النقاط الرئيسية
- نفس VRAM: كلا النموذجين 7B يحتاجان 5.5 جيجابايت في Q4_K_M؛ وكلا النموذجين 32B يحتاجان 20.5 جيجابايت
- الرياضيات: DeepSeek-R1-Distill-Qwen-32B يفوز (94% MATH-500 مقابل 90.3%)
- البرمجة: Qwen3-Coder 32B يفوز (91.5% HumanEval مقابل 83%)
- النصوص الصينية: Qwen3 يفوز — تحليل نصوص CJK أصيل، أكثر كفاءةً بـ30–40% في النصوص الصينية
- سلاسل الاستدلال: تنتج مقطّرات DeepSeek-R1 سلاسل تفكير طويلة افتراضياً
- المساعد العام: Qwen3 14B أكثر سلاسةً؛ يميل مقطّر DeepSeek 14B إلى الإفراط في الاستدلال في المهام البسيطة
جدول معايير مقارنة
جميع النتائج بكمية Q4_K_M. قيست السرعة على NVIDIA RTX 4090 (24 جيجابايت VRAM) لصفوف GPU وعلى Apple M3 Max 48 جيجابايت لصفوف Mac.
| النموذج | VRAM | MMLU (%) | MATH-500 (%) | HumanEval (%) | السرعة (tok/s) |
|---|---|---|---|---|---|
| Qwen3 7B | 5.5 جيجابايت | 72.5 | 62.5 | 74.6 | 50–80 |
| DS-R1-Distill-Qwen 7B | 5.5 جيجابايت | 70.1 | 88.0 | 68.4 | 50–80 |
| Qwen3 14B | 9.5 جيجابايت | 79.2 | 76.1 | 82.1 | 30–50 |
| DS-R1-Distill-Qwen 14B | 9.5 جيجابايت | 75.8 | 90.0 | 75.5 | 30–50 |
| Qwen3 32B | 20.5 جيجابايت | 83.4 | 90.3 | 91.5 | 15–30 |
| DS-R1-Distill-Qwen 32B | 20.5 جيجابايت | 80.6 | 94.0 | 83.2 | 15–30 |
أيّ نموذج تشغّل في كل مستوى من مستويات الأجهزة
متطلبات VRAM متطابقة بين العائلتين لكل حجم معاملات. الاختيار بين DeepSeek وQwen تفضيل للمهمة لا قيد على الأجهزة.
- 8 جيجابايت VRAM (RTX 3060 / M2 16 جيجابايت): Qwen3 7B للبرمجة والدردشة؛ DS-R1-Distill-Qwen-7B لتدريس الرياضيات
- 12 جيجابايت VRAM (RTX 3080 / M2 Pro 24 جيجابايت): Qwen3 14B للاستخدام العام؛ DS-R1-Distill-Qwen-14B لسلاسل الاستدلال
- 24 جيجابايت VRAM (RTX 4090 / M3 Max 48 جيجابايت): Qwen3-Coder 32B أو Qwen3 32B — أفضل نموذج محلي للأغراض العامة في هذا المستوى
- 48 جيجابايت+ (M2/M3 Ultra / RTX 4090 مزدوج): Qwen3 72B (86.1% MMLU، 97% HumanEval) — قريب من مستوى GPT-4
- CPU فقط (32+ جيجابايت RAM): Qwen3 7B أو DS-R1-Distill 7B — كلاهما يعمل بـ3–8 tok/s على معالجات الحواسيب المحمولة الحديثة
نماذج DeepSeek المحلية موضّحة
نشرت DeepSeek نموذج الاستدلال R1 كبنية MoE (خليط من الخبراء) بـ671B يتطلب أجهزة من مستوى الخوادم. للاستخدام المحلي على أجهزة المستهلك، الخيار العملي هو النسخ المقطّرة — نماذج كثيفة أصغر مدرّبة لتكرار استدلال R1 السلسلي.
- DeepSeek-R1-Distill-Qwen-7B: 5.5 جيجابايت VRAM بـQ4_K_M. أقوى نموذج رياضيات على مستوى 7B (88% MATH-500). ينتج سلاسل استدلال طويلة؛ أوقف سلسلة التفكير عبر system prompt لدردشة أسرع.
- DeepSeek-R1-Distill-Qwen-14B: 9.5 جيجابايت VRAM. أفضل استدلال لكل وحدة VRAM على مستوى 14B. مثالي لتدريس الرياضيات والألغاز المنطقية ومهام التحليل المنظّم.
- DeepSeek-R1-Distill-Qwen-32B: 20.5 جيجابايت VRAM. أعلى درجة MATH-500 لأي نموذج يعمل على أجهزة المستهلك: 94%. استخدمه حين تكون دقة الرياضيات أولوية على البرمجة.
- DeepSeek-V3 (كامل): 671B MoE — أكثر من 400 جيجابايت RAM بـQ4 — غير عملي على أجهزة المستهلك. استخدم النسخ المقطّرة بدلاً منه.
- أمر Ollama:
ollama run deepseek-r1:7b(يستخدم مقطّر Q4_K_M افتراضياً)
نماذج Qwen3 المحلية موضّحة
Qwen3 هو إصدار Alibaba من أكتوبر 2025 الذي يشمل متغيرات base وCoder وVision-Language. تستخدم جميع النماذج الأساسية نافذة سياق 128K ورخصة Apache 2.0.
- Qwen3 7B: 5.5 جيجابايت VRAM. أفضل 7B للأغراض العامة للبرمجة والنصوص الصينية. 74.6% في HumanEval يتفوق على جميع المنافسين 7B في الكود.
- Qwen3 14B: 9.5 جيجابايت VRAM. نقطة التوازن المثلى بين الجودة والسرعة. 82.1% HumanEval، 79.2% MMLU. الخيار الأفضل لمعظم الإعدادات بـ12 جيجابايت VRAM.
- Qwen3 32B: 20.5 جيجابايت VRAM. 91.5% HumanEval — أعلى درجة معيارية للبرمجة دون 48 جيجابايت VRAM.
- Qwen3-Coder 32B: نفس VRAM كالنموذج الأساسي 32B، مضبوط دقيقاً خصيصاً لتوليد الكود ومراجعته. استخدمه بدلاً من الأساسي حين تكون البرمجة المهمة الرئيسية.
- Qwen3 72B: 46 جيجابايت VRAM. 86.1% MMLU، 97% HumanEval. يعمل فقط على الذاكرة الموحدة 48+ جيجابايت (M2/M3 Ultra) أو إعدادات متعددة GPU.
- أمر Ollama:
ollama run qwen2.5:14b-instruct-q4_K_M
Apple Silicon مقابل NVIDIA: تشغيل كلتا العائلتين
تعمل مقطّرات DeepSeek وQwen3 بشكل جيد على Apple Silicon عبر Ollama أو llama.cpp مع تسريع Metal. الفارق الرئيسي هو عرض نطاق الذاكرة.
| الأجهزة | أفضل مستوى نموذج | السرعة (7B) | السرعة (32B) | ملاحظات |
|---|---|---|---|---|
| M2/M3 16 جيجابايت | 7B فقط | 30–50 tok/s | N/A | كلا النموذجين 7B يتسعان؛ 14B يستخدم swap |
| M3 Pro 36 جيجابايت | نقطة التوازن 14B | 60–90 tok/s | N/A | 14B بالسرعة الكاملة؛ 32B يستخدم swap |
| M3 Max 48 جيجابايت | 32B بشكل مريح | 80–120 tok/s | 15–25 tok/s | أفضل جهاز Apple استهلاكي لـ32B |
| RTX 4060 8 جيجابايت | 7B فقط | 50–80 tok/s | N/A (تفريغ جزئي) | 7B يتسع كاملاً؛ 14B يتطلب تفريغاً للـCPU |
| RTX 4090 24 جيجابايت | 32B | 100–150 tok/s | 18–28 tok/s | أفضل GPU منفردة لـ32B |
الأحكام حسب حالة الاستخدام
إجابة في جملة واحدة لكل حالة استخدام شائعة للنماذج اللغوية المحلية:
- الواجبات الرياضية / التدريس: DS-R1-Distill-Qwen-7B — 88% MATH-500 يتفوق على Qwen3 7B (62.5%) بنفس VRAM
- توليد الكود / مراجعته: Qwen3-Coder 32B — 91.5% HumanEval، الأعلى لأي نموذج يعمل على أجهزة المستهلك
- الدردشة بالصينية: Qwen3 7B — تحليل نصوص CJK أصيل، أكثر كفاءةً بـ30–40% في التوكن مع النصوص الصينية
- التحليل خطوة بخطوة / سلاسل الاستدلال: DS-R1-Distill-Qwen-14B — ينتج سلسلة تفكير صريحة افتراضياً
- المساعد العام اليومي (8 جيجابايت VRAM): Qwen3 7B — محادثة أكثر سلاسةً، يتجنب الإفراط في الاستدلال من DeepSeek في المهام البسيطة
- النشر المؤسسي الخاص (المنطقة العربية): Qwen3 — رخصة Apache 2.0، يعمل محلياً بالكامل دون أي نقل بيانات خارجي، مما يُبسّط امتثال حماية البيانات
الأسئلة الشائعة
هل DeepSeek-R1 هو نفسه النماذج المقطّرة؟
لا. DeepSeek-R1 هو نموذج خليط من الخبراء بـ671B يتطلب أجهزة من مستوى الخوادم. النسخ المقطّرة (7B و14B و32B) نماذج كثيفة مستقلة مدرّبة لتكرار أسلوب استدلاله — هذه هي الخيارات العملية للاستخدام المحلي.
هل يستخدم DeepSeek وQwen نفس VRAM بكل حجم معاملات؟
نعم، بنفس مستوى الكمية. كلا النموذجين 7B يحتاجان ~5.5 جيجابايت في Q4_K_M؛ وكلا النموذجين 32B يحتاجان 20.5 جيجابايت. اختيار الأجهزة يتعلق بتفضيل المهمة لا بالفارق في VRAM.
هل يمكنني تشغيل النماذج المقطّرة من DeepSeek-R1 مع Ollama؟
نعم. شغّل ollama run deepseek-r1:7b للمقطّر 7B أو ollama run deepseek-r1:32b للـ32B. يُنزّل Ollama Q4_K_M افتراضياً.
أيّهما أفضل للنصوص الصينية: DeepSeek أم Qwen؟
Qwen3 أفضل بشكل ملحوظ للنصوص الصينية. يستخدم محلّل نصوص صينياً مصمماً خصيصاً أكثر كفاءةً بـ30–40% في نصوص CJK. النماذج المقطّرة من DeepSeek-R1 مبنية على أوزان Qwen3، لذا ترث دعماً معقولاً للصينية، لكن نماذج Qwen3 الأساسية هي الخيار الأول.
أيّ نموذج أستخدم للرياضيات مع 8 جيجابايت VRAM؟
DeepSeek-R1-Distill-Qwen-7B. يحصل على 88% في MATH-500 مقابل 62.5% لـQwen3 7B — فارق 25 نقطة — باستخدام VRAM متطابق.
هل تشغيل DeepSeek-R1 محلياً يتوافق مع قوانين البيانات؟
تشغيل أي نموذج محلياً يعني أن البيانات لا تغادر أجهزتك أبداً، مما يُلبّي متطلبات الإقامة البيانية بغض النظر عن منشأ النموذج. السؤال الخاص بالامتثال يتعلق بمعالجة البيانات لا بمنشأ النموذج.