هل يمكن استخدام LLM المحلي لتشفير الذكاء الاصطناعي؟ ~ملخص اتجاهات ترميز الذكاء الاصطناعي في يوليو 2026 كما تظهر من خلال البيانات~
مؤلف: @kotauchisunsun
تاريخ الافراج عنه: 2026/08/12
اتجاهات وكيل ترميز الذكاء الاصطناعي في أغسطس 2026
نحن نقوم بتشغيل موقع يسمى AI Coding.Info منذ يوليو 2025.
هذا موقع يراقب اتجاهات الاستخدام المتعلقة بوكلاء تشفير الذكاء الاصطناعي مثل Claude Code وCodex CLI وGithub Copilot وGemini من نقطة ثابتة من المعلومات الموجودة في مستودعات Github. لتحديد استخدام AI Coding Agent، نقوم بإجراء استطلاعات يومية وفقًا للشروط التالية.
- التفتيش اليومي على 9000 مستودع عام على Github
- أفضل 300 نجم في Github حسب لغة البرمجة
- تم البحث في 30 نوعا من لغات البرمجة
- يستهدف 16 نوعًا من وكلاء تشفير الذكاء الاصطناعي
- فقط عندما تكون ملفات القاعدة التي يستخدمها العديد من وكلاء تشفير الذكاء الاصطناعي موجودة في مستودع Github، يتم تحديد أنه يتم استخدام AI Coding Agent.
اتجاهات الشهر الماضي
https://ai-coding.info/reports/articles/20260703
معدل استخدام وكيل ترميز الذكاء الاصطناعي هو 13.0%
بلغ معدل استخدام مستودع وكيل ترميز الذكاء الاصطناعي 13.0%، بزيادة قدرها 0.9% مقارنة بـ 12.1% في المرة السابقة.
معدل استخدام AI Coding Agent بتاريخ 2026/8/1
https://ai-coding.info/?date=2026-08-01#adoption-rate
معدل استخدام وكيل ترميز الذكاء الاصطناعي في 1 يوليو 2026
https://ai-coding.info/?date=2026-07-01#adoption-rate
الاتجاهات في معدل استخدام AI Coding Agent من 2026/7/1 إلى 2026/8/1
https://ai-coding.info/?date=2026-04-01&since=2026-07-01&until=2026-08-01#share-trend
حصة وكيل ترميز الذكاء الاصطناعي حسب المنتج
الحصة حسب المنتج هي كما يلي.
| الترتيب | اسم المنتج | معدل المشاركة |
|---|---|---|
| المركز الأول | كوديكس كلي | 40.8% |
| المركز الثاني | كلود كود | 32.0% |
| المركز الثالث | وكيل مساعد الطيار | 15.1% |
| المركز الرابع | الجوزاء CLI (مضاد الجاذبية) | 5.3% |
| المركز الخامس | المؤشر | 4.4% |
وبينما تتزايد حصة Codex CLI، يظل كلود كود كما هو. يظهر أيضًا Copilot Agent وGemini CLI (مضاد الجاذبية) انخفاضًا طفيفًا. المؤشر هو شيء كنت أوليه القليل من الاهتمام. تم الحصول على المؤشر بواسطة SpaceX. كان هناك أخبار.
https://www.nikkei.com/article/DGXZQOGN16BC70W6A610C2000000/
وبالتالي، هل سيكون هناك تغيير في سعر سهم هذا المؤشر؟ اعتقدت ذلك، ولكن الشهر الماضي كان 4.7% وهذا الشهر كان 4.4%، لذلك ليس هناك الكثير من التغيير. بالنظر إلى عدد المستودعات المذكورة أدناه، في الأول من يوليو، كان هناك 85 مستودعًا اعتمد المؤشر، واعتبارًا من الأول من أغسطس، ظل العدد دون تغيير عند 85. لذلك، فيما يتعلق بهذه الظاهرة، زاد عدد المستودعات التي تستخدم AI Coding Agent بشكل عام، لكن عدد استخدام المؤشر لم يزد. ونتيجة لذلك، فإن حصة السوق الإجمالية آخذة في الانخفاض. لقد أصبحت هذه ظاهرة. ومع ذلك، نظرًا لخصائص بحث AI Coding.Info، لن يتغير عدد المستودعات التي تحتوي على ملفات التكوين الخاصة بالمؤشر (.cursor). ومع ذلك، فإن المؤشر نفسه يدعم AGENTS.md. تنص AI Coding.Info على أن عدد المستودعات التي تحتوي على AGENTS.md = عدد اعتماد Codex CLI، لذلك على الرغم من استخدام Cursor، فمن الممكن أن يتم احتسابه على أنه Codex CLI، وهناك احتمال أن يتزايد عدد الاستخدامات في جزء غير مرئي.
معدل مشاركة AI Coding Agent في 8/1/2026
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#agent-share
معدل مشاركة AI Coding Agent بتاريخ 2026/7/1
https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#agent-share
حالة استخدام وكيل ترميز الذكاء الاصطناعي حسب لغة البرمجة
لغة البرمجة التي يتم استخدام AI Coding Agent فيها أكثر من غيرها هي "TypeScript"، والثانية هي "Python"، والثالثة "Rust"، والرابعة هي "Go"، والخامسة هي "C#". لا يزال معدل اعتماد ترميز الذكاء الاصطناعي لـ TypeScript مرتفعًا، في حين أن تكوين "Python" و"Rust" و"Go" كالمجموعة الثانية و"C#" كالمجموعة الثالثة كان اتجاهًا ثابتًا في السنوات الأخيرة.
تصنيف AI Coding Agent حسب لغة البرمجة بتاريخ 2026/8/1
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#language-agent-rank
تصنيف وكيل ترميز الذكاء الاصطناعي حسب لغة البرمجة في 1 يوليو 2026
https://ai-coding.info/?date=2026-07-01&since=2026-07-01&until=2026-08-01#language-agent-rank
الاتجاهات الشهرية في عدد المستودعات التي يستخدمها AI Coding Agent
كان عدد المستودعات 1,794 مستودعًا اعتبارًا من 2026/07/01، لكنه ارتفع إلى 1,940 مستودعًا اعتبارًا من 2026/08/01، وزاد عدد المستودعات التي تستخدم AI Coding Agent بمقدار 146.
التغييرات في عدد المستودعات التي تستخدم AI Coding Agent من 2026/7/1 إلى 2026/8/1
https://ai-coding.info/?date=2026-08-01&since=2026-07-01&until=2026-08-01#time-based-bar-chart
هل يمكن استخدام LLM المحلي لتشفير الذكاء الاصطناعي؟
في يونيو، أطلق كلود الجيل التالي من شهادات LLM، Mythos وFable 5، وأذهل الصناعة بأدائهم. لكن بعد ذلك أصدرت شركة Kimi الصينية نموذجًا بوزن مفتوح يسمى Kimi-K3 وهو تقريبًا من فئة Fable. وأصبح ذلك موضوعا ساخنا. وحتى بالنظر إلى المعايير الفعلية، فإن الأرقام قريبة.
https://artificialanalysis.ai/#intelligence-category-tabs
عندما اعتقدت ذلك،
** أليس LLM المحلي أيضًا خيارًا لتشفير الذكاء الاصطناعي؟ **
أعتقد أنك قد تعتقد ذلك. لقد بحثت في تلك المنطقة. يسرد الجدول أدناه نماذج LLM الرئيسية ذات الوزن المفتوح من الرسم البياني أعلاه.
| اسم الطراز | اسم الشركة | تاريخ الإعلان | عدد المعلمات | عدد المعلمات النشطة | طول السياق | مؤشر الذكاء |
|---|---|---|---|---|---|---|
| كيمي K3(كحد أقصى) | كيمي(الصين) | 2026/07 | 2800 ب | 104ب | 1M | 60 |
| GLM-5.2(max) | Z AI(الصين) | 2026/06 | 756ب | 40ب | 1M | 53 |
| ديب سيك V4 فلاش 0731 | ديب سيك(الصين) | 2026/07 | 284ب | 13ب | 1M | 52 |
| MiMo-V2.5-Pro | شاومي(الصين) | 2026/04 | 1,023ب | 42ب | 1M | 43 |
| موسى جليمر (عالي) | ميتا (الولايات المتحدة الأمريكية) | 2026/08 | 30ب | 256 ألف | 35 | |
| جيما ٤ ٣١ ب (الاستدلال) | جوجل (الولايات المتحدة الأمريكية) | 2026/04 | 30.7 ب | 256 ألف | 30 |
ومع ذلك، هل تعمل هذه العناصر فعليًا على جهاز الكمبيوتر الخاص بك؟ أنا لا أفهم ذلك حقًا. لذلك، كانت طريقة التحديد التي نظرنا فيها
ذاكرة VRAM المطلوبة هي
2[جيجابايت] لكل معلمة 1[ب]
يكون. يمكنك تقدير ما إذا كان سيعمل بشكل تقريبي بناءً على سعة ذاكرة VRAM لجهاز الكمبيوتر الخاص بك وعدد معلمات النموذج الذي تريد تشغيله. لذلك،
**حسابيًا، يلزم وجود ذاكرة سعة 5.6 تيرابايت (5600 جيجابايت) لتشغيل Kimi-K3. **
سأشرح سبب ذلك. في نموذج LLM الموزع القياسي، يتم التعبير عن الأوزان باستخدام أرقام عشرية بدقة bf16 أو fp16. تتطلب هذه 2 بايت لكل معلمة. الترميز الذي تراه غالبًا، مثل 30[B]، هو عدد المعلمات، ويرمز B إلى مليار ويمثل 10^9. لذلك، يمكن ملاحظة أن نموذجًا مثل 30[B] يحتوي على بيانات وزن 30×10^9. و1[جيجابايت]=1*10^9[بايت]. بالتفكير في الأمر بهذه الطريقة، ذكرنا سابقًا أن الأوزان القياسية يتم تخزينها في 2 بايت، لذلك يستغرق الأمر 2 بايت لكل وزن، مما يعني 2 [جيجابايت] لتخزين معلمة واحدة [B] في الذاكرة. هذا هو الحساب. هذا هو معنى "2[GB] لكل معلمة 1[B]" المذكورة سابقًا. ومع ذلك، هذا مجرد تقدير تقريبي. هذا هو الحد الأدنى المطلوب لتحميل الأوزان في VRAM، وبما أنه يمكن استخدام الذاكرة بالإضافة إلى ذلك، فمن المستحسن عدم تجاوزه. هذه هي سعة VRAM.
وهنا يأتي دور مفهوم التكميم. ربما تكون قد شاهدت Q4_0 أو Q4_K_M. هذه تقنية تقوم بضغط الوزن حسب عدد البتات الخاصة به. لذلك، في حالة Q4_0، تقريبًا، تبلغ سعة الوزن 4 بت (الجزء 4 من Q4_0). ولذلك، في هذه الحالة، تكون السعة 0.5[جيجابايت] لكل 1[B]. يبدو الجدول المرجعي السريع لهذه العناصر كما يلي:
| طريقة التكميم | مقدار الذاكرة المطلوبة لكل 1[B] [GB] |
|---|---|
| bf16,fp16(قياسي) | 2.0 |
| س8_0 | 1.0 |
| س4_0 | 0.5 |
قد ترى تدوينًا مثل Q4_K_M، ولكن بشكل تقريبي، فهو نموذج يزيد من الدقة مقارنةً بـ Q4_0، ولكنه يستخدم سعة ذاكرة أكبر قليلاً. ومن الجيد أن تكون على علم بهذا. هناك طريقة أخرى لمعرفة ذلك، ما عليك سوى إلقاء نظرة على حجم ملف الوزن (safetensor أو gguf). إذا تجاوز هذا سعة ذاكرة VRAM، فلن يعمل بشكل عام. أعتقد أنك يمكن أن تعتقد ذلك.
من هنا، قمنا بإنشاء جدول مرجعي سريع لمقدار ذاكرة VRAM وطريقة التكميم وعدد المعلمات.
| سعة ذاكرة VRAM [جيجابايت] | عدد المعلمات (bf16,fp16)[B] | عدد المعلمات (Q8_0)[ب] | عدد المعلمات (Q4_0)[B] |
|---|---|---|---|
| 8 | 4 | 8 | 16 |
| 16 | 8 | 16 | 32 |
| 24 | 12 | 24 | 48 |
| 32 | 16 | 32 | 64 |
| 64 | 32 | 64 | 128 |
| 128 | 64 | 128 | 256 |
| 256 | 128 | 256 | 512 |
| 512 | 256 | 512 | 1024 |
| 1024 | 512 | 1024 | 2048 |
| 2048 | 1024 | 2048 | 4096 |
تقريبا كم من الوقت يمكن القيام به؟ مع الأخذ في الاعتبار أنه إذا كان طرازًا مزودًا بذاكرة VRAM بسعة 8 جيجابايت، فسيكون RTX 5050، وسعر Amazon هو 55000 ين. قد ينجح هذا إذا كان النموذج حوالي 8[B] مكمما باستخدام Q8_0. هذا هو المستوى.
وعندما تزيد ذاكرة VRAM إلى 16 جيجابايت، فإنها تصبح نموذجًا حول RTX 5060 Ti، والذي يبلغ سعره حوالي 108000 ين. في هذه المرحلة، مع تكميم Q4_0، ستعمل دورة LLM من فئة 30[B] أم لا. هذا هو المستوى.
وعندما تزيد ذاكرة VRAM إلى 32 جيجابايت، يصبح الطراز RTX 5090 الرائد ويكلف 795000 ين. عندما يتعلق الأمر بهذا، أعتقد أنه عند مستوى لا يمكنك القيام به إلا إذا كان لديك الكثير من التصميم. أعتقد ذلك. هذا هو تكميم Q8_0، وما إذا كان نموذج الفئة 30[B] يعمل أم لا. سيكون حول نفس المستوى.
هذه المنطقة هي الخط العلوي لمستوى المنتج الاستهلاكي. الآن، عندما يتعلق الأمر بالمستوى الاحترافي، فإن RTX PRO 6000 Blackwell مزود بذاكرة تبلغ 96 جيجابايت. **السعر 2.35 مليون ين. ** هنا، حتى على مستوى التكميم Q4_0، يعمل نموذج 192[B] فقط، وبالتالي فإن النموذج الرئيسي لا يعمل.
وبما أن هناك بيانات حول مجموعة GPU المراد تثبيتها على الخادم، فسوف أقوم بنشرها كمرجع فقط. في حالة NVIDIA B300، تبلغ مساحة الذاكرة 288 جيجابايت والسعر 8.63 مليون ين. إذا كان واحدًا، فقد يعمل DeepSeek V4 Flash 0731 مع التكميم Q8_0. سوف يعمل Q4_0. إذا كان لديك اثنين (ما يعادل 17 مليون ين)، فقد يعمل MiMo-V2.5-Pro مع القياس الكمي Q4_0.
https://www.nttpc.co.jp/cgi-bin/gpu/simulation/custom/index.cgi
لذلك، إذا قارنت مقدار الذاكرة وعدد المعلمات، فهذا هو الأمر. وبطبيعة الحال، هناك ما هو أكثر من هذا للنقاش، وما إذا كان سيتم إدراجه في الذاكرة أم لا. إذًا، هل تولد ما يكفي من TOK/s لاستخدامها بشكل طبيعي؟ هناك قضية أخرى. تتحدث هذه المقالة عن الأساسيات ذاتها. لدى LLM بنيات تسمى Dense وMoE، وفي MoE، يتم حساب المعلمات النشطة فقط، واعتمادًا على طريقة التنفيذ، هناك طريقة لتقليل مقدار الذاكرة الفعلية عن طريق قراءة الخبراء الضروريين من التخزين، وما إلى ذلك، بدلاً من تخزين جميع الخبراء في الذاكرة طوال الوقت. ومع ذلك، هناك بعض الجوانب الخاصة لطريقة تنفيذ النموذج، ويمكن أن يصبح التحميل من وحدة التخزين إلى الذاكرة بمثابة عنق الزجاجة. هناك بعض القصص مثل هذه، لكننا هنا نتجاهل مثل هذه التفاصيل ونفكر ببساطة في السعة عندما يتم تخزين جميع أوزان النموذج في الذاكرة.
لذا، إذا كنت تريد تشغيل الطراز الرئيسي الحالي Q4_0 أو Q8_0، فستحتاج إلى جهاز يكلف 10 ملايين ين على الأقل. هذا هو الشعور به. من ناحية أخرى، قد ينجح الأمر إذا كنت تستخدم أجهزة خاصة لتحقيق قدر أكبر من التكميم. على سبيل المثال، هناك أشخاص يقومون بتشغيل تكميم 2 بت وتكميم 3 بت على جهاز M4 Mac بذاكرة 128 جيجابايت (تم بيعها) وDGX Spark (ذاكرة 128 جيجابايت).
https://zenn.dev/tkhr_sait/articles/20260508_try-local-deepseek-v4
https://dev.classmethod.jp/articles/dgx-spark-deepseek-v4-flash-0731-llama-cpp/
ومن ناحية أخرى، ربما يكون هذا هو الحد الأقصى للفرد. إنه شعور بالجلد. أنا شخصياً أهتم بتكميم 1 بت. تشمل النماذج الشهيرة Bonsai والتكنولوجيا مثل BitNet، ولكن لم يتم الإعلان عن المعرفة المتعلقة بتكميم 1 بت، لذلك لم أجربه (من المحتمل أن يستغرق الأمر قدرًا كبيرًا من الوقت ويقلل من دقة الاستدلال).
لذلك، شخصيًا، إذا تم إصدار نسخة مكممة 1 بت من DeepSeek (حوالي 35.5 جيجابايت)، فيمكنني رؤية عالم يمكن تشغيله فيه محليًا على وحدة معالجة الرسومات على مستوى المستهلك، اعتمادًا على بعض البراعة، ولكن بما أننا لا نملك ذلك حاليًا، فالأمر صعب للغاية. هذه هي الحقيقة الصادقة.
لذلك،
** ليس من الواقعي تشغيل النموذج الرئيسي باستخدام LLM محلي. **
هذا هو انطباعي العام. إذا كنت تريد حقًا أن تعمل، أعتقد أنك بحاجة إلى إجراء بعض الاختبارات.
أفكار
هذه المرة، ركزت حديثي على ماجستير إدارة الأعمال المحلي. عندما صدر Kimi-K3، صدمت تمامًا، وانتقل فصل Fable إلى LLM المحلي! لقد كان الأمر مثيرًا للإعجاب للغاية، لكنني لا أستطيع حتى تحريكه بالمعدات المتوفرة لدي. كان هذا انطباعي الصادق. لقد قمت بنشر مقالة حول LLM المحلية في الماضي، لكنها لم تعمل بشكل جيد في ذلك الوقت، لذلك أود أن أتعمق فيها قليلاً بنفسي. كنت أعتقد ذلك.