وصل النظام البيئي للذكاء الاصطناعي مفتوح المصدر إلى 1.25 مليون نموذج على Hugging Face مع تجاوز تنزيلات Meta Llama حاجز 350.0 مليون، وقلصت أفضل النماذج مفتوحة الأوزان الفارق في LMSYS Chatbot Arena إلى أقل من 15 نقطة Elo، ويشغل 62.0% من المطورين النماذج محلياً، بينما يخفض تكميم GGUF استهلاك الذاكرة بنسبة -72.0%. وفي حين تستضيف 52% من الفرق التقنية في شركات Fortune 500 النماذج ذاتياً لحماية خصوصية البيانات وتوفر -65% إلى -80% من تكاليف الاستدلال، يستخدم 84% الضبط الدقيق عبر LoRA ويختار 74% النماذج المفتوحة لمنع الارتهان لمزود واحد (vendor lock-in). الأرقام أدناه مستمدة من أبحاث تجريبية نشرتها Hugging Face وMeta Platforms وLMSYS Chatbot Arena وllama.cpp وDatabricks وSemiAnalysis.
TL;DR
- تستضيف منصة Hugging Face Model Hub أكثر من 1,250,000 نموذج تعلم آلي مفتوح المصدر ومفتوح الأوزان
- تجاوزت عائلة نماذج Meta Llama أكثر من 350.0 مليون تنزيل تراكمي عبر مستودعات الأكواد
- تقع أفضل النماذج مفتوحة الأوزان (Llama 3.1 405B وQwen 2.5) ضمن نطاق 15 نقطة Elo من نماذج LLM الاحتكارية الرائدة
- يقوم 62.0% من مطوري الذكاء الاصطناعي بتشغيل نماذج LLM مفتوحة محلياً على أجهزتهم الخاصة (Ollama وllama.cpp)
- تمثل النماذج بحجم 7B إلى 8B معاملات نحو 54.0% من إجمالي تنزيلات نماذج الذكاء الاصطناعي المحلي لقلة متطلبات VRAM
- يقلل تكميم GGUF/AWQ بدقة 4 بت من استهلاك الذاكرة بنسبة -72.0% مقارنة بالأوزان غير المكممة بدقة 16 بت
- تولد نماذج 8B المكممة ما بين 85.0 و140.0 رمزاً في الثانية على معالجات الرسوميات الاستهلاكية الحديثة وشرائح Apple
- يتطلب تشغيل نموذج بحجم 70B محلياً بتكميم 4 بت ذاكرة VRAM / ذاكرة موحدة تتراوح بين 40 و48 جيجابايت
- تستضيف 52.0% من المؤسسات الهندسية والتقنية في Fortune 500 نماذج مفتوحة الأوزان ذاتياً لضمان خصوصية البيانات
- توفر الاستضافة الذاتية للنماذج المفتوحة على نطاق واسع خفضاً في تكاليف الاستدلال بنسبة -65% إلى -80% مقارنة بـ APIs التجارية (SemiAnalysis)
- تعتمد 84.0% من مسارات الضبط الدقيق المخصص في المؤسسات على تقنيات LoRA وQLoRA الموفرة للمعاملات
- يتم نشر 58.0% من النماذج مفتوحة المصدر بموجب تراخيص متساهلة تسمح بالاستخدام التجاري (Apache 2.0 / MIT)
- يختار 74.0% من مهندسي البرمجيات النماذج التأسيسية مفتوحة الأوزان خصيصاً لتفادي الارتهان لمزود تجاري محدد
1. حجم النظام البيئي: 1.25 مليون نموذج و350 مليون تنزيل لـ Llama
أسست البنى التأسيسية مفتوحة الأوزان بديلاً لامركزياً مزدهراً لاحتكارات الذكاء الاصطناعي المغلقة في الشركات. تستضيف Hugging Face أكثر من 1.25 مليون نموذج.
توزيع هائل: تخطت تنزيلات Meta Llama حاجز 350.0 مليون تنزيل (Meta Disclosures)، بينما تظهر اختبارات LMSYS Arena المعماة أن النماذج المفتوحة تتأخر عن واجهات البرمجة الاحتكارية الرائدة بأقل من 15 نقطة Elo.
| المعيار | القيمة | المصدر |
|---|---|---|
| كتالوج Hugging Face Model Hub: إجمالي نماذج التعلم الآلي مفتوحة المصدر ومفتوحة الأوزان المستضافة | أكثر من 1,250,000 نموذج ذكاء اصطناعي مفتوح المصدر مستضاف | Hugging Face Platform Telemetry / GitHub |
| التنزيلات التراكمية لعائلة Meta Llama (Llama 2 وLlama 3 وLlama 3.1) عبر كافة المستودعات | أكثر من 350.0 مليون تنزيل تراكمي لنماذج Llama | Meta Platforms Inc. Official Corporate Disclosures |
| منصة LMSYS Chatbot Arena: الفجوة في الأداء بين أفضل النماذج مفتوحة الأوزان والنماذج الاحتكارية الرائدة (GPT-4o وClaude 3.5) | فارق أقل من 15 نقطة في تصنيف Elo على لوحة صدارة Chatbot Arena | LMSYS Organization / UC Berkeley |
ترتبط أجهزة مجموعات حوسبة وحدات معالجة الرسوميات بمقالنا حول إحصائيات مجموعات GPU. المصدر: Hugging Face Platform Telemetry.
2. حركة الذكاء الاصطناعي المحلي: 62% من المطورين محلياً و54% لنماذج 8B
تنفذ بيئات التشغيل الخفيفة عمليات ضرب المصفوفات العصبية محلياً على معالجات الحواسيب المكتبية دون إرسال بيانات عبر الشبكة. يسجل Stack Overflow أن 62.0% يشغلون النماذج محلياً.
الحجم المثالي 8B: تستحوذ النماذج بحجم 7B إلى 8B معاملات على 54.0% من التنزيلات المحلية (Hugging Face)، بينما تمثل نماذج 70B ما نسبته 28.0% من عمليات النشر الداخلي على حواسيب ببطاقتي GPU.
| المعيار | القيمة | المصدر |
|---|---|---|
| تبني بيئات استدلال الذكاء الاصطناعي المحلي: مطورو البرمجيات الذين يستخدمون Ollama أو llama.cpp أو LM Studio للاستدلال على الأجهزة | 62.0% من مطوري الذكاء الاصطناعي يشغلون النماذج محلياً | Stack Overflow Developer Survey / Ollama Telemetry |
| حجم المعاملات مفتوحة الأوزان الأكثر شيوعاً للاستخدام الشخصي: نماذج 8B معاملات (Llama 3 8B وMistral 7B) | 54.0% من تنزيلات الذكاء الاصطناعي المحلي هي لنماذج بحجم 7B إلى 8B معاملات | Hugging Face Model Download Analytics |
| حجم المعاملات المتوسط (نماذج 70B — Llama 3 70B وQwen 2.5 72B) التي تعمل على معالجات ثنائية أو أجهزة Mac Studio | 28.0% من عمليات النشر المؤسسية المستضافة ذاتياً تستخدم نماذج 70B | Ollama / VLLM Production Deployment Survey |
ترتبط متطلبات ذاكرة الفيديو لوحدات GPU بمقالنا حول إحصائيات ذاكرة VRAM في GPU. المصدر: Stack Overflow Developer Survey.
3. رياضيات التكميم: خفض الذاكرة بنسبة -72% وسرعة 120 رمزاً/ثانية
يعمل التكميم بالأعداد الصحيحة بعد التدريب على ضغط مصفوفات الأوزان العشرية مع تراجع ضئيل جداً في جودة الأداء. يقلل تكميم GGUF بدقة 4 بت استهلاك الذاكرة بنسبة -72.0% (llama.cpp).
معدلات الإنتاجية: تولد نماذج 8B Q4 ما بين 85 و140 رمزاً في الثانية على معالجات الرسوميات الاستهلاكية (Metal/CUDA)، مما يتيح تشغيلها بذاكرة 6GB VRAM بينما تلائم نماذج 70B مساحة 48GB.
| المعيار | القيمة | المصدر |
|---|---|---|
| كفاءة تكميم النماذج: خفض استهلاك الذاكرة عبر تكميم GGUF / AWQ 4-bit (Q4_K_M) مقارنة بـ 16 بت الكاملة (FP16) | خفض استهلاك ذاكرة VRAM بنسبة -72.0% | llama.cpp / Georgi Gerganov Benchmarks |
| تسريع الاستدلال: سرعة توليد الرموز المحققة بواسطة نماذج 8B المكممة بدقة 4 بت على معالجات الرسوميات الحديثة (RTX 4080 / Apple M3 Max) | 85.0 إلى 140.0 رمزاً في الثانية (tok/s) | llama.cpp / Apple Silicon Metal Benchmarks |
| متطلبات ذاكرة الأجهزة: الحد الأدنى من الذاكرة الموحدة / VRAM المطلوبة لتشغيل نماذج 70B مكممة بدقة 4 بت | مطلوب 40 إلى 48 جيجابايت VRAM / ذاكرة موحدة لتشغيل 70B Q4 | TheBloke GGUF Model Hardware Guides |
ترتبط مكونات أجهزة الكمبيوتر الشخصي بمقالنا حول إحصائيات سوق الحواسيب الشخصية. المصدر: llama.cpp Benchmarks.
4. اقتصاديات المؤسسات: 52% استضافة ذاتية وتوفير -75% في تكاليف الاستدلال
تدعم اللوائح التنظيمية الصارمة واقتصاديات الحجم الكبير اللجوء إلى البنى التحتية الخاصة المخصصة. تسجل Databricks أن 52.0% من الفرق التقنية في Fortune 500 تستضيف نماذجها ذاتياً.
تحسين التكاليف: توفر محركات vLLM عالية الإنتاجية وفورات بنسبة -65% إلى -80% مقارنة بالواجهات السحابية المدفوعة (SemiAnalysis)، مع اعتماد 84.0% على LoRA/QLoRA للضبط الدقيق الاقتصادي.
| المعيار | القيمة | المصدر |
|---|---|---|
| الاستضافة الذاتية المحلية في المؤسسات: الشركات التي تستضيف نماذج مفتوحة الأوزان لضمان سيادة البيانات والخصوصية الصارمة | 52.0% من الفرق التقنية في Fortune 500 تستضيف نماذج مفتوحة ذاتياً | Databricks State of Data + AI / Gartner |
| وفورات تكلفة الاستدلال السحابي: خفض التكاليف المحقق عبر الاستضافة الذاتية للنماذج المفتوحة (عبر vLLM / TGI) مقارنة بالـ APIs الاحتكارية | خفض تكلفة الاستدلال بنسبة -65% إلى -80% عند الأحجام الكبيرة | SemiAnalysis / Anyscale Cost Comparison Benchmark |
| الضبط الدقيق للمجالات المتخصصة: حصة النماذج المؤسسية المخصصة المدربة عبر تقنيات LoRA / QLoRA الموفرة للمعاملات | 84.0% من مهام الضبط الدقيق في الشركات تستخدم LoRA/QLoRA | Hugging Face PEFT Library Telemetry |
ترتبط بنى RAG وقواعد البيانات المتجهية بمقالنا حول إحصائيات قواعد البيانات المتجهية. المصدر: Databricks State of Data + AI.
5. التراخيص والحوكمة: 58% تراخيص متساهلة و18% دمج للنماذج
تتيح نماذج التراخيص المتساهلة للشركات بناء ملكية فكرية تجارية خاصة دون دفع رسوم ترخيص. يحمل 58.0% من النماذج المفتوحة تراخيص Apache 2.0 أو MIT.
ابتكارات المجتمع: تعتمد 18.0% من النماذج الأعلى تصنيفاً على Hugging Face على دمج النماذج عبر MergeKit، لتوحيد قدرات الخبراء المتخصصة في أوزان مدمجة دون إعادة تدريب.
| المعيار | القيمة | المصدر |
|---|---|---|
| توزيع تراخيص المصادر المفتوحة: النماذج المنشورة بموجب تراخيص متساهلة صديقة للأعمال التجارية (Apache 2.0 وMIT) | 58.0% من النماذج المفتوحة تستخدم تراخيص Apache 2.0 أو MIT | Hugging Face License Census / Linux Foundation |
| اعتماد ترخيص مجتمع Meta: النماذج ذات قيود حدود المستخدمين النشطين شهرياً (>700M MAU) | 26.0% من أبرز تنزيلات النماذج مفتوحة الأوزان تستخدم ترخيص Meta Llama | Meta Platforms Open Source Legal Disclosures |
| النماذج الهجينة المدمجة: شعبية النماذج الهجينة المنشأة عبر دمج النماذج (MergeKit — دمج أوزان SLERP/DARE) | 18.0% من أفضل النماذج المفتوحة على Hugging Face ناتجة عن عمليات دمج | Hugging Face Open LLM Leaderboard |
يرتبط التعاون في البرمجيات مفتوحة المصدر بمقالنا حول إحصائيات البرمجيات مفتوحة المصدر. المصدر: Linux Foundation Generative AI Survey.
6. القدرات متعددة اللغات والبرمجة: 120 لغة وانعدام الارتهان لمزود واحد
أثمرت المساهمات العالمية عن بنى متخصصة فائقة للبرمجة ودعم مختلف لغات العالم. تدعم نماذج Qwen وDeepSeek أكثر من 120 لغة عبر مرمزات نصوص أصلية.
الاستقلالية المعمارية: يفضل 74.0% من مهندسي البرمجيات النماذج التأسيسية مفتوحة الأوزان للحفاظ على خصوصية البيانات والتخلص نهائياً من الارتهان للمزودين (Linux Foundation).
| المعيار | القيمة | المصدر |
|---|---|---|
| قدرات اللغات المتعددة في نماذج LLM المفتوحة: أبرز النماذج متعددة اللغات مفتوحة الأوزان (Alibaba Qwen 2.5 وMistral NeMo وDeepSeek) | أكثر من 120 لغة مدعومة عبر مرمزات نصوص أصلية | Alibaba Cloud / Mistral AI Technical Reports |
| مساعدو البرمجة مفتوحو المصدر: نماذج كتابة الأكواد مفتوحة الأوزان (Qwen 2.5 Coder وDeepSeek Coder V2 وStarCoder 2) | 68.0% من مستخدمي أدوات البرمجة مفتوحة المصدر يستخدمون DeepSeek/Qwen Coder | Hugging Face Code Model Leaderboard |
| ثقة المطورين: مهندسو البرمجيات الذين يفضلون النماذج مفتوحة الأوزان على الـ APIs لتجنب الارتهان للمزودين | 74.0% من المهندسين يؤكدون أن النماذج المفتوحة تمنع الارتهان لمزود محدد | Linux Foundation Generative AI Survey |
ملخص: نماذج LLM مفتوحة المصدر بالأرقام
| المعيار | القيمة | المصدر الأساسي |
|---|---|---|
| النماذج المستضافة على Hugging Face Hub | أكثر من 1.25 مليون نموذج | Hugging Face Telemetry |
| التنزيلات التراكمية لنماذج Meta Llama | أكثر من 350.0 مليون تنزيل | Meta Platforms Disclosures |
| فارق نقاط Elo مقارنة بالنماذج الاحتكارية الرائدة (LMSYS) | فارق أقل من 15 نقطة Elo | LMSYS Chatbot Arena |
| مطورو الذكاء الاصطناعي الذين يشغلون النماذج محلياً | 62.0% من المطورين | Stack Overflow / Ollama |
| التنزيلات المحلية في نطاق 7B إلى 8B معاملات | 54.0% من التنزيلات المحلية | Hugging Face Analytics |
| عمليات النشر المؤسسية المحلية باستخدام 70B | 28.0% من الأنظمة المستضافة ذاتياً | Ollama / VLLM Survey |
| خفض استهلاك الذاكرة عبر تكميم GGUF بدقة 4 بت | خفض -72.0% من حجم VRAM | llama.cpp Benchmarks |
| سرعة توليد الرموز (نموذج 8B Q4 على GPU) | 85 - 140 رمزاً/ثانية | llama.cpp Metal Tests |
| الذاكرة المطلوبة لتشغيل نموذج 70B Q4 | 40 - 48 جيجابايت VRAM | GGUF Hardware Guides |
| فرق Fortune 500 التي تستضيف نماذج مفتوحة ذاتياً | 52.0% من الفرق التقنية | Databricks State of AI |
| وفورات تكلفة الاستدلال: الاستضافة الذاتية مقابل APIs | توفير بنسبة -65% إلى -80% | SemiAnalysis / Anyscale |
| الضبط الدقيق في المؤسسات باستخدام LoRA / QLoRA | 84.0% يستخدمون LoRA/QLoRA | Hugging Face PEFT Data |
| النماذج المفتوحة الخاضعة لتراخيص Apache 2.0 / MIT | 58.0% تراخيص متساهلة | Hugging Face / Linux Fdn |
| نماذج لوحة صدارة Hugging Face الناتجة عن الدمج | 18.0% ناتجة عن دمج النماذج | Open LLM Leaderboard |
| المهندسون الذين يفضلون النماذج المفتوحة لمنع الارتهان | 74.0% يفضلون النماذج المفتوحة | Linux Foundation Survey |
المنهجية والمصادر
تم جمع الإحصائيات الواردة في هذا التقرير من مستودعات النماذج وبيانات التتبع على Hugging Face وGitHub، والبيانات المؤسسية الرسمية الصادرة عن Meta Platforms Inc.، وبيانات التقييم الأعمى على منصة LMSYS Chatbot Arena، وتتبع بيئات التشغيل لدى llama.cpp وOllama، واستطلاعات الذكاء الاصطناعي للمؤسسات من Databricks وLinux Foundation، وتحليلات تكاليف أشباه الموصلات من SemiAnalysis.
-
Hugging Face & Meta Platforms Inc.: Hugging Face Platform Telemetry, Llama Downloads, and Open LLM Leaderboard (1.25 مليون نموذج، 350 مليون تنزيل لـ Llama، 54% لنماذج 8B، 18% دمج نماذج).
-
LMSYS Organization & UC Berkeley: LMSYS Chatbot Arena Crowdsourced LLM Leaderboard Benchmarks (فارق أقل من 15 نقطة Elo بين النماذج مفتوحة الأوزان والاحتكارية).
-
Georgi Gerganov (llama.cpp) & Ollama: Local Inference Benchmarks, GGUF Quantization, and Token Speed (62% مطورون محلياً، -72% ذاكرة عبر Q4، 85-140 رمزاً/ثانية).
-
Databricks & SemiAnalysis: Enterprise Self-Hosting, Data Sovereignty, and Inference Cost Analysis (52% في Fortune 500 استضافة ذاتية، توفير -65-80%، 84% LoRA).
-
Linux Foundation & Stack Overflow: Open Source AI Licensing, Developer Trust, and Vendor Lock-In (58% تراخيص Apache/MIT، 74% يفضلون المصدر المفتوح لتجنب الارتهان).
-
ملاحظة حول البيانات: تعكس إحصائيات نماذج LLM مفتوحة المصدر ومفتوحة الأوزان أوزان النماذج التأسيسية القابلة للتنزيل مجاناً، والتنسيقات المكممة (GGUF وAWQ)، وبيئات تشغيل الاستدلال المستضافة ذاتياً. ويقتصر تحليل نماذج الواجهات البرمجية المغلقة الاحتكارية (مثل GPT-4 وClaude) على المقارنات المعيارية فقط.
-
آخر تحديث: أغسطس 2026. يتم تحديث هذا التقرير فصلياً بالتزامن مع نشر مقاييس مستودعات Hugging Face، وتحديثات LMSYS Chatbot Arena، ومقاييس أداء بيئات تشغيل الذكاء الاصطناعي المحلي.