إزالة أحد أكبر عوائق النماذج المفتوحة
شهدت سوق النماذج المفتوحة خلال العام الماضي مفارقة واضحة: بعض أقوى الإصدارات القادمة من الصين كانت تبدو جذابة تقنياً، لكنها ظلت مقيدة عملياً أمام عدد واسع من الشركات بسبب شروط ترخيص تستبعد مناطق مثل الاتحاد الأوروبي والمملكة المتحدة وكوريا الجنوبية. هذه القيود لم تكن تفصيلاً قانونياً ثانوياً، بل كانت كافية لإيقاف مشاريع قبل أن تنتهي فرق الهندسة من الاختبارات الأولية، لأن أقسام الشؤون القانونية كانت غالباً تحسم الأمر مسبقاً.
في هذا السياق، يأتي إعلان تينسنت عن الإطلاق الكامل لنموذج Hy3 باعتباره خطوة تتجاوز الجانب التقني إلى الجانب التجاري والتنظيمي. فالنموذج الجديد، الذي ينتمي إلى فئة Mixture of Experts، يضم 295 مليار معامل إجمالاً، مع 21 ملياراً نشطة في كل تمرير، لكنه هذه المرة يُطرح تحت رخصة Apache 2.0 المرنة، من دون استثناءات إقليمية أو قيود على مجالات الاستخدام.
هذه النقطة كانت الأبرز في ردود الفعل داخل مجتمع النماذج المفتوحة، لأن القيمة الفعلية للنموذج لم تعد محصورة في الأرقام وحدها، بل في إمكانية تبنيه داخل بيئات عمل تخضع لرقابة قانونية صارمة أو لخدمات موجهة إلى أسواق متعددة.
من معاينة أولية إلى إصدار كامل خلال عشرة أسابيع
النسخة النهائية من Hy3 ليست مجرد تحديث تجميلي لنسخة تجريبية سابقة. ففريق Hunyuan في تينسنت كان قد قدّم معاينة أولية في أبريل، بعد إعادة بناء بنيته الخاصة بالتدريب المسبق والتعلم المعزز، ثم استخدم ما جمعه من ملاحظات قبل إطلاق النسخة الكاملة. ووفقاً لما ورد في بطاقة النموذج، فقد ساهمت أكثر من 50 فرقة منتج داخلية في تقييم السلوك العملي للنموذج، ما أدى إلى إصلاح مشكلات في تنفيذ المهام وفي جودة التفاعل، مع توسيع خط أنابيب ما بعد التدريب.
من الناحية المعمارية، حافظ النموذج على تصميمه الأساسي: 192 خبيراً، واختيار أعلى 8 خبراء في كل مرة، إلى جانب طبقة متعددة التنبؤ بالرموز بحجم 3.8 مليار معامل لدعم فك الترميز الاستباقي، وسياق طويل يصل إلى 256 ألف رمز. ومع أن هذه المواصفات لم تتغير، فإن تينسنت تؤكد أن السلوك نفسه تحسن بصورة ملحوظة، وأن النسخة الكاملة باتت أقوى من نماذج مشابهة في الحجم، وأقرب إلى نماذج مفتوحة أكبر بكثير من حيث القدرة العملية.
اختبارات بشرية تفضّل Hy3 في بعض السيناريوهات
اختيار تينسنت لعرض نتائجها لم يعتمد على لوحة صدارة واحدة، بل على اختبار أعمى شارك فيه 270 خبيراً من تخصصات مختلفة، وغطى 312 مقارنة صالحة في سيناريوهات عمل حقيقية. وفي هذا الاختبار، سجل Hy3 نتيجة 2.67 من 4 مقابل 2.51 لنموذج GLM-5.1، مع أفضلية أوضح في تطوير الواجهات الأمامية، وسلاسل التكامل والنشر المستمر، وأعمال البيانات والتخزين.
لكن قراءة هذه النتائج تحتاج إلى حذر. فمقارنة تينسنت كانت موجهة إلى GLM-5.1، بينما النسخة الأحدث من Zhipu AI، وهي GLM-5.2، تبدو متقدمة بوضوح في مجال البرمجة. ووفق الجداول التي نشرتها تينسنت نفسها، فإن GLM-5.2 يتفوق على Hy3 في معظم اختبارات البرمجة الوكيلية، ومنها SWE-bench Verified، وSWE-bench Multilingual، وTerminal-Bench 2.1، إضافة إلى DeepSWE بفارق كبير. بمعنى آخر، Hy3 لا ينتزع صدارة البرمجة، لكنه ينافس في مجالات أخرى بوزن تقني وتجاري لا يقل أهمية.
قوة Hy3 الحقيقية في البحث والأدوات والتنسيق بين المهام
أين يتفوق Hy3 إذن؟ بحسب أرقام تينسنت، يحقق النموذج نتائج قوية في البحث الوكيلي وعمليات تنسيق الأدوات والمهام الطويلة متعددة الخطوات. ففي مقاييس مثل BrowseComp وDeepSearchQA، يقدم أداءً يضعه في موقع تنافسي حتى أمام نماذج تجارية ضخمة، ويجعله في موقع متقدم ضمن النماذج المفتوحة في مجالات البحث والتجميع والاسترجاع.
كما يظهر تفوقه في اختبارات مثل MCP-Atlas وClawEval وAA-LCR، وهي اختبارات ترتبط مباشرة بمدى قدرة النموذج على العمل ضمن بيئات تعتمد على أدوات خارجية، أو على التعامل مع سياقات طويلة، أو على الحفاظ على الاتساق أثناء المهام المركبة. هذه الجوانب قد لا تحظى بالاهتمام نفسه الذي تحظى به اختبارات البرمجة، لكنها عملياً أقرب إلى احتياجات الشركات التي تنشر وكلاء ذكاء اصطناعي داخل الإنتاج.
ومع ذلك، يبقى هناك قيد مهم: معظم النتائج التي تعرضها تينسنت تعود إلى اختبارات داخلية أو إلى تشغيلها الخاص للنماذج المنافسة، وهو ما يعني أن التحقق المستقل من هذه الأرقام لم يكتمل بعد. لذلك، فإن القيمة الحقيقية لهذه الأرقام تكمن في أنها تشير إلى اتجاهات الأداء، لا إلى حكم نهائي على السوق.
الاعتمادية تصبح عنوان الإطلاق الجديد
اللافت في طريقة عرض تينسنت للنموذج هو أن الشركة لم تقدمه باعتباره مجرد نموذج أعلى على الجداول، بل باعتباره تحسناً ملموساً في الاعتمادية. فبحسب بياناتها الداخلية، انخفضت نسبة الهلوسة من 12.5% إلى 5.4% مقارنة بالنسخة التجريبية، وتراجعت أخطاء الحس السليم من 25.4% إلى 12.7%، كما هبطت مشكلات الحوار متعدد الجولات من 17.4% إلى 7.9%.
وترى الشركة أن هذا التحسن ناتج عن تنظيف أدق للبيانات وعن ضبط أشد لقواعد التدريب، مع فلسفة تشغيلية واضحة: الإجابة عندما توجد أدلة كافية، والامتناع عن الادعاء عند غيابها، وعدم خلط المصادر أو اختلاق معلومات. هذه اللغة ليست لغة استعراض نماذج، بل لغة فرق تشغيل تبحث عن نموذج يمكن الوثوق به داخل التطبيقات المؤسسية.
وإلى جانب ذلك، تشير تينسنت إلى أن أداء Hy3 بقي متماسكاً عبر أطر استخدام مختلفة للوكلاء، مثل Claude Code-style harnesses وCline وKiloCode. هذه النقطة تبدو تقنية لكنها بالغة الأهمية، لأن المؤسسات لا تختار دائماً إطار عمل واحداً، وأي تفاوت كبير بين الأطر يتحول سريعاً إلى تكلفة دمج مخفية.
حسابات النشر: أصغر من GLM-5.2 وأقرب إلى الواقع التشغيلي
من زاوية البنية التحتية، يبدو Hy3 أصغر بكثير من منافسه المباشر في البرمجة. فالنموذج المنافس GLM-5.2 يُقدّر بأنه نموذج MoE بنحو 744 مليار معامل إجمالاً، مع نحو 40 مليار معامل نشط لكل رمز، بينما يحمل Hy3 295 مليار معامل إجمالاً و21 ملياراً نشطة فقط. هذا الفارق لا ينعكس على الأداء فقط، بل على كلفة التشغيل والذاكرة المطلوبة.
عملياً، يعني ذلك أن وزن النموذج في صيغة FP8 يقل عن 300 غيغابايت، وهو مستوى يسهل تشغيله على بنية أقرب إلى الواقع التجاري مقارنةً بالنماذج الأضخم التي تحتاج إلى عتاد كبير جداً. لذلك، تعطي تينسنت أهمية واضحة لكفاءة التشغيل، لا للمنافسة على الحجم المطلق. ويظهر ذلك أيضاً في إرشادات النشر التي تشير إلى بطاقة H20-3e من إنفيديا، وهي نسخة صممت لتتوافق مع قيود التصدير الأمريكية إلى الصين.
هذه الإشارة لها دلالة مزدوجة. فمن جهة، تثبت أن النموذج بُني وهو يأخذ حدود العتاد المتاح في الحسبان. ومن جهة أخرى، تعني أن تشغيله في مراكز البيانات الغربية قد يكون أسهل نسبياً على بطاقات H100 أو H200 أو B200، لأن البنية التي تعمل ضمن حدود صارمة داخل الصين تميل عادةً إلى أن تكون أكثر مرونة حين تتوفر موارد أكبر.
ماذا يعني الترخيص المفتوح للمؤسسات؟
الخطوة الأهم هنا ليست فقط في حجم النموذج أو نتائجه، بل في الجمع بين الأداء المقبول والترخيص المفتوح والكلفة التشغيلية القابلة للإدارة. هذا المزيج يضع Hy3 في موقع مختلف عن كثير من النماذج التي تبدو قوية على الورق، لكنها تتعثر عند أول سؤال حول الامتثال أو التبني المؤسسي.
إذا كانت البرمجة هي المعيار الوحيد، فـ GLM-5.2 ما زال يتقدم. أما إذا كانت الأولوية لتطبيقات البحث والأدوات والوكلاء، إضافة إلى تقليل المخاطر التشغيلية وتقليص عبء البنية التحتية، فإن Hy3 يطرح نفسه كخيار أكثر توازناً. وبالنسبة إلى الشركات التي تبحث عن نموذج مفتوح يمكن دمجه في الإنتاج دون مفاجآت قانونية، فإن رخصة Apache 2.0 قد تكون الحسم الحقيقي، لا رقم المعاملات وحده.
في النهاية، يوضح إطلاق Hy3 أن المنافسة في الذكاء الاصطناعي لم تعد تدور حول من يرفع أكبر عدد من المعاملات فحسب، بل حول من يستطيع تحويل ذلك إلى منتج يمكن تشغيله والاعتماد عليه وتوسيع نطاقه. وفي هذا المعيار تحديداً، تحاول تينسنت أن تنقل النقاش من السباق على الصدارة إلى سباق على قابلية الاستخدام.