قد تتمكن من تشغيل أحدث نموذج Meta للذكاء الاصطناعي محليًا على حاسوبك

يوم الاثنين، أعلنت Meta عن أحدث نماذجها للذكاء الاصطناعي: Muse Glimmer. لكن الشركة لا تُروّج لهذا النموذج بالضرورة باعتباره الأضخم والأفضل لديها. وبينما تتحدث Meta كثيرًا عن إمكانات أداء Muse Glimmer، هناك نقطتان تسويقيتان رئيسيتان للنموذج من وجهة نظر الشركة: كونه مفتوح الأوزان (open-weight)، وتصميمه للعمل محليًا على أجهزة Mac و PC الاستهلاكية – وإن كان قد لا يعمل على جهازك أنت تحديدًا.

ما هو Muse Glimmer؟

وفقًا لـ Meta، فإن Muse Glimmer هو نموذج ذكاء اصطناعي يضم 30 مليار معلمة، ومُحسّن لـ “سير عمل الوكلاء المحليين الدائم التشغيل” (always-on local agent workflows). يعني ذلك أن Glimmer مصمم للعمل بشكل مستقل ومباشر على جهازك، بدلاً من الاعتماد على المعالجة السحابية. الذكاء الاصطناعي المحلي أكثر أمانًا بكثير من الذكاء الاصطناعي السحابي، حيث تبقى بياناتك داخل نظامك. عندما تستخدم خوادم سحابية، فإنك تكون تحت رحمة الشركة المالكة لتلك الشبكة، مما قد يعرض بياناتك للخطر.

بينما توجد العديد من حالات الاستخدام لنموذج مثل Muse Glimmer، تركز Meta على استخدامه للذكاء الاصطناعي الوكيلي (agentic AI). يمكن لوكلاء الذكاء الاصطناعي أداء مهام نيابة عنك، وتتزايد شعبيتهم، حيث يمكن للمستخدمين والمطورين أن يطلبوا من وكلائهم القيام بأي عدد من الوظائف. تشغيل الوكلاء محليًا يحظى بشعبية كبيرة أيضًا، كما يتضح من عام OpenClaw سيئ السمعة، لكن النماذج الأكثر تطلبًا تتطلب أيضًا أجهزة قوية. إذا كنت تعمل باستخدام حاسوب محمول، فقد لا تمتلك الطاقة اللازمة لتشغيل وكلاء الذكاء الاصطناعي.

هذا جزء من عرض Meta هنا. تقول الشركة إن Muse Glimmer تم تدريبه لتحقيق التوازن بين الأداء والأجهزة محدودة الإمكانات. تذكر Meta أنها أخضعت Muse Glimmer لثلاث مراحل تدريب لتحقيق ذلك: “التدريب المسبق” (Pre-Training)، الذي درب Muse Glimmer على مخرجات Muse Spark؛ و”التدريب المتوسط” (Mid-Training)، الذي درب النموذج على بيانات “أكثر تركيزًا على الوكلاء”؛ و”التدريب اللاحق” (Post-Training)، الذي ضبط النموذج بدقة عبر عدد من المعلمات. تقول Meta إن Muse Glimmer يمكنه التعامل مع إكمال المهام الوكيلية من البداية إلى النهاية، والاستدلال متعدد الخطوات، والتعافي عند فشل استدعاء أداة، والمدخلات والاستدلال متعدد النماذج، من بين وظائف أخرى. كما تم تدريبه على بيانات من أكثر من 100 لغة. وتضيف الشركة أن النموذج يقدم أداءً “قويًا بالنسبة لفئته الحجمية” مقارنة بالعديد من معايير نماذج اللغات الكبيرة (LLM) القياسية.

المصدر: Meta

بينما لا يُعد Muse Glimmer متطلبًا مثل النماذج الأخرى، فمن المرجح أنه لن يعمل بكفاءة على الحاسوب المحمول العادي. تقول Meta إن نموذجًا يضم 30 مليار معلمة يتطلب عادةً أكثر من 55 جيجابايت من الذاكرة، ولكن بفضل “تقنيات التكميم” (quantization techniques)، يمكن لـ Muse Glimmer استخدام أقل من 20 جيجابايت. عند أخذ “ذاكرة العمل” الخاصة به في الاعتبار، فمن المرجح أن يستخدم Muse Glimmer ذاكرة بحجم 24 جيجابايت أو 32 جيجابايت. إذا كان لديك جهاز MacBook Pro أو PC احترافي، فقد يكون ذلك مناسبًا لك تمامًا. لكن إذا كنت مثلي، فإن حاسوبك المحمول يمتلك 16 جيجابايت أو أقل من ذاكرة الوصول العشوائي (RAM) – وهو ليس ما يتطلبه Muse Glimmer تمامًا. ومع ذلك، فهي خطوة إلى الأمام لاستخدام الذكاء الاصطناعي المحلي. (للتوضيح، تقول Meta إنها اختبرت Muse Glimmer على أجهزة MacBook M4 Max و M5 Max، ومع وحدة معالجة رسومات RTX-5090 GPU.)

تقول Meta إن Muse Glimmer “مفتوح”، مما يعني أن Meta أصدرت أوزان تدريب النموذج. وبالتالي، لا يمكن لأي شخص استخدام النموذج فحسب، بل يمكنه أيضًا تعديله. إذا كانت لديك احتياجات محددة لنموذج الذكاء الاصطناعي الخاص بك، فيمكنك التعديل على Muse Glimmer ليخدم استخدامك بشكل أفضل.

كيف يقارن Muse Glimmer بنماذج الذكاء الاصطناعي الأخرى؟

يتوفر في السوق حاليًا العديد من نماذج الذكاء الاصطناعي، لكن Meta تُجري مقارنات مباشرة فقط مع نموذجين آخرين: Gemma4-31b من Google و Qwen3.6-27B من Alibaba. وفقًا لمعايير Meta، يتفوق Muse Glimmer على كلا النموذجين في الاختبارات الـ 12 التالية: MCP Atlas، DeepSearch QA، 𝜏³-banking، WildClawBench، GAIA2، SWE-Bench Pro، Sci Code، Charxiv Reasoning، IFBench، AIME 2026، AA-LCR، و Beam 128K. لا يزال Gemma4-31b يتصدر أربعة من هذه المعايير، بينما يتفوق Qwen3.6-27B في ثمانية منها.

لم تُقدم Meta مقارنات مماثلة مع نماذج من الشركات الرائدة في الصناعة، مثل OpenAI، و DeepSeek، و Z.ai، أو Moonshot AI. ومع ذلك، يُقدم موقع Artificial Analysis تصنيفًا لجميع النماذج مفتوحة الوزن المتوفرة في السوق. وحتى تاريخ كتابة هذا المقال، يحتل Muse Glimmer (النسخة عالية الأداء) المرتبة الثامنة عشرة فعليًا. يتصدر Kimi K3 (النسخة القصوى) من Moonshot AI القائمة، يليه GLM-5.2 (النسخة القصوى) من Z.ai في المركز الثاني، و V4 Flash (النسخة القصوى) من DeepSeek في المركز الثالث، و Kimi K3 (النسخة المنخفضة) في المركز الرابع. وللمقارنة، يحتل Gemma4-31b المرتبة الثانية والثلاثين، بينما يأتي Qwen3.6-27B فعليًا في المرتبة السابعة عشرة. هناك العديد من المتغيرات هنا، ولكن هذا التصنيف يُقدم لنا لمحة سريعة عن كيفية ترتيب أحدث نماذج Meta بين المنافسين.

كيفية تجربة Muse Glimmer

يمكنك تجربة Muse Glimmer الآن عن طريق تنزيل الأوزان من Hugging Face. وتُشير Meta إلى أن النموذج سيكون متاحًا في الأيام القادمة عبر تطبيقات مثل Ollama و LM Studio و Unsloth.