم التقييم على معيار عام سيحوّل حجة الدقة من ادعاء بائع إلى معطى. ورقم زمن استجابة منشور — توثّق الشركة عوامل التكلفة لكنها لا توثّق زمن استجابة الخدمة — سيحسم ما إذا كانت نافذة 1M قابلة للاستخدام عند معدل الإنتاجية أم في المعالجة الدفعية فقط. وإعادة إنتاج من طرف ثالث لادعاء المعايرة لكل قطعة ستحدد ما إذا كانت دفعة من خمسين قطعة تمثل تحسينًا للتكلفة أم نموذجًا مختلفًا. وإلى أن يتحقق واحد على الأقل من تلك الأمور، فإن الخلاصة الصادقة هي أن ScaleDown قد طرحت ثلاثة نماذج باتفاقيات واضحة على نحو غير معتاد وحدود إدخال كبيرة على نحو غير معتاد، وبأسعار تجعل مرحلة تصنيف قائمة على عتبة رخيصة بما يكفي لأخذها في الاعتبار، وأن الأرقام الداعمة لها هي أرقام البائع نفسه.

النسخة المختصرة

إذا كانت لديك مرحلة تصنيف أو استخراج عالية الحجم، مع تاكسونوميا مستقرة ومدخلات نصية أو صورية، فإن نماذج ScaleDown الثلاثة تستحق إجراء قياس مرجعي عليها باستخدام بياناتك هذا الأسبوع، لأن العقد بسيط وحد المدخلات سخي. ضع في ميزانيتك تضاعف التسميات والرسم الإضافي للاستدلال بمقدار 2x قبل أن تلتزم بتاكسونوميا، وتوقّع أن تكتب عتبة الثقة الخاصة بك بنفسك. إذا كانت مهمتك توليدًا مفتوح النهاية، فلا شيء من هذا موجّه إليك.

اختيارات النماذج هي أيضًا مسألة تتعلق بما جرى على نحو خاطئ سابقًا: فالحوادث الموثّقة للذكاء الاصطناعي وإخفاقات الوكلاء الكامنة وراء النماذج في هذه الفئة تُجمع في أرشيف OrcaRouter لحوادث الذكاء الاصطناعي، حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته وتصنيف ثقته وعلامة النزاع الخاصة به.