إذا كنت تشغّل النماذج محليًّا، فإن مكتبة Ollama هي المصدر الذي تأتي منه معظم هذه النماذج — لكنها تتغيّر باستمرار، وأسماؤها غامضة. وهذه قائمة عملية قائمة نماذج Ollama لعام 2026: النماذج التي يشغلها الناس فعليًّا، والذاكرة المطلوبة لكلٍّ منها، وما الذي تتميز به كلٌّ منها، بالإضافة إلى كيفية سرد النماذج الموجودة لديك بالفعل أو سحب نماذج جديدة. ويقوم Ollama افتراضيًّا بتنزيل نسخة كمية (quantised) من النموذج بعرض 4 بت، ولذلك يمكن لنموذج «70 مليار معلّمة» أن يعمل على محطة عمل قوية، بينما يُمكن لنموذج «8 مليارات معلّمة» أن يعمل على جهاز كمبيوتر محمول. والأحجام المذكورة أدناه هي تقديرية افتراضية — ويجب دائمًا التحقق من قاعدة بيانات نماذج الذكاء الاصطناعي أو تشغيل الأمر ollama list لمعرفة ما هو متاح حاليًّا على جهازك.
مرجع سريع
- التشغيل على أي جهاز كمبيوتر محمول (8 جيجابايت من الذاكرة العشوائية RAM): Llama 3.2 3B، Phi-3 Mini، Gemma 3 4B — صغيرة، سريعة، تعمل دون اتصال بالإنترنت.
- الأفضل من حيث التوازن العام (16 جيجابايت من الذاكرة العشوائية RAM): Llama 3.1 8B، Qwen 2.5 7B، Mistral 7B — النقطة المثلى لمعظم الأشخاص.
- عالية الجودة (32 غيغابايت فأكثر / وحدة معالجة رسومية): Gemma 2 بحجم 27 مليار معلَّمة، Qwen 2.5 بحجم 32 مليار معلَّمة، Mixtral 8x7B.
- شبه متقدمة (محطة عمل / 48 غيغابايت فأكثر): Llama 3.3 70B، DeepSeek-R1 70B.
- استدلال: تم تكثيف نموذج DeepSeek-R1. البرمجة: Qwen 2.5 Coder، Code Llama. الرؤية: LLaVA. التضمينات: nomic-embed-text.
- القاعدة: اختر النموذج حسب الذاكرة المتاحة لديك — تحقق من أي نموذج باستخدام أداة التحقق المجانية لدينا حاسبة VRAM.
الحقائق الرئيسية
- أي جهاز كمبيوتر محمول (8 GB RAM): Llama 3.2 3B, Phi-3 Mini, Gemma 3 4B
- نقطة الحلاوة عند 16 GB: Llama 3.1 8B, Qwen 2.5 7B, Mistral 7B
- 32 غيغابايت أو أكثر / وحدة معالجة رسومية (GPU): Gemma 2 27B، Qwen 2.5 32B، Mixtral 8x7B — محطة عمل بسعة 48 غيغابايت أو أكثر: Llama 3.3 70B، DeepSeek-R1 70B
- يقوم Ollama افتراضيًّا بتنزيل إصدارات النماذج المكمَّنة بتقنية 4-bit — وهذا السبب في أن النموذج «70B» يمكنه العمل بكفاءة على محطة عمل جيدة
- نماذج متخصصة: Qwen 2.5 Coder (للبرمجة) · LLaVA (للرؤية الحاسوبية) · nomic-embed-text (لتضمين النصوص) · نسخ DeepSeek-R1 المبسَّطة (للتفكير والاستدلال)
أشهر نماذج Ollama في لمحة واحدة
كل نموذج أدناه متاح عبر أمر بسيط ollama pull <الاسم>. وتُشير عبارة «تنزيل» إلى الحجم التقريبي الافتراضي للنموذج المكمَّن بـ 4 بت (Q4)، بينما تُشير عبارة «الحد الأدنى للذاكرة» إلى أقل كمية عملية من ذاكرة النظام (RAM) للوحدة المركزية (CPU) أو ذاكرة وحدة المعالجة الرسومية (VRAM) اللازمة لتشغيل النموذج بسلاسة. أما أعداد المُعاملات فهي دقيقة، بينما الأحجام تقريبية وقد تتغير مع كل إصدار.
| النموذج | عدد المُعَلَّمات | الحجم عند التنزيل (Q4) | الحد الأدنى للذاكرة | الأفضل لـ |
|---|---|---|---|---|
| Llama 3.2 | 1 مليار / 3 مليارات | ~1.3 / 2 غيغابايت | 4–8 غيغابايت | للأجهزة الطرفية، الهواتف، والمحادثات الخفيفة جدًّا |
| Llama 3.1 | 8 مليارات معلّمة | ~4.7 غيغابايت | 8–16 غيغابايت | أفضل نموذج صغير شامل الأداء |
| Llama 3.3 | 70B | ~43 GB | 48 غيغابايت فأكثر | نموذج مفتوح شبه متقدم |
| Gemma 3 | 1 مليار / 4 مليارات | ~0.8 / 3.3 غيغابايت | 4–8 غيغابايت | نموذج صغير فعّال (من شركة Google) |
| Gemma 2 | 9 مليارات / 27 مليار | ~5.4 / 16 غيغابايت | 12–32 غيغابايت | أداء قوي نسبيًّا بالنسبة لحجمه |
| Qwen 2.5 | 0.5 مليار–72 مليار | ~0.4–47 غيغابايت | 4 غيغابايت فأكثر | متعدد اللغات، ومدى واسع من الأحجام |
| Qwen 2.5 Coder | 1.5 مليار–32 مليار | ~1–20 غيغابايت | 8 GB+ | مساعد برمجي محلي |
| Mistral | 7 مليارات معلَّمة | ~4.1 غيغابايت | 8 غيغابايت | نموذج كلاسيكي سريع وموثوق |
| Mistral Nemo | 12 مليار معلّمة | ~7 غيغابايت | 16 جيجابايت | سياق طويل بطول 128 ألف رمز |
| Mixtral | 8×7 مليار معلَّمة | ~26 جيجابايت | 32 جيجابايت فأكثر | جودة نموذج التجميع المتعدد للخبرات (Mixture-of-Experts) |
| Phi-4 | 14 مليار معلّمة | ~9 GB | 16 جيجابايت | الاستنتاج المنطقي في نموذج صغير الحجم |
| Phi-3 ميني | 3.8 مليار معلَّمة | ~2.3 جيجابايت | 8 غيغابايت | صغير الحجم لكنه فعّال |
| DeepSeek-آر1 (نسخة مُكثَّفة) | من 1.5 مليار إلى 70 مليار معلَّمة | ~1.1–43 جيجابايت | 8 GB+ | الاستنتاج المنطقي خطوةً بخطوة |
| إللاڤا | من 7 مليار إلى 34 مليار معلَّمة | ~4.7–20 جيجابايت | 8 GB+ | الرؤية (فهم الصور) |
| nomic-embed-text | — | ~0.3 جيجابايت | 2 جيجابايت | المُتجهات المُضمَّنة لتطبيقات الاسترجاع المعزَّز بالذكاء الاصطناعي (RAG) والبحث |
هل ترغب في مقارنة هذه النماذج المحلية مع نماذج السحابة من حيث السعر والسرعة؟ إن قائمة قاعدة بيانات نماذج الذكاء الاصطناعي تعرض النماذج المفتوحة والمغلقة جنبًا إلى جنب، بينما توضح قائمة حاسبة تكلفة واجهات برمجة تطبيقات الذكاء الاصطناعي (API) الحالات التي يتفوَّق فيها التشغيل المحلي على الدفع مقابل كل رمز (token).
كيفية سرد النماذج المُثبَّتة من Ollama على جهازك
لعرض جميع النماذج الموجودة بالفعل على جهازك، مع حجم كلٍّ منها ووقت استخدامك الأخير لها، شغِّل الأمر التالي:
ollama list
يُظهر هذا اسم كل نموذجٍ ووسمه (Tag) ومعرّفه الفريد وحجمه. وتستخدم أداة Ollama حاليًّا مرجع واجهة سطر الأوامر (CLI) هذه الصيغة من الأمر ollama ls؛ وكلا التهجئتين تعملان. ولعرض النماذج المحملة حاليًّا في الذاكرة، استخدم ollama ps، ولإلغاء تحميل نموذجٍ واحدٍ استخدم ollama stop <name>، ولحذف نموذجٍ واستعادة مساحته على القرص الصلب استخدم ollama rm <الاسم>. وهذه الأوامر الأربعة كافية لإدارة مجموعة النماذج المحلية، أما المجموعة الكاملة من الأوامر فهي متاحة في دليلنا دليل Ollama.
كيفية البحث عن نماذج جديدة في المكتبة وتنزيلها
توجد الفهرسة الكاملة لبرنامج Ollama في مكتبتها الإلكترونية، ويمكن تنزيل أي نموذج منها بأمر واحد فقط:
ollama pull llama3.1 أو تشغيله مباشرةً باستخدام الأمر ollama run llama3.1
تستخدم أسماء النماذج الوسوم (Tags) للإشارة إلى حجمها ونوعها — مثل llama3.1:8b, gemma2:27b, qwen2.5:14b. إذا حذفت الوسم، يسحب Ollama قيمة افتراضية معقولة (عادة الحجم الأكثر شيوعًا بدقة 4 بت). لأول تثبيت، دليلنا خطوة بخطوة تثبيت Ollama دليل يغطي Mac و Windows و Linux.
نماذج صغيرة — تعمل على أي جهاز كمبيوتر محمول تقريبًا
النماذج من 1B إلى حوالي 4B معاملات تعمل بسهولة على جهاز كمبيوتر محمول حديث مع 8 GB من الذاكرة، بدون GPU مطلوب. Llama 3.2 3B, Gemma 3 4B و Phi-3 ميني هي الخيارات المتميزة: سريعة، مفيدة حقًا للتلخيص والصياغة والأسئلة البسيطة، وصغيرة بما يكفي للبقاء محملة. لن تضاهي نموذج السحابة الحدودي، لكنها ممتازة للمهام اليومية الخاصة والفعالة دون اتصال - وهي نقطة البداية الصحيحة إذا كنت جديدًا على الذكاء الاصطناعي المحلي.
نماذج متوسطة الحجم — النقطة المثلى عند 16 غيغابايت
فئة 7B–14B هي حيث يجب أن يعيش معظم الناس. Llama 3.1 8B, Qwen 2.5 7B و Mistral 7B توفر قفزة كبيرة في الاتساق مقارنة بالنماذج الصغيرة مع تناسب مريح في 16 GB من الذاكرة أو GPU سائد. Phi-4 و Mistral Nemo تدفع الجودة وطول السياق أبعد. إذا كنت تريد نموذجًا واحدًا للاستخدام العام، اختر من هذا الصف - إنه أفضل توازن بين القدرات والطلب على الأجهزة.
نماذج كبيرة — تتطلب محطات عمل أو وحدات معالجة رسومية
من 27B فما فوق، أنت تدخل أجهزة جادة. Gemma 2 27B و Qwen 2.5 32B تريد 32 GB أو أكثر؛ Mixtral 8x7B والنماذج من فئة 70B - Llama 3.3 70B و DeepSeek-R1 70B distill - تحتاج إلى 48 GB+ من الذاكرة السريعة، مما يعني عمليًا GPU عالي VRAM أو Mac Apple Silicon عالي الذاكرة. المكافأة هي جودة تقترب من النماذج السحابية الكبيرة، تعمل بالكامل على جهازك. انظر دليلنا أفضل معالجات الرسومات للذكاء الاصطناعي لما يعمل بالفعل على هذه.
نماذج متخصصة: البرمجة، الرؤية الحاسوبية، والتجسيدات (Embeddings)
بعيدًا عن الدردشة العامة، يستضيف Ollama نماذج محددة المهام. Qwen 2.5 Coder و Code Llama مبنية للبرمجة وتتماشى بشكل جيد مع أدوات IDE المحلية. إللاڤا يضيف الرؤية، لذا يمكن للنموذج أن يصف أو يفكر في الصور. ونماذج التضمين مثل nomic-embed-text و mxbai-embed-large لا تتحدث على الإطلاق - فهي تحول النص إلى متجهات للبحث والجيل المعزز بالاسترجاع، العمود الفقري لإعداد RAG محلي.
أي نموذج من Ollama يجب أن تستخدمه فعليًّا؟
الإجابة الصريحة هي: الأكبر الذي يمكن لذاكرتك أن تحمله في الفئة التي تحتاجها. للاستخدام العام، ابدأ بنموذج 8B وارتق فقط إذا انخفضت الجودة. للاستدلال، جرب DeepSeek-R1 distill؛ للبرمجة، Qwen 2.5 Coder؛ للصور، LLaVA. نحن نصنف أفضل الخيارات حسب حالة الاستخدام في أفضل LLMs المحلية للتشغيل على Ollama، وقارن Ollama نفسه مع البدائل في Ollama مقابل LM Studio مقابل vLLM مقابل llama.cpp.
تحقق مما إذا كان النموذج يناسب نظامك قبل تنزيله
الخطأ الأكثر شيوعًا هو سحب نموذج كبير جدًا لجهازك - فإما أنه سيرفض التحميل أو سيتحرك ببطء حيث يتبادل إلى القرص. قبل التنزيل، احسب حجمه: كقاعدة تقريبية، يحتاج نموذج 4 بت إلى قليل أقل من 1 GB من الذاكرة لكل مليار معاملة، بالإضافة إلى مساحة للسياق. دليلنا المجاني حاسبة VRAM يعطي الرقم الدقيق لأي نموذج وتكميم، و متطلبات نظام Ollama اشرح المقابل بين RAM و VRAM بالكامل.
يتم تخزين كل نموذج في هذه القائمة بصيغة GGUF؛ ودليلنا الخاص بخصوص نماذج GGUF يوضّح لواحق التكميم وأي الملفات تناسب وحدة معالجة الرسومات (GPU) الخاصة بك.
المزيد من أدلة Ollama على Convly
- إعدادات المنصات: دليل التثبيت · Ollama على نظام Windows · Ollama في Docker · متطلبات النظام
- التشغيل الأمثل: قائمة النماذج · أفضل النماذج للتشغيل · عندما يتجاهل Ollama وحدة معالجة الرسومات (GPU) الخاصة بك · تغيير المنفذ (port)
- الخدمات والحماية: المصادقة باستخدام مفتاح واجهة برمجة التطبيقات (API key) · هل يعد Ollama آمنًا؟ · النماذج السحابية
- الصيانة: التحديث · إلغاء التثبيت · بدائل
الأسئلة الشائعة
كيف أسرد النماذج المثبتة في Ollama؟ تشغيل ollama list لرؤية كل نموذج مثبت بحجمه، ollama ps لما يتم تحميله الآن، و ollama rm <الاسم> لحذف واحد.
ما أفضل نموذج Ollama؟ لا يوجد واحد أفضل - يعتمد على ذاكرتك. Llama 3.1 8B هو أفضل اختيار شامل لأجهزة 16 GB؛ انظر قائمتنا المرتبة لكل حالة استخدام.
كم عدد النماذج التي يمتلكها Ollama؟ مئات، عبر عائلات الدردشة والبرمجة والرؤية والتضمين، مع أحجام متعددة لكل منها. الجدول أعلاه يغطي تلك التي يشغلها معظم الناس فعليًا.
كم RAM أحتاج لتشغيل نماذج Ollama؟ 8 GB يشغل النماذج الصغيرة (1B–4B)، 16 GB يشغل فئة 7B–8B الشهيرة، و32 GB+ أو GPU مطلوب لـ 27B وأكبر. تحقق من أي نموذج بـ حاسبة VRAM.
هل يمكنني تشغيل هذه النماذج بدون اتصال؟ نعم - بمجرد السحب، يعمل كل نموذج Ollama بالكامل على جهازك بدون اتصال بالإنترنت، وهو السبب الرئيسي لاستخدام النماذج المحلية على الإطلاق.
الخلاصة
قائمة نماذج Ollama طويلة، لكن الاختيار بسيط: قرر ما تحتاجه - دردشة عامة أو استدلال أو برمجة أو رؤية أو تضمينات - ثم اختر أكبر نموذج في تلك العائلة التي يمكن لذاكرتك أن تحمله. ابدأ بنموذج 8B، استخدم ollama list للتتبع مع ما لديك، والاعتماد على حاسبة VRAM قبل كل تنزيل حتى لا تسحب أبدًا شيء لا يمكن لجهازك تشغيله. من هناك، تشغيل الذكاء الاصطناعي القادر محليًا وبشكل خاص هو بعيد بضعة أوامر.
أسماء النماذج والأحجام والتوفر تتغير بشكل متكرر؛ الأرقام افتراضات تقريبية حالية اعتبارًا من منتصف 2026 - تحقق مع ollama list والمكتبة الرسمية قبل الاعتماد عليها.