---
title: "Uno على Gemma 4 26B (MoE): دراسة BroadNet ومعرّف DOI"
description: "درّبت BroadNet أول محوّل Uno للمسوّدة الذاتية لنموذج مزيج خبراء، هو Gemma 4 26B A4B. ما الذي قاسته، ومتى تُجدي المسوّدة الذاتية، ومعرّف DOI."
url: https://broadrouter.com/ar/blog/uno-mixture-of-experts-gemma-4-study/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/uno-mixture-of-experts-gemma-4-study/) (حُدّث في 2026-11-16).

# Uno على Gemma 4 26B: دراسة BroadNet عن نماذج مزيج الخبراء

بقلم فريق BroadNet Inference · قراءة في 3 دقائق · تاريخ النشر 2026-11-15 · آخر تحديث 2026-11-16

تدرّب ورقة BroadNet الأولية الصادرة في سبتمبر 2026 (DOI 10.5281/zenodo.22820511) أول محوّل Uno لنموذج مزيج خبراء، هو Gemma 4 26B A4B مقدَّمًا بدقة 4 بت. يفك المحوّل الترميز أسرع بـ1.166 مرة من فك الترميز العادي على حجم عمل إنتاجي من 72 أمرًا، خلف مسوّدتين منفصلتين بـ1.474 و1.553، لكنه يتقدّم على مسوّدة الإنتاج عند سياق يقارب 10,500 رمز (توكن).

## أبرز النقاط

-   ورقة أولية على Zenodo، معرّف DOI 10.5281/zenodo.22820511، الإصدار 2.3، بتاريخ 18 سبتمبر 2026، برخصة CC BY 4.0. لم تخضع لمراجعة الأقران.
-   النموذج المستهدف: Gemma 4 26B A4B، أساس BroadNet Gemma 4 VL 26B، مقدَّمًا بأوزان 4 بت.
-   رفع محوّل برتبة 16 دُرِّب على 965 صفًا نسبة المسوّدات المقبولة من 42.4% إلى 48.9%.
-   التسريع مقارنة بفك الترميز العادي: 1.166x لمحوّل Uno، و1.474x لمسوّدة التنبؤ متعدد الرموز، و1.553x لمسوّدة الكتل.
-   عند سياق يقارب 10,500 رمز تقدّم المحوّل على مسوّدة الإنتاج، 1.089x مقابل 1.011x.

**في هذه الصفحة**

1.  ما السؤال المطروح؟
2.  كيف اختبرت BroadNet ذلك؟
3.  ماذا وجدت الدراسة؟
4.  ماذا يعني ذلك عمليًا؟
5.  ما حدود الدراسة؟

تطبّق ورقة Uno الأولية الثانية من BroadNet المسوّدة الذاتية على نموذج [مزيج خبراء](https://broadrouter.com/ar/glossary/mixture-of-experts/) لأول مرة. نُشرت على Zenodo في 18 سبتمبر 2026 بمعرّف DOI [10.5281/zenodo.22820511](https://doi.org/10.5281/zenodo.22820511)، وهي تقدّم Gemma 4 26B A4B بدقة 4 بت وتدرّب له محوّل Uno. والنموذج المستهدف هو النموذج الأساسي نفسه لـ[BroadNet Gemma 4 VL 26B](https://broadrouter.com/ar/models/gemma-4-vl-26b/) على BroadNet Inference.

وهي تأتي بعد [دراسة تقديم Uno في vLLM](https://broadrouter.com/ar/blog/uno-in-vllm-serving-study/)، التي اختبرت نموذجًا كثيفًا بحجم 8B. الأرقام أدناه أرقام BroadNet؛ ولم نُعِد إنتاجها.

## ما السؤال المطروح؟

يكتب فك الترميز التخميني مسوّدة من عدة رموز ثم يتحقق منها في تمريرة واحدة. وفي نموذج مزيج الخبراء يظهر قلق إضافي: قد تُوجَّه صفوف المسوّدة إلى خبراء مختلفين، فتقرأ مسوّدة من أربعة رموز أوزان خبراء أكثر بكثير مما يقرؤه توليد رمز واحد. تسأل الورقة هل يجعل هذا «التشعّب بين الخبراء» المسوّدة الذاتية مكلفة أكثر من اللازم، ومتى تتفوّق المسوّدة الذاتية على مسوّدة منفصلة.

## كيف اختبرت BroadNet ذلك؟

من ملخص الورقة ومن وصف BroadNet لمنهجها:

-   **النموذج:** Gemma 4 26B A4B، بنحو 4B معامل نشط لكل رمز، وبأوزان 4 بت.
-   **العتاد:** وحدات GPU من فئة 24 GB، بتسلسل واحد في كل مرة.
-   **حجم العمل:** 72 أمرًا من حركة الإنتاج لدى BroadNet؛ ويُقسَم كل تسريع على تشغيل بفك ترميز عادي في الجلسة نفسها.
-   **السياق الطويل:** مجموعة منفصلة من خمسة أوامر بطول يقارب 10,500 رمز.
-   **المحوّل:** برتبة 16، دُرِّب على 965 صفًا عبر نقطة الحفظ نفسها بدقة 4 بت التي يُقدَّم عليها، على GPU واحدة بسعة 24 GB، دون أي أوزان بالدقة الكاملة في الحلقة.

## ماذا وجدت الدراسة؟

| طريقة فك ترميز Gemma 4 26B A4B | التسريع مقارنة بفك الترميز العادي |
| --- | --- |
| فك الترميز العادي | 1.000 |
| محوّل Uno التجريبي، بعرض 4 | 1.166 |
| مسوّدة التنبؤ متعدد الرموز، بعرض 2 | 1.474 |
| مسوّدة الكتل، بعرض 8 | 1.553 |
| Uno عند سياق يقارب 10,500 رمز | 1.089 (مسوّدة MTP: 1.011) |

ونتائج أخرى تذكرها BroadNet:

-   **التدريب أفاد.** ارتفعت النسبة المقبولة من 42.4% إلى 48.9% خلال 1,500 تحديث، وقبلت مدوّنة أكبر من 2,000 صف، دُرّبت بالوصفة نفسها، 0.49 رمز مسوّدة إضافيًا في كل خطوة تحقق مقارنةً بتشغيل المرجع المطابق.
-   **التشعّب بين الخبراء حقيقي لكنه رخيص.** لمست أربعة صفوف مسوّدة 22 خبيرًا مختلفًا مقابل 8 لصف واحد، ومع ذلك بقيت التكلفة المرتبطة بالصفوف كلها في حدود 0.53 خطوة من دورة تبلغ نحو 2.4. وتستنتج BroadNet أن تكلفة التوجيه “worth under a fifth of a cycle” (الترجمة: تساوي أقل من خُمس دورة) على هذه الفئة من العتاد.
-   **دون فقدان.** بنت BroadNet فحصًا لملف إعدادات لا يعيد ناتجه العادي نفسه بين الجلسات، وتقول إن Uno “as close to plain as plain is to itself” (الترجمة: قريب من الناتج العادي بقدر قرب الناتج العادي من نفسه).
-   **خمس لغات.** تقدّم الورقة ما تسمّيه أول قياس لنسبة قبول هذا المحوّل عبر خمس لغات.

## ماذا يعني ذلك عمليًا؟

قاعدة الورقة نفسها بسيطة: إذا وُجدت مسوّدة صغيرة جيدة لنموذجك فاستخدمها؛ أما المسوّدة الذاتية فتثبت جدواها في السياق الطويل وفي النماذج التي ليست لها مسوّدة. وهذا يتّفق مع ما تقول BroadNet إنها تشغّله: فقائمتها تُدرج Gemma 4 26B في الإنتاج مع مسوّدة تنبؤ متعدد الرموز (k=2)، مع “90%+ acceptance on structured prompts” (الترجمة: نسبة قبول تفوق 90% على الأوامر المنظَّمة).

كم تضيف المسوّدة في الإنتاج؟ تذكر قائمة BroadNet أن التنبؤ متعدد الرموز أضاف 48.8% على RTX 3090، وتذكر صفحة Gemma 4 VL 26B لديها نحو 136 رمزًا في الثانية على تدفق واحد مع تفعيل فك الترميز التخميني. كلاهما من قياسات BroadNet نفسها، على إعدادات التقديم التي تصفها صفحة النموذج، لذا تعتمد سرعتك عبر الـAPI أيضًا على الحمل وعلى طول أمرك والإجابة.

بالنسبة إلى مشتري واجهات API، الجزء المفيد هو المنهج لا المحوّل. تقول BroadNet إن كل نموذج تقدّمه يمرّ بهذا الحساب قبل أن يصل إلى أي عميل: قِس تكلفة دورة مسوّدة واحدة، ثم اختر المسوّدة التي تفوز على حجم العمل الفعلي. والانضباط نفسه هو ما قادها إلى [استبعاد EAGLE3](https://broadrouter.com/ar/blog/models-broadnet-ruled-out/) في التقديم المشبَع.

## ما حدود الدراسة؟

-   **تدفق واحد فقط.** تسلسل واحد في كل مرة، وتشغيل واحد لكل ذراع. التقديم بالدفعات يتصرّف بشكل مختلف، كما أظهرت الدراسة على النموذج الكثيف.
-   **نموذج واحد.** النتائج تخص Gemma 4 26B A4B بدقة 4 بت على بطاقات من فئة 24 GB.
-   **ورقة أولية.** الإصدار 2.3 على Zenodo، لم يخضع لمراجعة الأقران، ومرفق به أرشيف أدلة مصاحب.

يتضمّن الإصدار v0.3.0 من [vllm-uno](https://github.com/brntech/vllm-uno/releases/tag/v0.3.0) ملف إعدادات التقديم وصورة حاوية وسجل التحقق، فيمكن التحقق من الأرقام. ولتجربة النموذج المقدَّم نفسه، تشغّل [ساحة التجربة في المتصفح](https://broadrouter.com/ar/guides/try-broadnet-inference-playground/) لدى BroadNet نموذج Gemma 4 دون حساب.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[مزيج الخبراء (Mixture of experts، MoE)](https://broadrouter.com/ar/glossary/mixture-of-experts/)

مزيج الخبراء (mixture of experts، MoE) تصميم للشبكات العصبية تحوي فيه الطبقة شبكات فرعية خبيرة كثيرة، ويرسل موجّه متعلَّم كل رمز إلى عدد قليل منها فقط. ولنموذج اللغة من نوع MoE عدد معاملات كلي كبير، لكنه يستخدم مجموعة فرعية نشطة صغيرة لكل رمز.

[vLLM](https://broadrouter.com/ar/glossary/vllm/)

vLLM مكتبة مفتوحة المصدر للاستدلال بالنماذج اللغوية الكبيرة وتقديمها، طُوّرت أولًا في مختبر Sky Computing بجامعة UC Berkeley. تدير ذاكرة KV المؤقتة (KV cache) بتقنية PagedAttention، وتجمّع الطلبات الواردة باستمرار، وتدعم صيغ تكميم كثيرة، وتوفّر خادم HTTP متوافقًا مع OpenAI.

## أسئلة شائعة

### ما هو نموذج مزيج الخبراء (MoE)؟

نموذج تحتوي طبقاته على شبكات فرعية كثيرة تُسمّى «خبراء»، لا يعمل منها إلا القليل لكل رمز. يضم Gemma 4 26B A4B نحو 26B معامل إجمالًا ونحو 4B معامل نشط لكل رمز، ولهذا يكون تقديمه رخيصًا قياسًا بحجمه.

### لماذا يكون محوّل Uno أبطأ من المسوّدات الأخرى هنا؟

تفسّر الورقة ذلك بأنه بنيوي: دورة المسوّدة الذاتية تكلّف تمريرتين أماميتين عبر النموذج الكامل، بينما تستبدل المسوّدة المنفصلة إحداهما بشبكة صغيرة. لذا تفوز عادةً المسوّدة الصغيرة المخصّصة حين تكون متاحة.

### متى تُجدي المسوّدة الذاتية؟

وفق الورقة، في السياق الطويل، حيث تثبّت المسوّدة الأعرض رموزًا أكثر في كل دورة (1.089x مقابل 1.011x عند نحو 10,500 رمز)، وفي النماذج التي ليست لها مسوّدة صغيرة أصلًا.

### هل تستخدم BroadNet هذا المحوّل في واجهة Gemma 4 API لديها؟

تقول صفحة النموذج لدى BroadNet إن نسخة Gemma 4 26B لديها تُقدَّم بفك ترميز تخميني بالتنبؤ متعدد الرموز (k=2). أما محوّل Uno فمنشور كمخرَج بحثي؛ ولا تقول BroadNet إنها تخدم به حركة الـAPI.

### هل يمكنني تنزيل المحوّل؟

نعم. تنشره BroadNet على Hugging Face باسم Broadnet/gemma-4-26B-A4B-uno-pilot-adapter، مع ملف إعدادات التقديم وصورة الحاوية في إصدار vllm-uno v0.3.0.

## تابع القراءة

-   [Uno في vLLM: ما الذي قاسته دراسة التقديم لدى BroadNet؟](https://broadrouter.com/ar/blog/uno-in-vllm-serving-study/)
-   [عتاد GPU لدى BroadNet وطريقة تقديم النماذج، كما تصفها BroadNet](https://broadrouter.com/ar/blog/broadnet-gpu-fleet-and-serving/)
-   [النماذج التي قيّمتها BroadNet واستبعدتها، ولماذا](https://broadrouter.com/ar/blog/models-broadnet-ruled-out/)
-   [متى تستحق نافذة سياق بمليون رمز (ومتى لا تستحق)؟](https://broadrouter.com/ar/blog/million-token-context-window-guide/)
-   [تخزين استجابات LLM API مؤقتًا لخفض التكلفة: تطابق تام بـ Python](https://broadrouter.com/ar/blog/cache-llm-responses-cut-cost/)
-   [المراجعة البشرية جزء من سير عمل الذكاء الاصطناعي للمستندات](https://broadrouter.com/ar/blog/document-review-queues/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-uno-mixture-of-experts-gemma-4-study&utm_content=page-cta) ·

**المصادر**

-   [Al Zubaidi، Self-drafting with Uno on a mixture of experts: serving and training an adapter for Gemma 4 26B A4B، ورقة أولية على Zenodo الإصدار 2.3، بتاريخ 2026-09-18 (تاريخ مراجعة السجل 2026-11-15)](https://doi.org/10.5281/zenodo.22820511)
-   [مدونة BroadNet: Uno for vLLM now runs mixture-of-experts models (17 سبتمبر 2026؛ تاريخ المراجعة 2026-11-15) (بالإنجليزية)](https://www.broadnet.ai/blog/uno-mixture-of-experts)
-   [BroadNet Research: أبرز النتائج (تاريخ المراجعة 2026-11-15)](https://www.broadnet.ai/ar/research)
-   [إصدار vllm-uno v0.3.0 (تاريخ المراجعة 2026-11-15)](https://github.com/brntech/vllm-uno/releases/tag/v0.3.0)
-   [صفحة نموذج BroadNet Gemma 4 VL 26B: إعدادات التقديم (تاريخ المراجعة 2026-11-15)](https://www.broadnet.ai/ar/inference/models/gemma-4-vl-26b)
