← العودة إلى المدونة
Aiحوالي 1 دقيقة قراءة

نموذج مفتوح بحجم 397B يقود سطح مكتبك الآن. و9B لا يتأخر عنه إلا تسع نقاط.

نُشر في 7 نوفمبر 2026
نموذج مفتوح بحجم 397B يقود سطح مكتبك الآن. و9B لا يتأخر عنه إلا تسع نقاط.

صدرت NorthCUA في 3 نوفمبر كمجموعة من ثلاثة نماذج مفتوحة الأوزان والأداة التي تشغّلها. الرقم الأول هو Pro، نظام mixture-of-experts بـ397B معامل يسجل 88 في OSWorld-Verified، وهو اختبار قياسي يُطلب فيه من وكيل إنجاز مهام متعددة الخطوات داخل نظام تشغيل حقيقي: نقل الملفات، والتبديل بين التطبيقات، وملء النماذج، وقراءة الشاشة وتقرير أين ينقر بعد ذلك.

الرقم الذي يستحق انتباهاً أكبر هو 78.9. إنه Nano، بـ9B معامل.

تسع نقاط من الفارق في الاختبار مقابل فرق قدره 44 ضعفاً في حجم النموذج. وMini في المنتصف بـ35B و85 نقطة. وفي WebArena-Verified، اختبار التنقل في المتصفح، الفارق ضيق بالمثل.

ما يقيسه الاختبار فعلاً

يمنح OSWorld-Verified الوكيل مهمة وآلة افتراضية ويقيّم ما إذا كانت الحالة النهائية مطابقة. إنه أقرب إلى العمل الحقيقي من اختبار اختيار من متعدد، وأبعد عن العمل الحقيقي مما يبدو. المهام محددة جيداً، والبيئة نظيفة، ولا شيء غير متوقع يقاطع.

درجة 88 تعني أن نحو 12 في المئة من المهام تفشل. هذه نتيجة جيدة لنظام بحثي ونتيجة سيئة لمنتج يمس ملفاتك. إذا أخطأ الوكيل مهمة من كل ثماني، وبعض تلك الإخفاقات يتمثل في حذف الشيء الخطأ أو النقر على الزر الخطأ، فلن يتركه أحد دون إشراف على حاسوب عمل.

هذه هي القراءة الصادقة للإصدار، ومن إنصاف المؤلفين أن التقرير التقني لا يبالغ فيه. وهو أيضاً لا ينشر درجات مطلقة لكل مقارنة، بل يصوغ نتائج النماذج المغلقة كأحكام لا كجداول: Pro يتغلب على Qwen3.8-Max وKimi-K3 في OSWorld، وMini يتغلب على Kimi-K3، وفي WebArena يتغلب Mini على Qwen3.8-Max بينما يتغلب Pro عليهما.

هذه تقييمات المؤلفين أنفسهم على مجموعة مهامهم. تعامل معها كادعاء، لا كموقع في لوحة ترتيب.

كيف دُرّب

ثلاثة أجزاء، والتسمية حرفية على نحو غير معتاد.

يوفّر Experience Flywheel مهام قابلة للتنفيذ مأخوذة من استخدام حقيقي للتطبيقات. الفكرة أن المهام تأتي مع ground truth، لأنك تستطيع التحقق مما إذا كان الجدول قد مُلئ بشكل صحيح.

تجمع الأداة تفاعلاً طويلاً في كل واحد: تسجل القرارات، وتعيد الملاحظات، وتتحقق من النتائج عبر جلسات تمتد أطول بكثير من نافذة سياق واحدة. جُمعت كل مسار في sandbox معزول من E2B، وهذا يعني أيضاً أن بيانات التدريب قابلة لإعادة الإنتاج وأن النموذج لم يرَ قط آلة حية يمكن أن يكسرها.

Staged Learning هو الجدول الزمني. يبدأ بتدريب متوسط على grounding، يعلّم النموذج كيف يبدو الزر وحقل النص. ثم ضبط دقيق موجّه بأفق طويل على مسارات مهام كاملة. ثم تعلّم معزز مشترك بين سطح المكتب والويب باستخدام Group-Relative Policy Optimization، وهي العائلة نفسها من الأساليب وراء معظم مكاسب نماذج الاستدلال الحديثة.

الحجم أكثر من 4 ملايين خطوة تفاعل GUI عبر عشرات التطبيقات. هذا كبير لبيانات GUI وصغير مقارنة بمجموعات النصوص وراء نموذج لغوي متقدم، وهي بالضبط الحالة التي تفوز فيها التخصصية.

نسخة Ultrafast هي الأثر الأكثر إثارة للاهتمام

تقرن NorthCUA-Ultrafast اختيار الفعل المباشر بالتوليد، وتعمل على نموذج Nano قبل RL. بعبارة بسيطة، تتخطى خطوة الاستدلال وتُسقط الملاحظة على الفعل عبر اختصارات متعلمة، مع العودة إلى التفكير عندما لا يكون الاختصار واثقاً.

ينسب إليه التقرير إنجازاً أسرع بمقدار 2.3 مرة في المتوسط في مهام WebArena الناجحة المتطابقة. المهام نفسها، والنجاح نفسه، وأقل من نصف الزمن الفعلي.

هذا هو شكل مشكلة النشر بالنسبة لوكلاء computer-use، وليس الشكل الذي يتوقعه معظم الناس. معدل النجاح هو ما يجذب الانتباه. أما زمن الاستجابة فهو ما يحدد إن كان الإنسان سيراقب الوكيل فعلاً وهو يعمل أم سيغادر الغرفة. مهمة تستغرق أربع دقائق وتنجح 85 في المئة من الوقت هي أداة. المهمة نفسها في 100 ثانية ميزة.

وهذا يعني شيئاً أيضاً عن المكان الذي يجب أن يعيش فيه الذكاء. إذا كان نموذج 9B باختصارات يكاد يساوي نموذج 397B يفكر بجد، فإن عنق الزجاجة لفئة كبيرة من مهام سطح المكتب لم يكن قط عمق الاستدلال. كان جودة grounding وتغطية البيانات، وهما أرخص في التحسين.

لماذا تهم الأوزان المفتوحة هنا أكثر من أي مكان آخر

وكيل computer-use يرى شاشتك. كل لقطة شاشة يلتقطها قد تحتوي على سجل عميل، أو حقل كلمة مرور، أو منتج لم يُعلن عنه، أو لوحة تحكم داخلية. إرسال ذلك التدفق إلى API بعيد قرار حوكمة بيانات. ولكثير من المؤسسات هو قرار غير مسموح لها باتخاذه.

هذا القيد في الحوكمة، لا القدرة الخام، هو ما يبيع فيه هذا الإصدار نفسه. المستشفيات والبنوك والمتعاقدون الحكوميون والمصنّعون الذين يريدون أتمتة سطح المكتب ولا يستطيعون تمرير لقطات الشاشة عبر طرف ثالث لديهم الآن ثلاثة أحجام للاختيار، مع الأداة، ودون رسوم ترخيص برمجي.

الإرشاد العملي الذي يتبع ذلك ممل وصحيح. ابدأ بـNano على المهام الثلاث التي تفعلها أكثر: ملء نموذج، وتصدير تقرير، ونقل بيانات بين تطبيقين. إذا أمكنه ذلك، فإن Mini يتحمل حجم الإنتاج على وحدة GPU واحدة في مركز بيانات. وPro موجود ليجد السقف، وإن لم يحل Pro مشكلة سقفك، فالمشكلة في تصميم مهامك لا في النموذج.

ثلاثة أحجام قرار تسعير

إصدار 9B و35B و397B في إصدار واحد طريقة لترك العملاء يوزعون أنفسهم.

ثلاثة مكعبات سيراميك بيضاء مطفية بأحجام مختلفة على كتان فاتح، تحت ضوء علوي ناعم.

9B معامل تتسع لحاسوب محمول أو حاسوب صغير. هذه هي النسخة التي يمكن لشركة صغيرة في بلد ذي تكلفة خروج سحابي مرتفعة تشغيلها، وهي النسخة التي تجعل الإصدار ذا صلة خارج الأسواق القليلة المعتادة. و35B تتسع لوحدة GPU واحدة في مركز بيانات، وهو المستوى الذي ستهبط عليه معظم عمليات النشر الإنتاجية. أما 397B فموجودة لإثبات أن البنية تتوسع، ولتُقتبس في الملخص.

تقرير على طريقة arXiv يفعل شيئاً مشابهاً في تقييمه. يقارن بنماذج مغلقة بتريليون معامل بدل الأقران المفتوحة، لأن المقارنة التي تُقتبس هي التي تفوز فيها. أما القارئ الذي يريد معرفة كيف يبلي Nano أمام نموذج vision-language بحجم 32B مضبوط جيداً فلن يجد ذلك هنا.

لا شيء من ذلك يجعل الأرقام خاطئة. إنه يجعلها ضيقة، والخطوة المفيدة للمشتري هي تجاهل العنوان واختبار المستوى الذي يستطيع تحمله.

الجزء الذي لم يحله أحد

نسبة الفشل 12 في المئة إحصائية. وخلفها سلوكيات محددة تشترك فيها كل أنظمة computer-use.

إنها تقرأ الحالة خطأً. ينقر الوكيل مربع اختيار كان محدداً أصلاً، والخطوة التالية تفترض أنه فعّله للتو. تفقد أثر النافذة التي تحمل التركيز. تعيد محاولة فعل نجح جزئياً فتضاعف الأثر. وليس لديها مفهوم اللارجعة، لذا تنطبق الثقة نفسها على فتح قائمة وعلى الضغط على إرسال في بريد إلى أربعمئة شخص.

لا شيء في هذا الإصدار يعالج ذلك. التخفيف معماري: تشغيل الوكيل داخل حاوية، وأخذ snapshot قبل كل خطوة لا رجعة فيها، وطلب تأكيد بشري على قائمة محددة من الأفعال، وتسجيل كل نقرة مع التقاط إطار حتى يمكن تشخيص الإخفاق.

الأوزان المفتوحة تجعل بناء تلك البنية أرخص، وهي الحجة الحقيقية لها. الـAPI المغلقة تفرض عليك الثقة بطبقة الأمان لدى المورّد. أما الـcheckpoint المفتوح فيتيح لك وضع سياجك الخاص حوله.

النقاط التسع بين 9B و397B تقول شيئاً عن العامين القادمين في هذا السوق. ستتحسن النماذج ببطء، وستُبنى المنتجات حول المستوى الجيد بما يكفي بتكلفة مناسبة. إن كان Nano جيداً بما يكفي لسير عملك اليوم، فالهندسة المثيرة للاهتمام تقع في الأداة التي تبنيها حول النموذج الذي لديك بالفعل.

مقالات ذات صلة

جدول نقرات يديره المجتمع يطفئ الإعلانات داخل بناءات أندرويد الصينية

لا يمس النظام، ولا يفتح القفل، ولا يكتب أي شيء على الجهاز. يقلب فقط المفاتيح التي عرضتها الشركات أصلاً. الثمن قائمة يجب أن يظل أحدهم يكتبها.

GPT Image 2.6 أبقى على سعر الرموز ورفع الفاتورة

أبقى GPT Image 2.6 على كل أسعار الرموز كما كانت في 2.5، ومع ذلك صارت الصورة الواحدة أكثر كلفة، لأن جزءاً أكبر من العمل يجري الآن في رموز الإخراج. بعد أحد عشر يوماً من الإطلاق، تقول بنية التسعير أكثر مما تقوله لوحة الصدارة.

أحدهم أعاد بناء IDM من الخارج وكتب ما لم يمسّه

إعادة تنفيذ بلغة Rust لبرنامج Internet Download Manager تزعم سرعة أكبر بخمسة أضعاف ودعماً لـ 86 لغة. والوثيقة الأكثر إثارة للاهتمام هي الفقرة التي تشرح كيف بُني المشروع دون نسخ أي شيء.

Rune إطار عمل UI بلغة Rust صُمم كي يستطيع الوكيل التحقق من عمله

يرسم Rune بلا واجهة، ويفرّغ شجرة عناصره، ويقبل إدخالًا مكتوبًا، ما يمنح وكيل البرمجة إشارة قابلة للمقارنة لا تقدمها لقطة الشاشة أبدًا. الإطار في مرحلة ما قبل الإصدار ولا يستقبل pull requests.