النقاط الرئيسية
Llama 4 Scout: نموذج متعدد الوسائط متطور يدعم إدخال النصوص والصور مع طول سياق يبلغ 10 ملايين رمز، مثالي للاستدلال المتقدم، والمهام ذات الذاكرة الطويلة، والمخرجات واسعة النطاق الفعالة من حيث التكلفة.
Llama 3.3 70B: يقتصر على إدخال النصوص فقط مع طول سياق 131 ألف رمز، لكنه يتفوق في مهام البرمجة بتنفيذات موجزة ومتطلبات أجهزة أقل.
الأداء: يتصدر Llama 4 Scout في الاستدلال والمعرفة وكفاءة التكلفة، بينما يؤدي Llama 3.3 70B أفضل قليلاً في مهام البرمجة.
متطلبات الأجهزة: يتطلب Llama 4 Scout موارد حاسوبية أعلى بكثير، بينما Llama 3.3 70B أكثر سهولة في التطبيقات العامة.
يمثل كل من Llama 4 Scout وLlama 3.3 70B نموذجين قويين من نماذج اللغة الكبيرة مصممين لحالات استخدام مختلفة. قدرات Llama 4 Scout متعددة الوسائط وطول سياقه 10 ملايين رمز تجعله مناسبًا للاستدلال المتقدم والمهام ذات الذاكرة الطويلة. في المقابل، يتألق Llama 3.3 70B في الكفاءة، وأداء البرمجة، ومتطلبات الأجهزة المنخفضة، مما يجعله مثاليًا للتطبيقات العامة. يشرح هذا الدليل الاختلافات بينهما ويساعدك على اختيار النموذج المناسب بناءً على احتياجاتك.
مقدمة أساسية
يدعم Llama 4 Scout المعالجة متعددة الوسائط، مما يمكنه من التعامل مع أنواع بيانات متنوعة مثل النصوص والصور للمهام المعقدة مثل الاستدلال البصري وتركيب البيانات. يسمح له طول سياقه البالغ 10 ملايين رمز بمعالجة بيانات تسلسلية ضخمة، مما يجعله مثاليًا للتطبيقات التي تتطلب ذاكرة طويلة وإدراكًا للسياق.
Llama 4 Scout
| الفئة | العنصر | التفاصيل |
|---|---|---|
| المعلومات الأساسية | حجم النموذج | 109 مليار معلمة (17 مليار نشطة/رمز) |
| مفتوح المصدر | مفتوح | |
| الهندسة المعمارية | 16 خبيرًا مختلطًا (MoE) | |
| السياق | يدعم حتى 10 ملايين رمز | |
| دعم اللغات | اللغات المدعومة | تم التدريب المسبق على 200 لغة. يدعم العربية، الإنجليزية، الفرنسية، الألمانية، الهندية، الإندونيسية، الإيطالية، البرتغالية، الإسبانية، التاغالوغية، التايلاندية، والفيتنامية. |
| متعدد الوسائط | القدرة | إدخال: نص وصورة متعدد اللغات؛ إخراج: نص ورمز متعدد اللغات |
| التدريب | بيانات التدريب | حوالي 40 تريليون رمز |
| ما قبل التدريب | MetaP: تكوين الخبراء التكيفي + التدريب الأوسط | |
| ما بعد التدريب | SFT (بيانات سهلة) → RL (بيانات صعبة) → DPO | |
| حجم النموذج حسب الدقة | نوع الموتر | BF16 |
Llama 3.3 70B
| الفئة | العنصر | التفاصيل |
|---|---|---|
| المعلومات الأساسية | حجم النموذج | 70 مليار معلمة |
| مفتوح المصدر | مفتوح | |
| الهندسة المعمارية | هندسة Transformer محسّنة، GQA | |
| السياق | 131 ألف رمز | |
| دعم اللغات | اللغات المدعومة | يدعم ثماني لغات |
| متعدد الوسائط | القدرة | نص إلى نص |
| التدريب | بيانات التدريب | 15 تريليون رمز |
| طريقة التدريب | الضبط الدقيق الخاضع للإشراف (SFT) والتعلم المعزز بالتغذية البشرية (RLHF) | |
| حجم النموذج حسب الدقة | نوع الموتر | BF16 |
مقارنة المعايير
بعد أن حددنا الخصائص الأساسية لكل نموذج، دعنا نتعمق في أدائهم عبر معايير مختلفة. ستساعد هذه المقارنة في توضيح نقاط قوتهم في مجالات مختلفة.
| الفئة | المعيار | Llama 4 Scout | Llama 3.3 70B |
|---|---|---|---|
| البرمجة | LiveCodeBench | 32.8 | 33.3 |
| الاستدلال | MMLU Pro | 74.3 | 68.9 |
| المعرفة | GPQA Diamond | 57.2 | 50.5 |
| التسعير (Novita AI) | 1 مليون رمز إدخال | $0.10 | $0.10 |
| 1 مليون رمز إخراج | $0.13 | $0.39 |
اختر Llama 4 Scout للمهام المتنوعة التي تعطي الأولوية للاستدلال والمعرفة وكفاءة التكلفة. واختر Llama 3.3 70B إذا كان أداء البرمجة هو المتطلب الأساسي.
إذا كنت ترغب في رؤية المزيد من المقارنات، يمكنك الاطلاع على هذه المقالات:
- هل يمكن لذاكرة H100 واحدة تشغيل Llama 4 Scout؟
- DeepSeek R1 مقابل OpenAI o1: بنيتا GRPO وPPO المتميزتان
- دليل: الوصول إلى Llama 4 Scout محليًا، عبر API، أو على سحابة GPU
مقارنة السرعة
إذا كنت ترغب في اختبار ذلك بنفسك، يمكنك بدء نسخة تجريبية مجانية على موقع Novita AI الإلكتروني.
مقارنة السرعة
Llama 4 Scout أسرع في توليد الرموز وأسرع في إنتاج الرمز الأول. هذه الصفات تجعله مناسبًا بشكل أفضل للتطبيقات التي تتطلب زمن انتقال منخفض واستجابة عالية.
متطلبات الأجهزة
| النموذج | طول السياق | ذاكرة Int4 | احتياجات GPU (Int4) | ذاكرة FP16 | احتياجات GPU (FP16) |
|---|---|---|---|---|---|
| Llama 3.3 70B | 131 ألف رمز | 194.14 جيجابايت | 4× H100 | ||
| Llama 4 Scout | 4 آلاف رمز | ~99.5 جيجابايت | 1× H100 | ~345 جيجابايت | 8× H100 |
| 128 ألف رمز | ~334 جيجابايت | 8× H100 | ~579 جيجابايت | 8× H100 | |
| 10 ملايين رمز | ~18.8 تيرابايت | 240× H100 | نفس Int4 (هيمنة ذاكرة KV) | 240× H100 |
متطلبات الأجهزة: يحافظ Llama 3.3 70B على متطلبات أجهزة أقل، حتى لأطوال السياق الطويلة (131 ألف رمز مع 4× H100). في المقابل، Llama 4 Scout كثيف الأجهزة، خاصة للمهام التي تتضمن 128 ألف أو 10 ملايين رمز.
قابلية التوسع: يدعم Llama 4 Scout أطوال سياق فائقة الطول (حتى 10 ملايين رمز)، ولكن على حساب موارد حاسوبية هائلة، مما يجعله مناسبًا للتطبيقات المتخصصة عالية الميزانية.
التطبيق العملي: Llama 3.3 70B أكثر ملاءمة لحالات الاستخدام العامة ذات الكفاءة العالية وإمكانية الوصول إلى الموارد. Llama 4 Scout مثالي للسيناريوهات المتخصصة التي تتطلب سياقات رمزية ضخمة، لكن متطلباته تجعله أقل عملية للبيئات النموذجية.
التطبيقات وحالات الاستخدام
تطبيقات Llama 4 Scout:
- المهام متعددة الوسائط: مثالية للمهام التي تتضمن النصوص والصور، مثل الإجابة على الأسئلة البصرية، أو شرح الصور، أو الاستدلال متعدد الوسائط.
- معالجة السياق الطويل: بفضل طول سياقه البالغ 10 ملايين رمز، يتفوق في تحليل المستندات الطويلة، أو البيانات التاريخية، أو المحادثات واسعة النطاق.
- الاستدلال عالي الأداء: مناسب لمهام الاستدلال المتقدم مثل التحليل العلمي، وحل المشكلات المعقدة، واتخاذ القرارات.
- المخرجات الفعالة من حيث التكلفة: محسّن للمهام التي تتطلب توليد نصوص واسعة النطاق بأقل تكلفة لكل رمز إخراج.
تطبيقات Llama 3.3 70B:
- البرمجة والتطوير: يعمل بشكل أفضل قليلاً في مهام البرمجة، مما يجعله خيارًا قويًا لتطوير البرمجيات، وتصحيح الأخطاء، وتوليد الأكواد.
- متطلبات سياق معتدلة: يدعم حتى 131 ألف رمز، مناسب للتطبيقات مثل تحليل المستندات، والتلخيص، أو المحادثات متوسطة الطول.
- الاستخدام العام: يعمل جيدًا لمجموعة واسعة من المهام، بما في ذلك إنشاء المحتوى، والإجابة على الأسئلة، والاستدلال العادي، عندما لا تكون هناك حاجة لطول سياق شديد أو قدرة متعددة الوسائط.
- صديق للميزانية للمدخلات: خيار عملي للمهام التي تتطلب معالجة إدخال كثيفة، بالنظر إلى هيكل التكلفة المتوازن.
Llama 4 Scout مقابل Llama 3.3 70B: المهام
المهمة 1: الاستدلال المنطقي
الموجه: “تدخل غرفة وترى سريرًا. على السرير يوجد كلبان، أربع قطط، زرافة، خمس بقرات، وبطة. يوجد أيضًا ثلاثة كراسي وطاولة. كم عدد الأرجل على الأرض؟”
Llama 4 Scout
Llama 3.3 70B
المراجعة:
- الدقة: يعطي Llama 3.3 70B الإجابة الأكثر اكتمالاً (
22 رجلاً)، حيث يشمل أرجل السرير وأرجل الشخص، التي فاتت Llama 4 Scout. - الوضوح: يوفر Llama 4 Scout شرحًا أكثر تنظيماً وتفصيلاً، مما يسهل متابعة عملية الاستدلال.
- التفسير: تضمين Llama 3.3 70B لأرجل الشخص قابل للنقاش اعتمادًا على قصد السؤال. إذا كان السؤال يستثني الشخص صراحةً، فستكون الإجابة
20رجلاً.
المهمة 2: مهارات حل المشكلات
الموجه: “اكتب برنامجًا يمكنه حل أحجية سودوكو”
Llama 4 Scout
Llama 3.3 70B
المراجعة:
- تطبيق Llama 4 Scout أفضل للمبتدئين أو من يعطون الأولوية للوضوح والشروحات التفصيلية. من السهل متابعته ويتضمن تنسيق إخراج محسّن. تطبيق Llama 3.3 70B أكثر إيجازًا وكفاءة، مما يجعله خيارًا جيدًا للمستخدمين الملمين بخوارزميات حل سودوكو ويفضلون الأكواد المدمجة.
كيفية الوصول إلى Llama 4 Scout وLlama 3.3 70B عبر Novita API؟
الخطوة 1: تسجيل الدخول والوصول إلى مكتبة النماذج
قم بتسجيل الدخول إلى حسابك وانقر على زر مكتبة النماذج.
الخطوة 2: اختر نموذجك
تصفح الخيارات المتاحة واختر النموذج الذي يناسب احتياجاتك.
الخطوة 3: ابدأ نسختك التجريبية المجانية
ابدأ نسختك التجريبية المجانية لاستكشاف قدرات النموذج المحدد.
الخطوة 4: احصل على مفتاح API الخاص بك
للتحقق من صحة API، سنزودك بمفتاح API جديد. بالانتقال إلى صفحة الإعدادات، يمكنك نسخ مفتاح API كما هو موضح في الصورة.
الخطوة 5: تثبيت API
قم بتثبيت API باستخدام مدير الحزم الخاص بلغة البرمجة التي تستخدمها.
بعد التثبيت، قم باستيراد المكتبات الضرورية إلى بيئة التطوير الخاصة بك. قم بتهيئة API باستخدام مفتاح API الخاص بك لبدء التفاعل مع Novita AI LLM. هذا مثال على استخدام API لإكمال المحادثات لمستخدمي Python.
from openai import OpenAI
client = OpenAI(
base_url="https://api.novita.ai/v3/openai",
api_key="<YOUR Novita AI API Key>",
)
model = "meta-llama/llama-4-scout-17b-16e-instruct"
stream = True # or False
max_tokens = 2048
system_content = """Be a helpful assistant"""
temperature = 1
top_p = 1
min_p = 0
top_k = 50
presence_penalty = 0
frequency_penalty = 0
repetition_penalty = 1
response_format = { "type": "text" }
chat_completion_res = client.chat.completions.create(
model=model,
messages=[
{
"role": "system",
"content": system_content,
},
{
"role": "user",
"content": "Hi there!",
}
],
stream=stream,
max_tokens=max_tokens,
temperature=temperature,
top_p=top_p,
presence_penalty=presence_penalty,
frequency_penalty=frequency_penalty,
response_format=response_format,
extra_body={
"top_k": top_k,
"repetition_penalty": repetition_penalty,
"min_p": min_p
}
)
if stream:
for chunk in chat_completion_res:
print(chunk.choices[0].delta.content or "", end="")
else:
print(chat_completion_res.choices[0].message.content)
الاختيار بين Llama 4 Scout وLlama 3.3 70B يعتمد على متطلباتك. بالنسبة للمهام التي تتطلب مدخلات متعددة الوسائط، وذاكرة واسعة، واستدلالًا متقدمًا، فإن Llama 4 Scout هو الخيار الأفضل. إذا كان تركيزك على البرمجة، وأطوال السياق المعتدلة، وكفاءة الأجهزة، فإن Llama 3.3 70B يقدم حلًا أكثر عملية. استكشف هذه النماذج من خلال Novita AI للعثور على الأنسب لتطبيقاتك.
الأسئلة الشائعة
ما الذي يجعل Llama 4 Scout فريدًا؟
تدعم نماذج 4B و12B و27B نافذة سياق 128 ألف رمز، بينما نافذة سياق نموذج 1B هي 32 ألف رمز. يدعم Llama 4 Scout المدخلات متعددة الوسائط (النصوص والصور) ويوفر طول سياق غير مسبوق يصل إلى 10 ملايين رمز، مما يجعله مثاليًا للاستدلال واسع النطاق، ومعالجة المستندات الطويلة، ومهام اتخاذ القرار المتقدم.
من يجب أن يستخدم Llama 3.3 70B بدلاً من Llama 4 Scout؟
Llama 3.3 70B مثالي للمستخدمين الذين يركزون على البرمجة، ومتطلبات الذاكرة المعتدلة (131 ألف رمز)، ومن لديهم موارد أجهزة محدودة.
كيفية الوصول إلى Llama 4 Scout وLlama 3.3 70B
Novita AI توفر لك API موثوق وبأسعار معقولة.
Novita AI هي منصة سحابية للذكاء الاصطناعي تقدم للمطورين طريقة سهلة لنشر نماذج الذكاء الاصطناعي باستخدام API البسيط لدينا، مع توفير سحابة GPU موثوقة وبأسعار معقولة للبناء والتوسع.
