מודלי בינה מלאכותית פתוחים ב-2026: הסבר על DeepSeek, Qwen ו-Kimi
בקצרה
DeepSeek, Qwen ו-Kimi מפרסמות סוגים שונים של שחרורי מודלים, ולכן ‘מודל בינה מלאכותית פתוח’ איננו הבטחה אחת. בדקו אם המשקלים, הקוד, המידע על הנתונים ורישיון שמיש אכן זמינים; ואז התאימו את השחרור המדויק למשימה ולחומרה. Qwen3.8-27B קומפקטי יחסית, ואילו Kimi K3.1 Pro הוא מודל גדול בהרבה. [1][3][5]
עיקרי הדברים
- משקלים פתוחים פירושם שהפרמטרים המאומנים יכולים להיות זמינים; אין פירוש הדבר באופן אוטומטי שמדובר במערכת בינה מלאכותית בקוד פתוח מלא. [1][4]
- DeepSeek מציינת ש-DeepSeek-V4 שוחרר ב-24 באפריל 2026, ומספקת קישורים לכרטיס המודל ולדוח הטכני. [2]
- Qwen3.8-27B הוא שחרור של מודל ראייה-שפה שהכרטיס שלו מציין 27B פרמטרים ורישיון Apache 2.0; דף ה-Hugging Face שלו מקשר לגרסאות שעברו קוונטיזציה עבור כמה סביבות הרצה מקומיות. [3]
- Kimi K3.1 Pro הוא מודל משקלים פתוחים, אבל הכרטיס שלו מציין 2.8T פרמטרים בסך הכול ורישיון Kimi מותאם, ולכן הוא איננו נקודת פתיחה רגילה למחשב נייד. [5]
- הודעות ה-API של DeepSeek והשחרורים הפתוחים או הניתנים להורדה הם בחירות נפרדות; גישה דרך API אינה אומרת בהכרח שמודל הוא מקומי או בעל משקלים פתוחים. [2][6]
- כרטיסי מודל, תנאי רישיון, דרישות חומרה, מגבלות ההערכה ופורמט הפריסה חשובים יותר מדירוג של טרנד.
בעמוד הזה 11 חלקים
מה פירוש ‘מודל בינה מלאכותית פתוח’?
‘פתוח’ הוא משפחה של תיאורים, לא ערובה. שחרור של משקלים פתוחים משתף את הפרמטרים המאומנים הסופיים של מודל, ואחרים יכולים לאחר מכן לבצע בהם כוונון עדין, להתאים אותם או לפרוס אותם כשהרישיון מתיר זאת. [4] מערכת בינה מלאכותית בקוד פתוח היא טענה חזקה יותר. ההגדרה של Open Source Initiative דורשת שלושה רכיבים בתנאים שאושרו בידי OSI: מידע על הנתונים המפורט דיו כדי שאדם מיומן יוכל לבנות מערכת שוות ערך במהותה, קוד המקור המלא ששימש לאימון המערכת ולהרצתה, ופרמטרי המודל. [1]
ההבחנה הזאת משפיעה על בחירות ממשיות. המשקלים עשויים להיות זמינים בעוד נתוני האימון וקוד האימון אינם זמינים. דף ההסבר של Open Source Initiative על משקלים פתוחים קובע שהם נבדלים מבינה מלאכותית בקוד פתוח משום שאינם כוללים את קוד האימון או את מערך נתוני האימון, או פירוט מקיף על אותו מערך נתונים כאשר אי אפשר לשתף אותו מבחינה חוקית; בלי אלה קשה לשחזר את תהליך האימון או לבקר אותו. [4] מודל יכול אפוא להיות ניתן לפריסה מקומית אך לא ניתן לשחזור מלא, או שמשקליו זמינים בתנאים המגבילים שימושים מסוימים.
לפני שבוחרים שחרור, שאלו ארבע שאלות: האם אפשר להשיג את המשקלים המדויקים? איזה רישיון חל? אילו סביבת הרצה וחומרה יכולות לטעון את הפורמט שנבחר? אילו ראיות קיימות לגבי המשימה שחשובה? ‘קוד פתוח’ איננו ציון ביצועים, איננו ערובה לפרטיות ואיננו הבטחה שהמודל ייכנס למחשב נייד.
הסעיפים שלהלן משתמשים במונח ‘משקלים פתוחים’ כשהראיות נוגעות למשקלים, ושומרים את המונח ‘בינה מלאכותית בקוד פתוח’ למשמעות החזקה יותר, ברמת המערכת. כך נמנעת הפיכתה של הבחנה טכנית מועילה לקיצור שיווקי.
מה מאושר לגבי DeepSeek V4?
ה-Transparency Center של DeepSeek מציג את DeepSeek-V4 עם תאריך שחרור של 24 באפריל 2026 ומקשר לכרטיס מודל ולדוח טכני. [2] יומן השינויים הרשמי שלה קובע שה-API תמך ב-V4-Pro וב-V4-Flash החל מ-24 באפריל 2026. הרשומה מ-10 בספטמבר 2026 קובעת ש-V4 Flash הוצא משימוש וששם ה-API שלו מנותב זמנית אל V4.1 Flash, והרשומה האחרונה נכון ל-11 בנובמבר 2026, מתאריך 17 באוקטובר 2026, משדרגת את המודל הזה ל-V4.1-Flash-1017. [6] ההצהרות האלה מבססות שחרורים של משפחת מודלים ואת התפתחות ה-API; אין פירושן שלכל גרסה של V4 יש משקלים, רישיון, מחיר או דרישות פריסה מקומית זהים.
ההודעה של DeepSeek מ-24 באפריל 2026 כינתה את V4 Preview ‘שוחרר בקוד פתוח’, קישרה למשקלים הפתוחים שלו ב-Hugging Face, ותיארה את V4-Pro כבעל 1.6T פרמטרים בסך הכול עם 49B פרמטרים פעילים, ואת V4-Flash כבעל 284B פרמטרים בסך הכול עם 13B פרמטרים פעילים. [7] ‘שוחרר בקוד פתוח’ הוא הניסוח של החברה עצמה; השאלה אם שחרור נתון של V4 עומד בהגדרת OSI תלויה במה שהמאגר והרישיון שלו מספקים בפועל. סדרי הגודל האלה חשובים: למודל יכולים להיות פחות פרמטרים פעילים לכל טוקן מאשר פרמטרים בסך הכול, ועדיין הוא יזדקק לתשתית ניכרת ולקובצי מודל גדולים. אל תסיקו שמודל API אפשר להריץ בנוחות על מחשב אישי.
מפתחים צריכים להבחין בין שם מודל ה-API לבין נקודת ביקורת (checkpoint) שהורדה. התיעוד של DeepSeek מסביר את שמות ה-API ואת ניתוב התאימות; ה-Transparency Center הוא המקום המתאים לאשר שחרור מרכזי ולאתר את הכרטיס שלו. [2][6] לפריסה מקומית, השתמשו בכרטיס המודל הספציפי, במקור המשקלים, ברישיון ובסביבת ההרצה הנתמכת, במקום לנחש על סמך שם API.
לקורא הכללי מועיל להבין את DeepSeek כמשפחה: ייתכנו אפשרויות גדולות, מתארחות ולשימוש מקומי תחת שמות קרובים. הבחירה המעשית היא השחרור המדויק ושיטת האספקה, ולא נאמנות לתווית של מותג.
במה נבדלים Qwen3.8 ו-Kimi K3.1 Pro?
Qwen3.8-27B הוא מודל ראייה-שפה שהכרטיס הרשמי שלו מציין 27B פרמטרים של מודל השפה ורישיון Apache 2.0; סיכום הקבצים של Hugging Face עבור המאגר מציג גודל מודל של 28B פרמטרים. הכרטיס מציין שהמאגר מכיל משקלים וקובצי תצורה של המודל שלאחר האימון בפורמט Transformers, ודף ה-Hugging Face מקשר לגרסאות שעברו קוונטיזציה עבור llama.cpp, Ollama, LM Studio או כל יישום תואם. [3] הגרסאות האלה נמצאות במאגרים נפרדים, ולכן בדקו מי פרסם כל אחת מהן. הדבר הופך אותו למועמד סביר למודל מקומי רק כאשר הקוונטיזציה, ההקשר והחומרה שנבחרו מתאימים.
ל-Kimi K3.1 Pro יש סדר גודל שונה ומעמד רישוי שונה. הכרטיס של המפרסם מכנה אותו מודל רב-אופני של תערובת מומחים בעל משקלים פתוחים, מציין 2.8T פרמטרים בסך הכול ו-104B פרמטרים מופעלים, ונוקב ברישיון ייחודי ל-Kimi. [5] הוא יכול להיות נגיש מבחינה טכנית בלי להיות הבחירה המקומית הנכונה לחומרה רגילה, ובלי שרישיונו יהיה דומה לזה של מודל ברישיון Apache.
שני השחרורים מראים מדוע ספירות פרמטרים לבדן אינן עונות על השאלה ‘מי טוב יותר’. את סדר הגודל של 27B של Qwen קל יותר אולי לבדוק מקומית עם קוונטיזציה מתאימה. סדר הגודל הגדול בהרבה של Kimi מכוון אולי לתשתית עם הרבה יותר זיכרון וקיבולת פריסה. ההשוואה הנכונה היא לפי משימה, איכות פלט, זמן תגובה, עלות, רישיון וחומרה — ולא טענה שמשפחה אחת מנצחת בכל מבחן ביצועים.
שני הכרטיסים הם מידע מטעם המפרסם. יש להתייחס לטענות על מבחני ביצועים ולתיאורי יכולות כאל נקודות מוצא להערכה, לא כאל תחליף לבדיקה של פרומפטים מייצגים, שפות ומקרי כשל. בשימוש בעל השלכות, שמרו על שלב של בדיקה אנושית ועל תהליך עצמאי של בדיקת מקורות.
איזה מודל פתוח מתאים למה?
כדי ללמוד פריסה מקומית, בחרו את המודל הנתמך הקטן ביותר שיכול להתמודד עם השפה ועם המשימה הרצויות, ואז בדקו אותו. קוונטיזציה תואמת Qwen בגודל שאפשר להתמודד איתו עשויה להיות ניסוי ראשון מעשי יותר משחרור גדול בהרבה. Hugging Face מתעדת מסלולים ליישומים מקומיים עבור GGUF, MLX ופורמטים אחרים, ובהם LM Studio, Ollama, llama.cpp ו-MLX LM. [8]
בתהליך עבודה מתארח, API יכול להפחית את הנטל של הורדת משקלים, בחירת סביבת הרצה ותחזוקת חומרה. זו בחירה בשירות, לא בחירה בפרטיות מקומית. תיעוד ה-API של DeepSeek מציג שינויים בשמות המודלים ושחרורי API; על המשתמשים לבדוק את תנאי השירות העדכניים, את התמחור ואת אופן הטיפול בנתונים לפני שהם שולחים חומר רגיש. [6]
עבור צוות מחקר או תשתית, שחרורים גדולים מאוד של משקלים פתוחים יכולים לתמוך באירוח עצמי מבוקר, בהערכה מתמחה או בהתאמה. הם גם מוסיפים עבודה תפעולית: השגת המשקלים, ניהול קיבולת ההסקה, התקנת עדכוני אבטחה, כיבוד רישיונות וניטור איכות הפלט. גודלו של Kimi K3.1 Pro ממחיש שזמינות המשקלים אינה מבטלת את העלויות האלה. [5]
בעבודה רב-אופנית, בדקו את כרטיס המודל המדויק במקום להניח שכל מודל מקבל תמונות, וידאו או מסמכים. Qwen מתארת את Qwen3.8-27B כמודל ראייה-שפה, ואילו הכרטיס של Kimi מתאר אופנות של טקסט ותמונה. [3][5] הדבר כשלעצמו אינו אומר דבר על הדיוק בתמונה או במסמך מסוימים, במיוחד בתחום רגיש.
בעבודה רגישה מבחינת פרטיות, הרצה מקומית יכולה לצמצם את שיתוף הפרומפטים עם ספק מתארח, אבל היא איננה פרטיות אוטומטית. הורדות מודלים, עדכונים, יומני רישום מקומיים, גיבויים, תוספים ושרתים החשופים לרשת נותרים סיכונים נפרדים. עיינו במדריך הבינה המלאכותית המקומית של האתר לפירוט מלא של הפשרות בין חומרה לפרטיות.
כיצד להעריך מודל משקלים פתוחים?
קראו קודם את כרטיס המודל. ודאו מיהו המפרסם, מהי מהדורת המודל, הרישיון, המשימה המיועדת, הארכיטקטורה, האופנויות, המגבלות הידועות ופורמטי הפריסה הנתמכים. הכרטיס איננו אישור לדיוק, אבל הוא המקור הישיר ביותר למה שהמפרסם אומר ששוחרר. [2][3][5]
לאחר מכן בחרו מערך בדיקה מציאותי אחד. השתמשו במערך קטן של פרומפטים מייצגים עם עובדות צפויות ידועות, מקרי קצה קשים והשפה המיועדת. השוו את הפלטים מבחינת נכונות, שלמות, עקביות וביטחון יתר מזיק. אל תשפטו מודל רק לפי תשובה ראשונה מלוטשת או לפי מבחן ביצועים פומבי יחיד.
תעדו את הסביבה המדויקת: מהדורת המודל, הקוונטיזציה, מגבלת ההקשר, סביבת ההרצה, החומרה, ניסוח הפרומפטים והגישה לכלים. שני משתמשים יכולים לקבל תוצאות שונות מאותו מודל בעל אותו שם כשהמשתנים האלה שונים. התיעוד הזה גם מאפשר לשחזר תצורה מועילה או לחקור תשובה גרועה.
בדקו את הרישיון לפני פריסה שחורגת מניסוי אישי. הגדרת OSI מסבירה שבינה מלאכותית בקוד פתוח כרוכה ביותר ממשקלים, ודף ההסבר של OSI על משקלים פתוחים קובע שהמשקלים לבדם אינם מספיקים למה שנדרש כדי להשתמש במערכת, ללמוד אותה, לשנות אותה ולשתף אותה באופן מלא. [1][4] שימוש מסחרי, הפצה מחדש, כוונון עדין, שימוש בשירות מתארח וייחוס קרדיט יכולים להיות כפופים לתנאים שונים.
לבסוף, החילו את גבול הפלט. מודל פתוח יכול לנסח טיוטה, לתרגם, לסווג או לעזור לחקור מידע. הוא אינו אמור להיות הסמכות הסופית בהחלטות משפטיות, פיננסיות, רפואיות, בטיחותיות או אבטחתיות בלי ראיות עדכניות עצמאיות ושיקול דעת מקצועי הולם.
איך מריצים מודל פתוח מקומית בלי להתבלבל?
בחרו את סביבת ההרצה לפני שאתם מורידים קובץ מודל. Hugging Face מפרטת יישומים מקומיים ופורמטים תואמים: לדוגמה, LM Studio תומך במודלי GGUF ו-MLX, Ollama תומך ב-GGUF, ו-MLX LM תומך במודלי MLX ליצירת טקסט. [8] קובץ מודל בפורמט הלא נכון איננו הורדה מועילה.
התחילו בדף רשמי של המפרסם או במארח מודלים מבוסס, ואז בחרו פורמט שמתאים למחשב. דף ה-Hugging Face של Qwen3.8-27B מקשר לגרסאות שעברו קוונטיזציה, ואילו שחרור הבסיס של 27B איננו כשלעצמו טענה שכל מכשיר יכול לטעון כל גרסה. [3] השאירו מרווח זיכרון למערכת ההפעלה ולהקשר, במקום להתייחס לגודל המודל על הדיסק כאל הדרישה הכוללת.
השאירו את השרת הראשון מקומי לאותו מחשב ובדקו אותו עם נתונים לא מזיקים. אל תחשפו נקודת קצה של מודל מקומי לאינטרנט הציבורי רק כדי להשתמש בה ממכשיר אחר. אם בהמשך יידרש שירות רשת, השתמשו באימות, עדכנו את סביבת ההרצה והבינו מי יכול לשלוח אליה פרומפטים.
השתמשו בבקרת גרסאות לתצורות ושמרו תיעוד של רישיון המודל. מודל מקומי עשוי להיות קל להרצה מבחינה טכנית אך לא מתאים מבחינה משפטית לשירות מתוכנן, או להפך. ניסוי מסודר בטוח ומועיל יותר מהורדה חוזרת ונשנית של קבצים ענקיים שמקורם אינו ברור.
כשמודל אינו מצליח לענות היטב, שנו משתנה אחד בכל פעם: הקשר קטן יותר, קוונטיזציה אחרת, סביבת הרצה אחרת או מודל המותאם יותר למשימה. מספר פרמטרים גדול יותר איננו התרופה היחידה.
אחר מה כדאי לקוראים לעקוב במודלים פתוחים במהלך 2026?
עקבו בקפידה אחר זהות השחרור. הדפים הרשמיים של DeepSeek מבחינים בין V4, V4-Pro, V4-Flash ושינויי ה-API של V4.1-Flash. [2][6] כותרת שאומרת ‘DeepSeek V4’ עשויה להתייחס למודל מדויק אחר או למסלול אספקה אחר מזה שהקורא מתכוון להשתמש בו.
עקבו אחר הרישיונות ופרטי הפריסה באותה קפדנות כמו אחר היכולות. הדף הפומבי של Qwen3.8-27B מזהה את Apache 2.0, ואילו Kimi K3.1 Pro מזהה רישיון ייחודי ל-Kimi. [3][5] את התוויות האלה יש לקרוא במאגרים עצמם, משום שלמודל בסיס, לקוונטיזציה קהילתית ולמודל נגזר יכול להיות תיעוד שונה.
עקבו אחר ראיות שתואמות את המשימה. מבחן ביצועים בתכנות אינו מכריע בשאלת הבנת מסמכים, טענה על הקשר ארוך אינה מכריעה בשאלת הדיוק העובדתי, ותמיכה של מודל בתמונות אינה מכריעה בשאלת האמינות בתמונות. שחרורים פתוחים מקלים על בדיקה ועל התאמה, אבל הם אינם מבטלים את הצורך בהערכה.
עקבו אחר שינויים תפעוליים ולא רק אחר הערות שחרור. ממשקי API מתארחים יכולים לשנות שם של נקודות קצה, להפנות אותן מחדש או להוציא אותן משימוש, כפי שממחיש יומן השינויים של V4 של DeepSeek. [6] צוות שתלוי ב-API צריך לבדוק כל תחליף לפני שימוש בסביבת הייצור ולשמור על תהליך חלופי. צוות שמארח בעצמו חייב לעומת זאת להיערך לשלמות ההורדות, לשדרוגי סביבת ההרצה, לאחסון ולקיבולת. אף אחד מהמסלולים אינו פטור מתחזוקה לצמיתות. תכננו חזרה לגרסה קודמת, תקצבו ניטור ותעדו מי אחראי לכל חובה תפעולית לפני ההשקה.
החזיקו תיק ראיות ובו מהדורת כרטיס המודל, נוסח הרישיון שבו עיינתם, גרסת סביבת ההרצה, פרומפטי ההערכה ודפוסי הכשל שנצפו. זו עבודה צנועה בפרויקט אישי וחיונית בשימוש ארגוני. היא הופכת טענה מושכת על שחרור פתוח להחלטה שאפשר לחזור עליה. היא גם עוזרת להבחין בין מגבלה של המודל לבין טעות בקוונטיזציה, בעיצוב הפרומפט או בתצורה המקומית.
הבחירה המתמשכת איננה DeepSeek מול Qwen מול Kimi באופן מופשט. זהו המודל המדויק הקטן ביותר, בעל הרישיון הברור ביותר והיכולת הניתנת לאימות, שעונה על המשימה במסגרת הסדר פריסה שהמשתמש יכול לתחזק.
| שחרור | מה מאושר במישרין | המשמעות המעשית | אל תניחו |
|---|---|---|---|
| משפחת DeepSeek V4 | DeepSeek מציגה את V4 מ-24 באפריל 2026 ומתעדת גרסאות API של V4 ושינויים בהן. [2][6] | קראו את הכרטיס והמסלול הספציפיים לפני שאתם בוחרים ב-API או במשקלים. | שכל שם של V4 פירושו אותו מודל, אותו רישיון או אותה פריסה מקומית. |
| Qwen3.8-27B | מודל ראייה-שפה; הכרטיס מציין 27B פרמטרים ו-Apache 2.0; דף ה-Hugging Face מקשר לגרסאות שעברו קוונטיזציה עבור סביבות הרצה מקומיות. [3] | אפשרות מקומית פוטנציאלית רק אם הקובץ שנבחר מתאים לחומרה. | ששם הבסיס מבטיח שימוש קל במחשב נייד או פלט נכון. |
| Kimi K3.1 Pro | משקלים פתוחים, MoE רב-אופני; 2.8T פרמטרים בסך הכול ו-104B פעילים; רישיון מותאם. [5] | שחרור בקנה מידה גדול המחייב בדיקה קפדנית של הרישיון ושל התשתית. | שמשקלים פתוחים פירושם חומרה מקומית רגילה או שימוש ללא הגבלות. |
| בינה מלאכותית בקוד פתוח | OSI דורשת מידע על הנתונים, קוד ופרמטרים לצורך ההגדרה החזקה יותר. [1] | בחנו יותר מהמשקלים לפני שאתם משתמשים בתווית. | שנקודת ביקורת הניתנת להורדה עומדת לבדה בהגדרה המלאה. |
טעויות נפוצות
להשתמש ב‘קוד פתוח’ וב‘משקלים פתוחים’ כמילים נרדפות
הדרך הנכונה: המשקלים הם רק חלק אחד מההגדרה החזקה יותר של OSI, שעוסקת גם במידע על הנתונים ובקוד. [1]
לבחור מודל רק לפי שם שנמצא בטרנד
הדרך הנכונה: בדקו את הגרסה המדויקת, את המפרסם, את הרישיון, את כרטיס המודל, את הפורמט ואת ההתאמה לחומרה. [2][3][5]
להניח שמודל API של DeepSeek ניתן לפריסה מקומית
הדרך הנכונה: הפרידו בין גישה דרך API לבין המידע על כרטיס המודל, המשקלים וסביבת ההרצה. [2][6]
להוריד מודל גדול מאוד לפני בדיקת סדר הגודל
הדרך הנכונה: הספירה של 2.8T פרמטרים בסך הכול ב-Kimi K3.1 Pro מראה מדוע יש לבדוק קודם את הגודל ואת התשתית. [5]
להתייחס למבחן ביצועים כאל החלטת פריסה
הדרך הנכונה: בדקו משימות מייצגות עם תצורה מתועדת ועם בדיקות עובדתיות עצמאיות.
להתעלם מרישיון המודל
הדרך הנכונה: קראו את הרישיון במאגר המדויק, לרבות התנאים לשימוש מסחרי, להפצה מחדש ולשימוש נגזר. [3][5]
שאלות נפוצות
האם DeepSeek, Qwen ו-Kimi הם קוד פתוח?
התשובה משתנה משחרור לשחרור. השתמשו במונח ‘משקלים פתוחים’ כשהמשקלים זמינים, ובחנו את הקוד, את המידע על הנתונים ואת הרישיון לפני שאתם מכנים מערכת בינה מלאכותית בקוד פתוח לפי הגדרת OSI. [1][4]
מהו DeepSeek V4?
DeepSeek מציגה את V4 כשחרור מרכזי מתאריך 24 באפריל 2026, עם כרטיס מודל ודוח טכני. תיעוד ה-API שלה מבחין בין V4-Pro, V4-Flash ושינויי V4.1-Flash המאוחרים יותר. [2][6]
האם אפשר להריץ את Qwen3.8-27B מקומית?
המפרסם מספק משקלים בפורמט Transformers, ודף ה-Hugging Face של המודל מקשר לגרסאות שעברו קוונטיזציה עבור כמה סביבות הרצה מקומיות. השאלה אם הוא פועל היטב מקומית תלויה בייצוג שנבחר, בהקשר ובחומרה. [3]
האם אפשר להריץ את Kimi K3.1 Pro על מחשב רגיל?
אל תניחו שכן. הכרטיס שלו מציין 2.8T פרמטרים בסך הכול ו-104B פרמטרים פעילים, קנה מידה של פריסה הגדול בהרבה ממודלים מקומיים קטנים רגילים. [5]
איזה מודל פתוח הוא הטוב ביותר?
אין מנצח אוניברסלי. בחרו את השחרור המדויק שמתאים למשימה, לשפה, לרישיון, לפורמט, לחומרה ולתוצאת ההערכה שאתם יכולים לאמת.
האם מודל פתוח שומר על פרטיות הפרומפטים שלי?
לא באופן אוטומטי. פריסה מקומית יכולה לצמצם את השיתוף עם ספק מתארח, אבל הורדות, יומני רישום, גיבויים, תוספים ותצורת הרשת נותרים שיקולי פרטיות.
מילון מונחים
- מודל משקלים פתוחים
- מודל שהפרמטרים המאומנים הסופיים שלו (המשקלים) משותפים, בלי שייכללו בהכרח קוד האימון או נתוני האימון. [4]
- בינה מלאכותית בקוד פתוח
- מושג חזק יותר ברמת המערכת, שלפי הגדרת OSI כולל מידע על הנתונים, קוד ופרמטרים בתנאים מתאימים. [1]
- כרטיס מודל
- תיעוד המלווה שחרור של מודל, ומתאר בדרך כלל את המשימה שלו, את הרישיון, את הפורמטים, את המגבלות או את ההערכה.
- קוונטיזציה
- ייצוג שיכול להפחית את דרישות הזיכרון והאחסון של מודל, עם פשרות אפשריות.
- תערובת מומחים (Mixture of Experts)
- ארכיטקטורת מודל שבה רק תת-קבוצה של רכיבים יכולה להיות פעילה עבור קלט נתון; סך הפרמטרים והפרמטרים הפעילים יכולים להיות שונים. [5]
מקורות
- The Open Source AI Definition – 1.0 Open Source Initiative · 2024-10-28
- DeepSeek | Transparency Center DeepSeek
- Qwen3.8-27B Model Card Qwen
- Open Weights: not quite what you’ve been told Open Source Initiative · 2025-01-29
- Kimi K3.1 Pro Model Card Moonshot AI
- Change Log | DeepSeek API Docs DeepSeek · 2026-10-17
- DeepSeek-V4 Preview: Entering the Era of Affordable Million-Token Context DeepSeek · 2026-04-24
- Use AI Models Locally Hugging Face
תגובות
הערות מובילות