Local AI & Hardware

أفضل نماذج LLM مفتوحة المصدر للتشغيل المحلي (2026): دليل Mac VRAM وRTX

2026-09-02·22 دقيقة قراءة دقائق قراءة·LLMPodium Team

إجابة سريعة: يعتمد اختيار أفضل نموذج محلي مفتوح المصدر في 2026 على سعة الذاكرة الموحدة (VRAM): على أجهزة Mac سعة 16GB، يُعد Qwen 2.5 Coder 7B / 14B Q4_K_M (45–65 tps) الخيار الأفضل. وعلى Mac/RTX سعة 32GB–64GB، يقدم Qwen 2.5 Coder 32B Q4_K_M وLlama 3.3 70B IQ3_XXS أداءً برمجياً واستدلالياً متفوقاً. ولأجهزة Mac Studio بسعة 128GB، يعمل DeepSeek R1 / V3 وLlama 3.3 70B Q8 دون أي تكاليف سحابية.

1. المقدمة: ثورة النماذج مفتوحة الأوزان للتشغيل المحلي في 2026

في عام 2026، لم يعد تشغيل النماذج اللغوية الضخمة (LLMs) الرائدة محلياً على الأجهزة المكتبية مجرد تجربة لهواة الأنظمة التقنية، بل تحول إلى ضرورة استراتيجية للشركات. يتجه مهندسو البرمجيات والمحللون الماليون والمنظمات الحريصة على الخصوصية بسرعة بعيداً عن واجهات برمجة التطبيقات السحابية المغلقة (OpenAI وAnthropic وGoogle) نحو النماذج مفتوحة المصدر المستضافة ذاتياً.

يقود هذا التحول ثلاثة دوافع جوهرية:

  1. سيادة البيانات والامتثال القانوني: تمنع اللوائح التنظيمية الصارمة (مثل GDPR وHIPAA وSOC 2 Type II) إرسال الأكواد المصدرية الداخلية والوثائق السرية وبيانات العملاء إلى خوادم استدلال تابعة لجهات خارجية.
  2. بنية الذاكرة الموحدة في معالجات Apple Silicon (UMA): بخلاف الحواسيب التقليدية حيث تُحصر الذاكرة الرسومية السريعة داخل بطاقات PCIe منفصلة (بحد أقصى 24GB على بطاقات RTX 4090 / 5090 الموجهة للمستهلكين)، توفر شرائح Apple M (M3/M4 Pro وMax وUltra) ما بين 128GB إلى 192GB من ذاكرة LPDDR5X الموحدة فائقة السرعة، التي تتصل مباشرة بأنوية معالجة الرسوميات بنطاق ترددي يتراوح بين 400 و800+ جيجابايت/ثانية.
  3. التطور الهائل في خوارزميات التكميم (GGUF وEXL2 وAWQ وMLX): تتيح تقنيات التكميم الحديثة (k-quants ومصفوفات الأهمية imatrix IQ2/IQ3/IQ4) تشغيل نماذج بحجم 70 مليار معامل داخل مساحة ذاكرة تقل عن 38GB مع فقدان لا يُذكر في دقة الاستدلال (<0.15 نقطة على Wikitext-2).

يقارن هذا الدليل الشامل بين أبرز النماذج المفتوحة على معالجات Apple Silicon (من 16GB حتى 128GB) وبطاقات NVIDIA RTX، مقدماً معادلات حساب الذاكرة وسرعات التوليد الحقيقية (tps وTTFT) وتقييمات معيارية دقيقة على SWE-bench وLiveCodeBench.

2. مقارنة العتاد: الذاكرة الموحدة في Mac مقابل بطاقات NVIDIA RTX المنفصلة

يُعد استيعاب الفوارق في بنية الذاكرة أمراً حاسماً لاختيار حجم النموذج ونمط التكميم المناسبين. 

+-----------------------------------------------------------------------------------------+
|                                  طوبولوجيا ذاكرة العتاد                                 |
+---------------------------------------------------+-------------------------------------+
| الذاكرة الموحدة في Apple Silicon (UMA)            | الحواسيب المكتبية التقليدية (x86 + NVIDIA) |
+---------------------------------------------------+-------------------------------------+
| يشترك المعالج الرسومي والمركزي في ذاكرة LPDDR5X  | تنفصل ذاكرة النظام (DDR5) عن VRAM   |
| لا يوجد اختناق في نقل البيانات عبر مسار PCIe      | يتم نقل البيانات عبر PCIe Gen 4/5   |
| سعة الذاكرة: من 16GB حتى 192GB (M4 Ultra)         | سعة VRAM: من 16GB إلى 24GB (بطاقة واحدة) |
| النطاق الترددي: من 150 حتى 800+ جيجابايت/ثانية    | النطاق الترددي: 1,008 جيجابايت/ثانية|
| تسريع Metal Performance Shaders وMLX              | أنوية CUDA وأنوية Tensor وFlashAttn |
| أعلى سعة لاستيعاب السياق لكل دولار مستثمر         | أعلى سرعة توليد خام للرموز (TPS)    |
+---------------------------------------------------+-------------------------------------+

المعادلة الرياضية لحساب VRAM المطلوبة للنماذج المحلية

لحساب متطلبات الذاكرة بدقة لمنع انهيار النظام أو الاعتماد البطيء على التبادل مع القرص:

$$\text{إجمالي VRAM (جيجابايت)} = \left( \frac{\text{المعاملات (بالمليار)} \times \text{البايتات لكل وزن}}{8} \times 1.15 \right) + \text{ذاكرة KV Cache (جيجابايت)} + \text{استهلاك النظام (جيجابايت)}$$

شرح المعاملات:

  • المعاملات (بالمليار): حجم النموذج (مثل 7B أو 14B أو 32B أو 70B).
  • البايتات لكل وزن: 16 لنمط FP16، و8 لنمط Q8_0، و4.5 لنمط Q4_K_M، و3.2 لنمط IQ3_M.
  • المعامل 1.15: هامش أمان بنسبة 15% لحسابات التنشيط والمخازن المؤقتة.
  • حجم ذاكرة كاش KV: $\text{ذاكرة KV} = 2 \times \text{الطبقات} \times \text{الرؤوس} \times \text{أبعاد الرأس} \times \text{طول السياق} \times \text{البايتات لكل عنصر}$. بالنسبة لسياق بطول 8k على نموذج 70B، تستهلك ذاكرة FP16 حوالي 2.5GB، ويقلص التكميم الرباعي (--cache-type-k q4_0 --cache-type-v q4_0) هذا الرقم إلى 0.7GB.
  • استهلاك النظام: يحجز نظام macOS عادة بين 4GB و6GB لخدمات النظام والشاشة. بينما يحتاج لينكس دون واجهة إلى ~1.2GB.

3. مصفوفة الاختبارات المعيارية: النماذج المحلية في 2026

قمنا باختبار أداء النماذج المفتوحة الرائدة عبر مهام البرمجة والاستدلال المنطقي واستدعاء الأدوات وسرعة إخراج الرموز.

منصات الاختبار المستخدمة:

  • المنصة A (Apple Silicon Ultra): جهاز Mac Studio M3/M4 Ultra، ذاكرة موحدة 128GB، نطاق 800 جيجابايت/ثانية.
  • المنصة B (Apple Silicon Max): حاسوب MacBook Pro M4 Max، ذاكرة موحدة 48GB، نطاق 410 جيجابايت/ثانية.
  • المنصة C (Apple Silicon Pro): حاسوب MacBook Pro M4 Pro، ذاكرة موحدة 24GB، نطاق 273 جيجابايت/ثانية.
  • المنصة D (بطاقتان NVIDIA RTX): بطاقتان GeForce RTX 4090 24GB (إجمالي 48GB VRAM)، معالج AMD Ryzen 9 9950X، ذاكرة 64GB DDR5.
اسم النموذج البنية وعدد المعاملات صيغة التكميم الحد الأدنى لـ VRAM SWE-bench Verified LiveCodeBench v4 MMLU-Pro السرعة (Mac Studio 128GB) السرعة (Dual RTX 4090)
Qwen 2.5 Coder 32B Dense / 32.5B Q4_K_M (19.8 GB) 24 GB UMA / VRAM 43.6% 51.2% 68.4% 38.2 tps 76.4 tps
Llama 3.3 70B Instruct Dense / 70.6B Q4_K_M (42.5 GB) 48 GB UMA / بطاقتان 41.2% 48.7% 73.1% 18.5 tps 42.1 tps
DeepSeek R1 Distill 32B Dense استدلالي / 32B Q4_K_M (20.1 GB) 24 GB UMA / VRAM 42.8% 49.5% 71.8% 37.8 tps 74.2 tps
DeepSeek Coder V2.5 MoE (21B نشط / 236B) IQ3_XXS (88.4 GB) 96 GB–128 GB UMA 39.4% 46.8% 66.2% 14.2 tps عنق زجاجة مسار PCIe
Qwen 2.5 Coder 14B Dense / 14.7B Q4_K_M (9.2 GB) 16 GB UMA / VRAM 33.8% 40.1% 58.6% 62.4 tps 112.5 tps
Qwen 2.5 Coder 7B Dense / 7.6B Q8_0 (8.1 GB) 12 GB UMA / VRAM 27.4% 34.2% 51.3% 94.1 tps 168.0 tps
GLM-4 9B Chat Dense / 9.2B Q4_K_M (5.8 GB) 10 GB UMA / VRAM 26.8% 32.7% 54.2% 86.5 tps 148.2 tps
Llama 3.2 3B Dense / 3.2B FP16 (6.4 GB) 8 GB UMA / VRAM 16.2% 21.4% 39.8% 145.0 tps 240.0 tps

4. دليل التوافق مع العتاد: ما النموذج الأنسب لجهازك؟

الفئة 1: ذاكرة موحدة سعة 16GB (أجهزة MacBook Air وPro الأساسية M2/M3/M4)

  • الذاكرة المتاحة للنماذج: 11GB–12GB.
  • النموذج الأفضل: Qwen 2.5 Coder 7B (Q8_0 أو Q4_K_M) أو Qwen 2.5 Coder 14B (Q3_K_M / Q4_K_S).
  • النموذج المساعد السريع: Llama 3.2 3B (Q8_0) للمهام البسيطة وكتابة رسائل Git Commit.
  • الأداء: 55–90 رمزاً/ثانية. ممتاز للإكمال التلقائي وإعادة هيكلة الدوال المنفصلة.

الفئة 2: ذاكرة موحدة من 24GB إلى 36GB (معالجات M3/M4 Pro وMax الأساسي، وبطاقة RTX 3090/4090)

  • الذاكرة المتاحة للنماذج: 18GB–28GB.
  • النموذج الأفضل: Qwen 2.5 Coder 32B Instruct (Q4_K_M) — النموذج الذهبي في البرمجة المحلية.
  • نموذج الاستدلال: DeepSeek R1 Distill Qwen 32B (Q4_K_M) للتحليل المنطقي المعقد وتصميم البنى البرمجية.
  • الأداء: 28–38 رمزاً/ثانية على Mac؛ و70–80 رمزاً/ثانية على RTX 4090. قادر تماماً على إصلاح الأخطاء عبر ملفات متعددة.

الفئة 3: ذاكرة موحدة من 48GB إلى 64GB (معالجات M3/M4 Max وبطاقتان RTX 3090/4090)

  • الذاكرة المتاحة للنماذج: 38GB–52GB.
  • النموذج الأفضل: Llama 3.3 70B Instruct (Q4_K_M) وQwen 2.5 Coder 32B (Q8_0).
  • المستندات الكبيرة: نموذج Command R+ (Q3_K_S) لسياقات ضخمة تصل إلى 128k رمز.
  • الأداء: 16–22 رمزاً/ثانية على M4 Max؛ و40–48 رمزاً/ثانية على بطاقتي RTX 4090. مستوى تفكير يضاهي النماذج التجارية السحابية.

الفئة 4: ذاكرة موحدة من 96GB إلى 128GB+ (أجهزة Mac Studio Ultra وMac Pro)

  • الذاكرة المتاحة للنماذج: 80GB–110GB.
  • النموذج الأفضل: Llama 3.3 70B Instruct (Q8_0) وDeepSeek Coder V2.5 MoE (IQ3_M / Q4_K_M) وDeepSeek R1 671B (IQ1_S / IQ2_XXS).
  • الأداء: 14–20 رمزاً/ثانية على نماذج MoE الضخمة. القدرة على إدارة سياقات طويلة تتجاوز 64k محلياً بالكامل.

5. مراجعة معمقة للنماذج الرئيسية

5.1 Qwen 2.5 Coder 32B: المعيار القياسي للبرمجة المحلية

تم تدريبه بواسطة علي بابا على 5.5 تريليون رمز ويغطي 92 لغة برمجة، مما يغني عن الاشتراكات السحابية المدفوعة.

  • الميزة الهندسية: ضبط تردد RoPE الأساسي عند 1M للحفاظ على دقة البحث من 32k إلى 128k رمز.
  • SWE-bench Verified: 43.6% (متفوقاً على الإصدارات الأولى لـ GPT-4 وClaude 3 Sonnet).
  • دعم الوكلاء البرمجيين: التزام تام بهياكل JSON وتنفيذ موثوق لاستدعاء الأدوات في أدوات مثل Cline وRoo Code وOpenCode.

5.2 Llama 3.3 70B Instruct: ركيزة النماذج المفتوحة من Meta

يوفر أداء نموذج 405B السابق بمتطلبات تشغيل أقل بكثير.

  • الميزة الهندسية: استخدام آلية Grouped-Query Attention (GQA) بـ 8 رؤوس يقلل من استهلاك الذاكرة لذاكرة كاش بنسبة 75%.
  • MMLU-Pro: 73.1%، منافساً لـ Claude 3.5 Sonnet في هندسة النظم والمنطق الصوري والقانون.
  • المرونة مع التكميم: يحافظ على 99.1% من دقته الأصلية FP16 عند ضغطه إلى صيغة Q4_K_M (42.5GB).

5.3 DeepSeek R1 Distill Qwen 32B: تفكير استدلالي متقدم على مكتبك

نموذج يجمع بين سلاسل التفكير الناتجة عن التعلم المعزز (...) والأوزان المدمجة الفعالة.

  • نقاط القوة: بارع في اكتشاف حالات التعارض (Race Conditions) في الأكواد غير المتزامنة وتدقيق الخوارزميات.
  • ملاحظة الاستخدام: يولد عدداً كبيراً من الرموز لتوضيح خطوات التفكير؛ يفضل سرعة لا تقل عن 30 رمزاً/ثانية لتجربة تفاعلية مريحة.

6. مقارنة محركات التشغيل: Ollama مقابل llama.cpp ومقابل vLLM وMLX

يحدد محرك الاستدلال سرعة التوليد وزمن الاستجابة وسهولة الربط مع البيئات البرمجية. 

+-----------------------------------------------------------------------------------------+
|                                    مقارنة محركات الاستدلال                              |
+-------------------+-------------------+------------------------+------------------------+
| المحرك            | المنصة الأساسية   | نقطة القوة             | أفضل استخدام           |
+-------------------+-------------------+------------------------+------------------------+
| **Ollama**        | macOS, Linux, Win | سهولة الواجهة وREST API| بيئات التطوير المحلية  |
| **llama.cpp**     | متوافق مع كل الأنظمة| كفاءة C++ وGGUF        | أقصى قدر من التكميم    |
| **vLLM**          | Linux / NVIDIA    | سرعة PagedAttention    | خوادم الإنتاج الكبيرة  |
| **MLX / LM-Studio**| Apple Silicon Mac | استغلال مباشر لـ Metal | أجهزة Mac بواجهة رسومية|
+-------------------+-------------------+------------------------+------------------------+

الإعداد العملي: تشغيل Qwen 2.5 Coder 32B عبر Ollama

إنشاء وضبط نموذج بسياق 32k مع تكميم ذاكرة الكاش إلى 4 بت: 

# 1. تثبيت Ollama على macOS أو Linux
curl -fsSL https://ollama.com/install.sh | sh

# 2. تحميل نموذج Qwen 2.5 Coder 32B بصيغة Q4_K_M
ollama run qwen2.5-coder:32b-instruct-q4_K_M

# 3. إعداد Modelfile لسياق 32k
cat << 'EOF' > Modelfile-Coder
FROM qwen2.5-coder:32b-instruct-q4_K_M
PARAMETER num_ctx 32768
PARAMETER num_predict 4096
PARAMETER stop "<|im_end|>"
PARAMETER temperature 0.2
PARAMETER top_p 0.95
EOF

ollama create local-coder-32k -f Modelfile-Coder
ollama serve

التسريع الأقصى على معالجات Mac: تشغيل النموذج عبر Apple MLX

للحصول على أعلى معدل رموز ممكن على أجهزة Apple Silicon: 

# تثبيت مكتبة MLX-LM
pip install mlx-lm

# تشغيل النموذج محلياً عبر محرك Metal
python -m mlx_lm.generate   --model mlx-community/Qwen2.5-Coder-32B-Instruct-4bit   --prompt "Write a high-concurrency Rust actor pattern using Tokio."   --max-tokens 2048   --temp 0.2

7. الجدوى الاقتصادية وعائد الاستثمار: العتاد المحلي مقابل الواجهات السحابية

هل شراء Mac Studio بقيمة 3,999 دولاراً أو منصة RTX 4090 مزدوجة بقيمة 3,500 دولار مجدٍ مالياً مقارنة باشتراكات النماذج السحابية؟ 

+-----------------------------------------------------------------------------------------+
|                               التكلفة التراكمية على مدار 24 شهراً                        |
|                                                                                         |
| $15,000 |                                                الواجهات السحابية (استخدام كثيف)|
|         |                                                .................../           |
| $10,000 |                                  ............./                               |
|         |                    ............./                                             |
|  $5,000 |      ............/                      Mac Studio M4 Ultra محلي ($3,999)     |
|         | ----/------------------------------------------------------------------------ |
|      $0 +------------------------------------------------------------------------------ |
|         الشهر 0            الشهر 6            الشهر 12           الشهر 18      الشهر 24 |
+-----------------------------------------------------------------------------------------+
نمط الاستخدام الاستهلاك الشهري للرموز تكلفة السحابة (Sonnet/o3) تكلفة Mac Studio 128GB محلياً فترة استرداد رأس المال
مطور فردي 15 مليون رمز/شهر 85 دولاراً / شهر 3,999 دولاراً + 8 دولارات/شهر كهرباء 48 شهراً
فريق صغير (5 مطورين) 120 مليون رمز/شهر 680 دولاراً / شهر 3,999 دولاراً + 18 دولاراً/شهر كهرباء 5.8 أشهر
فريق تقني (20 مطوراً) 850 مليون رمز/شهر 4,850 دولاراً / شهر مجمع جهازي Mac Studio ($7,998) 1.7 شهر

الخلاصة الاقتصادية: للاستخدام المحدود، تبقى الخدمات السحابية أرخص. لكن بالنسبة للفرق الهندسية النشطة التي تعتمد على وكلاء البرمجة المستقلين (مثل Cline وRoo Code وAider التي تستهلك بين 500k و2M رمز لكل مهمة)، يسترد العتاد المحلي تكلفته بالكامل في أقل من ستة أشهر، مع ضمان أمان تام للبيانات.

8. إرشادات التطبيق في الشركات

  1. لأجهزة الكمبيوتر المحمولة بسعة 16GB: التزم بنماذج Qwen 2.5 Coder 14B Q4_K_M أو 7B Q8_0. تجنب تشغيل نماذج 32B على 16GB، حيث تؤدي عملية التبادل مع القرص إلى تراجع السرعة إلى أقل من 2 رمز/ثانية وإجهاد محرك SSD.
  2. للأجهزة بسعة 32GB إلى 48GB: اعتمد Qwen 2.5 Coder 32B Instruct (Q4_K_M) للبرمجة اليومية، وLlama 3.3 70B (IQ3_XXS) للتصميم المعماري.
  3. تفعيل تكميم ذاكرة كاش KV: قم بتفعيل خيار 4-bit (q4_0) في llama.cpp وOllama لتوفير ما بين 3GB إلى 8GB من الذاكرة في السياقات الطويلة التي تتجاوز 32k.
  4. الربط مع أدوات التطوير: اربط عنوان Ollama المحلي (http://localhost:11434/v1) بإضافات VS Code كواجهة متوافقة مع OpenAI لتطوير معزول وآمن دون اتصال بالإنترنت.

9. الأسئلة الشائعة (FAQ)

هل يستطيع معالج Apple Silicon M4 Pro تشغيل Llama 3.3 70B؟

لا يمكن لمعالج M4 Pro بسعة 24GB أو 36GB تشغيل Llama 3.3 70B دون تكميم متطرف (IQ2_XXS) وحدوث تبادل خانق للذاكرة مع القرص (<1 رمز/ثانية). للوصول إلى سرعة مقبولة بين 18 و22 رمزاً/ثانية بصيغة Q4_K_M، يلزم توفر ذاكرة موحدة لا تقل عن 48GB إلى 64GB.

لماذا تتفوق ذاكرة Apple الموحدة على NVIDIA في تشغيل نماذج 70B فما فوق؟

بسبب كفاءة التكلفة وسعة الذاكرة المتاحة. تشغيل نموذج 70B بصيغة Q8 أو نماذج MoE يتطلب ما بين 60GB إلى 120GB من VRAM. يتطلب ذلك في الحواسيب التقليدية بطاقات متعددة من الفئات الاحترافية (A100/H100) بتكلفة تتراوح بين 6,000 وأكثر من 30,000 دولار، بينما يوفر Mac Studio سعة 128GB هذه الإمكانية في جهاز مكتبي هادئ بأقل من 4,000 دولار.

ما هو النموذج المفضل للوكلاء البرمجيين المحليين في 2026؟

Qwen 2.5 Coder 32B Instruct هو الخيار الأول بلا منازع، حيث يحقق 43.6% في اختبار SWE-bench Verified، ويلتزم تماماً بمخططات JSON لاستدعاء الأدوات، ويعمل بسلاسة داخل 24GB من VRAM بصيغة Q4_K_M.

→ كل المقالات
0 / 4
قارن الآن ←