Julia-1 مقابل Jev: نماذج قرار محلية أم سحابية؟ (2026)
Julia-1 هو نموذج قرار بحجم 144.3M معلمة، مرخّص بموجب Apache 2.0، مبني على mmBERT-small، ويعمل محليًا على المعالج CPU لمهام التصنيف والتوجيه. أما Jev، نموذج القرار السحابي الذي أطلقته TypeSafe AI قبل ذلك بأيام وسط تغطية إعلامية واسعة، فهو واجهة برمجية مغلقة دون نشر عدد المعلمات. يقوم كلاهما بتقييم قائمة ثابتة من الإجابات المرشحة بدلًا من توليد نص — والفرق يكمن في مكان تشغيل كل منهما.
إجابة سريعة
كلٌّ من Julia-1 وJev هما "نموذجا قرار" مصمّمان لتقييم قائمة ثابتة من الإجابات المرشحة بدلًا من توليد نص حر، لكنهما يقعان على طرفي نقيض من طيف النشر. Julia-1 نموذج بحجم 144.3M معلمة من Supersonic Labs مرخّص بموجب Apache 2.0، يعمل على المعالج CPU دون مفتاح API أو تكلفة لكل رمز. أما Jev فهو واجهة برمجية سحابية مغلقة من TypeSafe AI، يُسعَّر لكل رمز إدخال، دون نشر عدد المعلمات أو الأوزان المفتوحة.
- ▸Julia-1: 144.3M معلمة، Apache 2.0، يعمل محليًا على المعالج CPU، بحجم ~550 MB على القرص
- ▸Jev: واجهة برمجية سحابية فقط من TypeSafe AI، $0.042 لكل مليون رمز إدخال، البنية المعمارية غير معلنة
- ▸كلاهما يقيّم إجابات ثابتة بدلًا من توليد نص — نفس الفئة الناشئة "نموذج القرار"
النقاط الرئيسية
- ✓Julia-1 (من Supersonic Labs) نموذج قرار بحجم 144.3M معلمة مرخّص بموجب Apache 2.0 ومبني على mmBERT-small — يعمل على المعالج CPU، ولا يحتاج مفتاح API، ويزن ~550 MB على القرص
- ✓Jev (من TypeSafe AI) نموذج قرار مغلق، سحابي فقط، أُطلق وسط تغطية إعلامية واسعة في September 15, 2026 — والتسعير هو $0.042 لكل مليون رمز إدخال، والبنية المعمارية غير معلنة
- ✓كلاهما يقيّم قائمة ثابتة من 2 إلى 20 إجابة مرشحة بدلًا من توليد نص — نفس فئة "نموذج القرار" لكن بنموذجَي نشر متعاكسين
- ✓لا توجد حتى الآن أي مقارنة معيارية علنية اختبرت Julia-1 وJev وجهًا لوجه على نفس المهمة
ما هو Julia-1؟
Julia-1 نموذج قرار بحجم 144.3M معلمة بنته Supersonic Labs فوق mmBERT-small، وهو مُرمِّز متعدد اللغات من مركز معالجة اللغة والكلام (CLSP) بجامعة جونز هوبكنز. بالنظر إلى سياق وسؤال و2 إلى 20 إجابة مرشحة، يقيّم Julia-1 كل خيار ويعيد الأفضل منها — فهو لا يولّد نصًا حرًا.
يحافظ النموذج على مخطط الانتباه الخاص بـ mmBERT-small: تهتم كل طبقة ثالثة عالميًا بكامل المدخلات، بينما تهتم بقية الطبقات فقط ضمن نافذة محلية قدرها ±64 رمزًا. يمثّل تضمين مفردات بحجم 256,000 صف نحو 98M من إجمالي 144M معلمة، ولا يقرأ الطلب الواحد سوى صفوف التضمين الخاصة بالرموز المستخدَمة فعليًا — وهذا أحد أسباب تشغيل النموذج على المعالج CPU دون الحاجة إلى GPU.
يُطرح Julia-1 بموجب ترخيص Apache 2.0، ويزن 550.5 MiB على القرص (أوزان FP32)، ويقبل ما يصل إلى 8,192 رمزًا مجتمعة عبر السياق والسؤال والإجابات المرشحة. يستهدف التصنيف وقرارات التوجيه والتقييم المرتب وأحكام نعم/لا — أي نوع القرار ذي الخيارات الثابتة الذي يتخذه وكيل الذكاء الاصطناعي قبل استدعاء أداة أو تصعيد تذكرة، وليس التوليد المفتوح.
نموذجه الأساسي، mmBERT-small، لافت بحد ذاته: درّبته JHU CLSP على أكثر من 1,800 لغة (1,833 لغة في المرحلة النهائية من التدريب) بموجب ترخيص MIT. يصف هذا الرقم مدى تغطية التدريب المسبق لنموذج mmBERT-small — أما دقة Julia-1 نفسه فلم تُقَس إلا عبر 52 لغة محلية في اختبار MASSIVE المعياري، لذا يجب التعامل مع رقم 1,800 لغة كحقيقة تخص النموذج الأساسي، لا كادعاء بشأن دقة Julia-1 متعدد اللغات.
ما مدى دقة Julia-1؟
يسجل Julia-1 94/100 في AG News (تصنيف مواضيع بأربعة تصنيفات) و86/100 في اختبار DAIR Emotion المعياري (6 تصنيفات)، وكلا الرقمين أبلغت عنهما Supersonic Labs نفسها. وفي اختبار النوايا MASSIVE عبر 52 لغة محلية، يجيب بشكل صحيح على 110,573 من أصل 154,648 عنصرًا (71.5%)، وفي مجموعة مختلطة من القرارات المصنّفة يسجل 1,463 من أصل 2,000 (73.15%).
أما النتيجة الأضعف فهي تجربة أولية على 100 مثال في Banking77، وهو اختبار معياري لنوايا القطاع المصرفي يضم 72 تصنيفًا: سجّل Julia-1 فيه 64/100 مقابل درجة مرجعية قدرها 87%. بطاقة النموذج الخاصة بـ Supersonic Labs توضح صراحةً أن "التجارب الأولية على 100 مثال هي إشارات مشجّعة لا ضمانات"، وتشير إلى مجموعات التصنيفات الطويلة والغامضة مثل تصنيفات Banking77 الـ72 باعتبارها نقطة الضعف الحالية لـ Julia-1.
لم يُعِد أي طرف مستقل التحقق من أي من هذه الأرقام خارج بطاقة نموذج Supersonic Labs حتى وقت النشر — تعامل معها كأرقام أبلغ عنها المزوّد إلى أن يتحقق منها طرف ثالث.
| اختبار معياري | التصنيفات | النتيجة | المصدر |
|---|---|---|---|
| AG News | 4 | 94/100 | أبلغ عنه المزوّد |
| DAIR Emotion | 6 | 86/100 | أبلغ عنه المزوّد |
| MASSIVE (52 لغة محلية) | مجموعة نوايا | 71.5% (110,573/154,648) | أبلغ عنه المزوّد |
| Banking77 (تجربة أولية) | 72 | 64/100 مقابل 87% مرجعية | تجربة أولية من المزوّد، 100 مثال |
هل تُشغّل Julia-1 محليًا أم تستخدم واجهة Jev السحابية؟
Jev، الذي أطلقته TypeSafe AI في September 15, 2026، هو النظير السحابي للنهج المحلي الذي يتبعه Julia-1 — وقد حظي باهتمام أكبر بكثير. جذب فيديو الإطلاق نحو 40 million مشاهدة على منصة X، وجمعت TypeSafe AI جولة تمويل أولية بقيمة $40 million بقيادة DCVC حول موعد الإعلان، وتواصل مستثمرون منذ ذلك الحين مع الشركة بتقييمات تتجاوز $10 billion، وفقًا لتغطية بلومبرغ.
بُني Jev على يد باحث سابق في OpenAI، ويُقدَّم كنموذج "System 1": فهو يُعيد قرارات مصنّفة ومعايَرة — لا نصًا — للتوجيه والتقييم والفرز والإشراف على المحتوى، وهي نفس فئة المهام التي يخدمها Julia-1. وخلافًا لـ Julia-1، فإن Jev متاح فقط كواجهة برمجية سحابية عبر شركاء مثل كتالوج نماذج DigitalOcean. لم تنشر TypeSafe AI عدد معلمات Jev أو بنيته المعمارية؛ ويكتفي المراقبون الخارجيون بالافتراض غير المؤكد بأنه نموذج قائم على المحوّلات (transformer) مبني فوق أساس ذي أوزان مفتوحة.
يُسعَّر Jev لكل رمز بدلًا من المجانية بعد التنزيل: يفرض $0.042 لكل مليون رمز إدخال، مع رموز إخراج مجانية حاليًا، وتفيد TypeSafe AI بزمن استجابة شامل يتراوح بين 70–500 مللي ثانية في ظل ظروف واجهة برمجية سحابية قياسية. لا يوجد حتى الآن أي اختبار معياري علني قارن بين Jev وJulia-1 وجهًا لوجه — إذ لم يُقيَّم كلاهما على نفس مجموعة المهام.
للاطلاع على إعدادات محلية تعتمد على المعالج CPU فقط خارج فئة نماذج القرار، راجع أفضل نماذج Ollama للأجهزة التي تعتمد على المعالج CPU فقط.
الأسئلة الشائعة
ما هو "نموذج القرار"، وكيف يختلف عن نموذج اللغة الكبير (LLM)؟▾
هل يمكن لـ Julia-1 أن يحل محل استدعاء نموذج لغوي كبير لتوجيه التذاكر؟▾
هل Julia-1 مجاني الاستخدام؟▾
هل يعمل Jev محليًا مثل Julia-1؟▾
كم تبلغ تكلفة استخدام Jev؟▾
ما هو mmBERT-small، وهل هو نفس Julia-1؟▾
ما مدى دقة Julia-1 في المهام الواقعية؟▾
هل قارن أحد Julia-1 وJev مباشرة على نفس الاختبار المعياري؟▾
هل تريد الشرح الكامل؟
اقرأ الدليل الكامل →لقطات سريعة ذات صلة