اختيار النماذج وحوكمة التكلفة: من «استخدام الأقوى في كل شيء» إلى التصنيف حسب المهمة

لماذا يُعد «استخدام أقوى نموذج بشكل موحد» فخًا للتكلفة

قدرات النماذج طبقية: النموذج الرائد بارع في الاستدلال الطويل، والشيفرة المعقدة، والتعليمات متعددة القيود؛ أما النموذج الخفيف فيكفي غالبًا في التصنيف والاستخراج وتحويل الصيغ والأسئلة القصيرة. وقد يبلغ فرق سعر الوحدة بينهما عشرة أضعاف أو أكثر.

تصنّف صفحة الأسعار الحالية لدى Anthropic و[API pricing](https://developers.openai.com/api/docs/pricing) لدى OpenAI نماذجهما إلى عدة فئات؛ وبأخذ [pricing](https://claude.com/pricing) المنشورة من Anthropic مثالًا، فإن فئات Opus وSonnet وHaiku الثلاث تستهدف مهام بشدة مختلفة، مع فارق واضح في سعر الوحدة. وإسناد مئات الآلاف من عمليات التصنيف البسيطة اليومية إلى النموذج الرائد هو الهدر الأكثر سهولة في التغاضي عنه.

إنزال تصنيف المهام إلى الشيفرة

1. اسرد استدعاءات LLM في النظام حسب «نوع المهمة» (تصنيف / استخراج / تلخيص / توليد / استدلال / شيفرة).
2. اختر فئة افتراضية لكل نوع مهمة، واكتبها في الإعدادات، لا في أسماء نماذج متناثرة في كل مكان.
3. جهّز لكل نوع مهمة من 50 إلى 200 عينة تقييم ثابتة، تتضمن حالات صعبة نموذجية.
4. شغّل خط الأساس بالفئة الافتراضية أولًا، ثم جرّب التخفيض، وقارن الدقة/معدل الالتزام بالصيغة.
5. لا تُبقِ التخفيض إلا إذا كان فقدان الجودة أقل من الحد المسموح؛ وإلا فعُد إلى الفئة الأعلى.

التوجيه المتدرج: الرخيص أولًا ثم الغالي

أحد الأنماط العملية هو «الرخيص أولًا ثم الغالي»: عالج الطلب بالنموذج الخفيف أولًا، ثم ارتقِ إلى النموذج الرائد عند ظهور الإشارات التالية—

• تعذّر تحليل المخرجات (JSON تالف، حقول مفقودة).
• أعلن النموذج نفسه عدم اليقين، أو انخفضت الثقة عن الحد.
• تفعّل تحقق جودة من جانب الأعمال (مثلًا تعذّر تنفيذ SQL المولّد).
• تجاوزت مؤشرات تعقيد الطلب الحد (طول الإدخال، عدد المستندات المرجعية).

بهذا تتوقف معظم الحركة عند الفئة الرخيصة، ولا يُدفع للفئة الرائدة إلا للأجزاء الصعبة فعلًا. احرص على احتساب عدد مرات الارتقاء في المراقبة: ارتفاع معدل الارتقاء على المدى الطويل يعني أن الاختيار يحتاج إلى إعادة تقييم.

أمور يجب تأكيدها قبل التبديل بين الموردين

لا تتفق الموردون المختلفة على أسلوب المخرجات أو صيغة استدعاء الأدوات أو سياسات الرفض للمهمة نفسها. قبل نقل نوع مهمة من المورد A إلى المورد B، يجب على الأقل تأكيد ما يلي:

• المخرجات المهيكلة: مدى تطابق دعم JSON mode / schema الصارم.
• صيغة استدعاء الأدوات: بنية المعاملات، والاستدعاء المتوازي، وطريقة إرجاع الأخطاء.
• طول السياق وسلوك الاقتطاع: هل يُرجع الإدخال الطويل خطأً أم يُقتطع بصمت.
• اختلاف سياسات المحتوى: قد يُرفض النص نفسه لدى نموذج ويُقبل لدى آخر.

التصنيف داخل بوابة واحدة

يحافظ Admesh على توافق بروتوكول OpenAI، ويُعرّض النماذج بصيغة namespace/model (مثل anthropic/… وopenai/… وdeepseek/…). هذا يعني أن تصنيف المهام يحتاج فقط إلى جدول تعيين «نوع المهمة → النموذج» في الإعدادات، بينما لا يتغير في الشيفرة سوى معامل model.

ولأن التوجيه يجري فقط داخل مجموعة قنوات public_model نفسه، فلن يُستبدل anthropic/xxx لديك بصمت بنموذج من مورد آخر—فالتصنيف اختيار صريح منك، وليس قرارًا تتخذه البوابة نيابة عنك.

عرض واجهة قائمة النماذج →