EmpirioLabs يشغل أكثر من 100 نموذج ذكاء اصطناعي على واجهة برمجة تطبيقات واحدة، من كل مختبر رئيسي وقائمة طويلة من المختبرات الجديدة. وهذا يجعل المنصة نقطة مشاهدة مفيدة لسؤال بسيط: مع توفر جميع النماذج على مشروع قانون واحد وبدون تثبيت، ما هي النماذج التي يختارها المطورون فعليا؟
نظرنا في الاستخدام الفعلي عبر المنصة لمعرفة ذلك. الإجابة ثابتة، ومن ناحية واحدة مفاجئة حقا. المطورون يتجمعون على مجموعة صغيرة من النماذج السريعة والقادرة من جيل جديد من المختبرات، ويختارونها بناء على الجدارة بدلا من السعي لأكبر علامة تجارية.
ملاحظة حول الطريقة: كل رقم أدناه مرسوم من حركة مرور منصة مجمعة حقيقية ويظهر كنسبة مئوية. عندما نناقش التفضيل، نقوم بتطبيع الاستخدام بناء على عدد النماذج التي يقدمها كل صانع، بحيث تعكس الأرقام ما يختاره المطورون، وليس فقط ما هو موجود على الرف.
مع وجود 100+ نموذج للاختيار من بينها، يعتمد الاستخدام على عدد قليل
النمط الأول في البيانات هو التركيز. المطورون لديهم قائمة ضخمة أمامهم، لكنها لا تنتشر عليها. من بين النماذج التي استخدمت فعليا، تمثل الثلاثة الأكثر شعبية 40٪ من جميع طلبات اللغات، والعشرة الأوائل تمثل ما يقرب من تسعة من كل عشرة. الذيل الطويل للنماذج موجود ويستخدم بعض الشيء، لكنه يحمل حصة صغيرة من العمل الحقيقي.
هذا التركيز أهم مما يبدو في البداية. هذا يعني أن عددا قليلا من النماذج يضع بهدوء الأساس لما يتوقعه المطورون من حيث الجودة والسرعة والسعر. النموذج الجديد لا ينافس المجال بأكمله. يتنافس مع القائمة القصيرة في القمة، وإذا لم يستطع التفوق على تلك النماذج في مهمة حقيقية، فإنه يبقى في الذيل بغض النظر عن كيفية تقييمه على الورق.
النماذج الأكثر استخداما
مصنف حسب نسبة استخدام اللغة، لا يوجد نموذج واحد يتغلب عليه. تتجمع نماذج GLM من Z.ai، وMiniMax M3، وMiMo من شياومي، ونماذج DeepSeek السريعة في الأعلى، كل منها يأخذ شريحة مماثلة، بينما يملأ بقية الكتالوج ذيلا طويلا. هذه مجموعة تنافسية كأعلى وليس فائزا مهيمن واحد، وهذا أمر صحي: فهذا يعني أن المطورين يقارنون الخيارات بنشاط بدلا من التخلي عن السداد الواحد.
الاستخدام الخام بهذا الشكل هو مجرد عدسة واحدة في السؤال. يخبرك أين يذهب حجم الطلبات، وهذا مفيد، لكن الحجم يمكن أن يتركز في عدد قليل من المستخدمين الثقيلين ولا يكشف مدى اتساع اعتماد النموذج. لهذا، ننظر بعد ذلك إلى عدد المطورين المنفصلين الذين يختارون كل صانع، وهو رؤية أكثر ديمقراطية لما يختاره الناس فعليا.
هذا مسألة تفضيل، وليس مجرد توفر
من العدل أن نعارض تصنيف الشعبية. إذا كان الكتالوج يميل إلى اتجاه معين، فإن الاستخدام سيتبعه، لذا يمكن لقائمة النماذج الشهيرة أن تعكس ببساطة ما قررت المنصة توفيره. لفصل التفضيل الحقيقي عن التوفر، قارنا بين حصة كل صانع من الاستخدام وحصته من الكتالوج.
الفجوة بين الاثنين هي الإشارة الحقيقية، وهي لافتة للنظر. يشكل Z.ai جزءا صغيرا من النماذج المتاحة لكنه يأخذ أكبر حصة من الاستخدام. تستحوذ DeepSeek وMoonshot وXiaomi على استخدام أكبر بكثير مما يتوقعه حجم عملها في الكتالوج. وفي الوقت نفسه، الشركة التي تمتلك أكبر عدد من النماذج المتاحة، علي بابا، لا تحظى إلا بحصة متواضعة من الاستخدام، وتشكيلة أمازون المجهزة جيدا بالكاد تتأثر.
بعبارة أخرى، المطورون لا يستخدمون فقط ما يوضع أمامهم. هم يسعون بنشاط إلى مجموعة محددة من النماذج ويتجاهلون نماذج أخرى متاحة بنفس القدر، وفي بعض الحالات أكثر عددا بكثير. التوفر ليس قدرا. وجود الكتالوج الكبير لا يترجم إلى استخدام إلا إذا كسبه النماذج من العمل الحقيقي، وهذا هو الاكتشاف الذي يجب أن يحصل عليه كل مختبر نماذج.
مجموعة صغيرة من المختبرات تملك الطلب
هذا المنظور الأكثر ديمقراطية، مع احتساب عدد المطورين الذين يختارون كل صانع كخيار افتراضي بدلا من احتساب حجم الطلبات الخام، يركز الطلب في قائمة قصيرة. Z.ai يتصدر بفارق واضح، يليه ديب سيك ومونشوت، مع علي بابا وشايومي وميني ماكس خلفهم مباشرة. الجميع معا يشكل بقية صغيرة.
ما يوحد القادة ليس ميزانية تسويقية أو اسم مألوف في كل بيت. إنها رغبة في تقديم نماذج قوية ومتاحة علنا بوتيرة سريعة. المختبرات التي تجذب انتباه المطورين هي، في الغالب، التي تصدر نماذج قادرة يمكن للفرق فحصها وتكييفها وتشغيلها بتكلفة منخفضة، وهم يكررون بسرعة كافية للبقاء في القائمة القصيرة مع ارتفاع التوقعات.
السرعة تتفوق على الحجم
هناك افتراض شائع بأن المطورين يختارون أكبر وأذكى نموذج يمكنهم تحمله. بيانات الاستخدام تقول خلاف ذلك. قسمنا النماذج إلى مجموعتين: نسخ خفيفة الوزن، أي نسخ فلاش وميني ولايت المصممة للسرعة والتكلفة المنخفضة، ونماذج كاملة الحجم. الغالبية العظمى من طلبات اللغة تذهب إلى النسخ الخفيفة.
هذا رد عقلاني على كيفية عمل التطبيقات الحقيقية. معظم مهام الإنتاج، مثل التصنيف، الاستخراج، التوجيه، التلخيص، والتوليد القصير، لا تحتاج إلى نموذج فرينتير، والنموذج السريع وغير المكلف الذي يجيب في جزء بسيط من الوقت هو الخيار الهندسي الأفضل. النماذج الأكبر تحتفظ بالمخاطر الصعبة فعلا، التي لا يتم التعامل معها افتراضيا. بالنسبة للفرق التي تراقب ميزانيات التأخير وفواتيرها، فإن هذا الشعور يستحق الوثوق به.
ما وراء النص: ما الذي ينتجه المطورون
الاستخدام ليس فقط عن اللغة. بالانتقال إلى توليد الوسائط، فإن الأنماط مركزة تماما كما هي في النصوص. يتم توليد الصور تقريبا بالكامل عبر نموذج واحد. الفيديو مقسم بشكل رئيسي بين كلينغ وسيدانس. العمل الصوتي، بشكل ملحوظ، يهيمن عليه النسخ بدلا من التوليف، مما يعكس كيف تستخدم الفرق نماذج الصوت اليوم: أكثر لفهم الصوت الموجود بدلا من خلق صوت جديد.
نفس القاعدة تنطبق على كل الطريقة. قائمة قصيرة من النماذج تقوم بمعظم العمل، وبقية المجال يتنافس على ما تبقى.
ماذا يعني هذا إذا كنت تختار نموذجا
الدرس العملي من خلال كل هذا هو أن تختار حسب المهمة، وليس حسب العلامة التجارية. أكثر الطرازات استخداما على المنصة ليست من أشهرها. هم من يحصلون على تقييم حقيقي للتكلفة والسرعة والجودة لمهمة معينة. بعض العادات تتبع مباشرة من البيانات:
- ابدأ بمستوى سريع وخفيف، ولا تقدم إلا إذا كانت المهمة بحاجة فعلية إلى نموذج أكبر. معظم الأعمال لا تفعل ذلك.
- قيم نماذج الوزن المفتوح بجدية. في الاستخدام الحقيقي، ليست خيارا وسطيا، بل هي الخيار الافتراضي للعمل الإنتاجي.
- لا تفترض أن أكبر اسم كتالوج هو الأنسب. التوفر والجودة أمران مختلفان، وبيانات الاستخدام تظهر أن المطورين يعاملونها بهذه الطريقة.
- أعد التحقق من إعدادات الافتراضي بانتظام. مع تنافسية قمة المجال، يمكن أن يتغير أفضل نموذج للمهمة من ربع إلى آخر.
الخلاصة
قصة الاستخدام الحقيقي للذكاء الاصطناعي في عام 2026 هي التقارب والاختيار. لدى المطورين نماذج أكثر من أي وقت مضى، ويردون بالتركيز على مجموعة صغيرة من النماذج السريعة والقادرة من جيل جديد من المختبرات. والأهم من ذلك، أنهم يختارون تلك النماذج بناء على الجدارة، وليس بسبب ما تقدمه المنصة. أكبر حضور في الكتالوج لا ينتصر. أفضل نموذج للعمل يفعل ذلك، وبشكل متزايد يصبح هذا النموذج مفتوحا وسريعا وغير مكلف.
يمكنك مقارنة كل موديل وطريقة وسعر حي عبر الكتالوج الكامل على صفحة EmpirioLabs النماذج.
إفصاح: كتب هذا المقال بمساعدة الذكاء الاصطناعي وتمت مراجعته من قبل EmpirioLabs AI.
