يمكن لمنصة Ollama تشغيل أكثر من مئة نموذج، وهذا بالضبط سبب تردد الناس عند اختيار أحدها. والخبر الجيد هو أنك تحتاج فقط إلى عدد قليل جدًا منها. ويصنّف هذا الدليل أفضل النماذج المحلية للغة الكبيرة في عام 2026 وفقًا للمهمة التي تحاول إنجازها — مثل العمل العام أو البرمجة أو الاستنتاج المنطقي أو التشغيل على أجهزة ذات مواصفات ضعيفة — مع تحديد الذاكرة المطلوبة لكل نموذج.
هل أنت جديد هنا؟ ابدأ بـ ما هي منصة Ollama؟، ثم تحقق من مواصفات جهازك قبل تنزيل أي شيء.
أبرز النقاط المستخلصة
- أفضل أداة شاملة: Gemma 4 26B A4B — يدعم استدعاء الأدوات + الرؤية الحاسوبية، ويعمل بسلاسة، وهو الخيار الأكثر عملية لمعظم المستخدمين.
ollama run gemma4 - الأفضل للبرمجة: Qwen 3.6 27B — أقوى نموذج كثيف متخصص في البرمجة، وبأداء يبلغ نحو 77٪ في اختبار SWE-bench، ويحتاج إلى نحو 22 جيجابايت من ذاكرة VRAM.
- الأفضل للاستنتاج المنطقي/الرياضيات: DeepSeek-R1 7B — أفضل أداء في سلسلة الاستنتاجات (chain-of-thought) ضمن النماذج الصغيرة القابلة للتشغيل.
- الأفضل للأجهزة ذات المواصفات الضعيفة: Gemma2 2B — يعمل على نحو 1.7 جيجابايت من الذاكرة العشوائية (RAM)، ويمكن تشغيله بكفاءة على أجهزة كمبيوتر محمولة تعتمد فقط على وحدة المعالجة المركزية (CPU).
- أكثر التراخيص التجارية أمانًا: يُوزَّع كلٌّ من نموذجي Qwen 3 وGemma 4 بموجب رخصة Apache 2.0.
كيف تفكر في اختيار النموذج المناسب
ثلاثة عوامل تحدد أي نموذج هو «الأفضل» بالنسبة لك، وبحسب هذه الأولوية:
- ما الذي تستوعبه مواصفات جهازك؟ يجب أن يتسع النموذج في ذاكرة RAM أو VRAM الخاصة بك (بالشكل المكمّن quantized). وأفضل نموذج لا يمكنك تشغيله سيكون عديم الفائدة. لا يمكنك تشغيله، لذا يجب أن تطابق حجم النموذج مع مواصفات جهازك باستخدام دليلنا الخاص بمتطلبات النظام دليل متطلبات النظام.
- ما طبيعة المهمة المطلوبة؟ تتطلب المهام المختلفة — كالبرمجة أو الدردشة العامة أو الاستنتاج المنطقي أو معالجة المستندات — نماذج مختلفة. فالخبير الممتاز في البرمجة ليس بالضرورة خبيرًا ممتازًا في الكتابة.
- هل يهم نوع الترخيص؟ إذا كنت تبني منتجًا تجاريًا، فافضل النماذج المرخصة بموجب رخصة Apache 2.0 (مثل Qwen 3 وGemma 4) على تلك المرخصة بموجب شروط أكثر تقييدًا.
الأفضل كنموذج شامل: Gemma 4 26B A4B
نموذج جوجل Gemma 4 26B A4B (الذي أُعلن عنه في أبريل 2026) هو النموذج الذي نختاره لمعظم المستخدمين كخيار أول. وهو نموذج يعتمد على مبدأ «مزيج الخبراء» (Mixture-of-Experts)، ويدعم استدعاء الأدوات والرؤية الحاسوبية بشكل مدمج، ويقدّم أداءً متفوقًا جدًا مقارنةً بحجم الذاكرة التي يستهلكها — ما يجعله مثاليًا للعملاء المحليين (local agents) واستدعاء الوظائف والمخرجات المنظمة. كما أنه مرخص بموجب رخصة Apache 2.0، ما يسمح لك باستخدامه تجاريًا.
ollama run gemma4
إذا كنت تبحث عن نموذج واحد يفي باحتياجات الدردشة العامة، والبرمجة الخفيفة، وتلخيص النصوص، ومهام العملاء الذكية، فهذا النموذج هو الخيار الآمن الافتراضي.
الأفضل للبرمجة: Qwen 3.6 27B
للكتابة وإعادة هيكلة التعليمات البرمجية محليًّا — دون إرسال سطر واحد إلى واجهة برمجة التطبيقات (API) — Qwen 3.6 27B هو أقوى نموذج تشفير كثيف يمكنك تشغيله محليًّا، ويحقِّق أداءً يبلغ نحو 77٪ في اختبار SWE-bench و يتطلب حوالي 22 GB من VRAM. إذا كانت آلتك قادرة على تحمله، فهو أقرب شيء إلى مساعد ترميز سحابي لا يتصل أبداً بالخادم.
هل تعمل على أجهزة محدودة الإمكانيات؟ انتقل إلى نسخة Qwen أصغر متخصصة في الترميز أو استخدم Gemma 4. للحصول على تفصيل شامل للخيارات المتخصصة في الترميز وكيف تقارن على مهام فعلية، راجع دليلنا الخاص بـ أفضل نموذج LLM محلي للترميز.
الأفضل للاستنتاج المنطقي والرياضيات: DeepSeek-R1 7B
DeepSeek-R1 7B هو نموذج سلسلة من الأفكار يوفر أفضل أداء محلية في الرياضيات والتفكير بحجم 7B. لأنه «يفكر» من خلال المشاكل خطوة بخطوة، فهو الخيار المناسب عندما تكون الدقة في المنطق متعدد الخطوات أهم من السرعة. بحجم 7B يناسب الأجهزة المتواضعة، مما يجعله نموذج تفكير يمكن الوصول إليه بشكل غير معتاد.
ollama run deepseek-r1
الأفضل للأجهزة ذات المواصفات الضعيفة: Gemma2 2B
بدون بطاقة رسومات منفصلة؟ Gemma2 2B هي أسرع خيار للاستدلال على وحدة المعالجة المركزية وتحتاج فقط إلى حوالي 1.7 GB من الذاكرة. لن تفوز بالمقاييس، لكنها قابلة للاستخدام بحقية في الملخصات والأسئلة البسيطة والصياغة على جهاز كمبيوتر محمول عادي — دليل على أنك لا تحتاج إلى محطة عمل للبدء مع الذكاء الاصطناعي المحلي.
الأفضل للتطبيقات المؤسسية على نطاق واسع: Qwen3 235B-A22B
إذا كان لديك أجهزة قوية وتريد نموذجاً مفتوح الصدر من الحدود الأمامية برخصة نظيفة، Qwen3 235B-A22B هو أحد أكثر الخيارات الآمنة للمؤسسات: نموذج مزيج من الخبراء يحتوي على 235B معاملة إجمالية لكن فقط 22B نشطة لكل رمز، بموجب Apache 2.0. إنه مناسب تماماً لتطبيقات متعددة اللغات والمنتجات التجارية — شريطة أن تتوفر لديك الذاكرة لاستضافتها.
مقارنة سريعة
| النموذج | الأفضل لـ | الذاكرة التقريبية | الترخيص |
|---|---|---|---|
| Gemma 4 26B A4B | عام / وكلاء / رؤية | GPU متوسط المدى | Apache 2.0 |
| Qwen 3.6 27B | البرمجة | ~22 GB VRAM | Apache 2.0 |
| DeepSeek-R1 7B | التفكير / الرياضيات | متواضع | MIT |
| Gemma2 2B | ضعيف / وحدة معالجة مركزية فقط | ~1.7 GB RAM | رخصة Gemma |
| Qwen3 235B-A22B | مؤسسة / متعددة اللغات | عالي جداً | Apache 2.0 |
مسار قرار بسيط
- نموذج واحد لكل شيء → Gemma 4.
- الترميز في الأساس، GPU قوي → Qwen 3.6 27B.
- تفكير صعب أو رياضيات → DeepSeek-R1.
- جهاز كمبيوتر محمول قديم، بدون GPU → Gemma2 2B.
- بناء منتج تجاري → التزم بنماذج Apache 2.0 (Qwen 3, Gemma 4).
مهما كان اختيارك، الأمر هو نفسه — ollama run — ويمكنك إبقاء عدة نماذج مثبتة والتبديل بحرية. لتشغيل أي منها، ستحتاج أولاً إلى إعداد Ollama: هنا دليل التثبيت خطوة بخطوة.
التكمين (Quantization): لماذا قد يحتاج نفس النموذج إلى 4 جيجابايت أو 14 جيجابايت؟
كل رقم متعلق بالذاكرة الظاهرة (VRAM) في هذا الدليل هو في الحقيقة رقم يعبّر عن مستوى التكميم (quantization). فالأوزان الأصلية للنموذج تُوزَّع بدقة 16 بت (FP16)، لكن أداة Ollama تقوم بضغطها قبل تشغيلها على جهازك — وهذا المستوى من الضغط، وليس عدد المعايير (parameters) وحده، هو ما يقرّر ما إذا كان النموذج سيتّسع على جهازك أم لا. وعندما تُجرّب الأمر عبر الأمر ollama run gemma4 بدون تحديد علامة (tag)، فإن أداة Ollama تقوم تلقائيًّا بتنزيل إصدار Q4_K_M مُكمَّم بـ 4 بت افتراضيًّا: وهو مستوى التكميم الذي أصبح المعيار الفعلي لمعظم أجهزة المستهلكين.
وتكون التوفيرات كبيرة جدًّا. فنموذج بحجم 7 مليار معامل (7B) يستهلك نحو 14 غيغابايت عند دقة FP16، وحوالي 7.7 غيغابايت عند تكميم Q8_0، وفقط نحو 4.5 غيغابايت عند تكميم Q4_K_M. ولذلك فإن الإصدار الافتراضي ذا الـ 4 بت هو ما يجعل نموذج الاستنتاج (reasoning) بحجم 7B يتّسع بسهولة على بطاقة رسومية سعة 8 غيغابايت مع وجود هامش كافٍ، كما أنه السبب في أن الرقم «22 غيغابايت» الخاص بنموذج البرمجة (coder) بحجم 27 مليار معامل (27B) ليس 50 غيغابايت أو أكثر. أما الخسارة في الجودة فهي أصغر مما يتوقّعه معظم الناس: إذ يفقد تكميم Q4_K_M عادةً فقط 1–3% من الأداء في الاختبارات القياسية مثل MMLU مقارنةً بالدقة الكاملة — أي أن نموذجًا بحجم 7B يحقّق نسبة 73% عند دقة FP16، سيحقق عادةً نحو 71–72%. وفي الواقع، تظهر هذه الخسارة في صورة إعادة صياغة عرضية لجملة ما، وليس في إعطاء إجابات خاطئة.
إذن متى ينبغي لك الانتقال عن الإصدار الافتراضي؟
- ابقَ على تكميم Q4_K_M للدردشة والكتابة الأولية والتلخيص وأعمال الوكلاء العامة. فهو أفضل توازن بين الجودة والاحتياجات الذاكرة، نقطة.
- ارتقِ إلى تكميم Q8_0 (شبه خالٍ من الخسائر، لكنه يستهلك ضعف الذاكرة تقريبًا) فقط عند توليد الأكواد أو عند الحاجة إلى استنتاج دقيق جدًّا، حيث يؤدي خطأ واحد في رمز (token) إلى إفساد المخرجات بالكامل — وذلك فقط إن توفر لديك هامش كافٍ من الذاكرة الظاهرة (VRAM).
- انزل إلى تكميم Q3 أو أقل كحل أخير لتشغيل نموذج أكبر على بطاقة ذات سعة محدودة. وستشعر حينها بانخفاض ملحوظ في الجودة، بينما يكون اختيار نموذج أصغر مع تكميم Q4 غالبًا الخيار الأفضل من حيث التوازن.
ويمكنك تنزيل مستوى تكميم محدّد بإلحاق العلامة المناسبة باسم النموذج: ollama run qwen3.6:27b-q8_0 بدلًا من استخدام الاسم فقط دون علامة. والقاعدة العامة التي تنطبق على جميع الأجهزة هي: نموذج أكبر مع تكميم Q4 يتفوّق دائمًا تقريبًا على نموذج أصغر مع تكميم Q8 في حدود نفس ميزانية الذاكرة. والتكميم هو ما يمكنّك من تشغيل النموذج الذي تريده فعلًا — لذا ابدأ دائمًا باختيار أكبر نموذج يتّسع لجهازك عند تكميم Q4_K_M، ثم ارفع دقة التكميم فقط إذا طالبت الجودة بذلك وتوافرت لديك الذاكرة الظاهرة الكافية.
الأسئلة الشائعة
ما أفضل نموذج Ollama في 2026؟
بالنسبة لمعظم الناس، Gemma 4 26B A4B — إنه متعدد الاستخدامات قادر مع استدعاء الأدوات والرؤية، ورخصة Apache 2.0، وحجم ذاكرة معقول. للترميز على وجه التحديد، Qwen 3.6 27B أقوى؛ للتفكير، DeepSeek-R1.
ما أفضل LLM محلي للأجهزة منخفضة المواصفات؟
Gemma2 2B. يعمل في حوالي 1.7 GB من الذاكرة وينجح على أجهزة الكمبيوتر المحمولة بوحدة معالجة مركزية فقط. إذا كان لديك مساحة إضافية قليلة، فإن نموذج 7–8B مثل DeepSeek-R1 7B يوفر جودة أفضل بشكل ملحوظ مع الاستمرار في ملاءمة الأجهزة المتواضعة.
أي نموذج محلي هو الأقرب إلى ChatGPT؟
أكبر النماذج المفتوحة التي يمكنك استضافتها — مثل Qwen3 235B-A22B — تقلل الفجوة بشكل كبير، لكن في أصعب مهام التفكير، أفضل نماذج الحدود السحابية لا تزال متقدمة. للدردشة اليومية والترميز وعمل المستندات، النموذج المحلي المختار بعناية كافٍ تماماً ويحافظ على خصوصية بيانات your data.
هل أحتاج إلى GPU قوي لهذه النماذج؟
هذا يعتمد على النموذج. Gemma2 2B يعمل على وحدة معالجة مركزية؛ نموذج 7B مريح على 8 GB من الذاكرة؛ Qwen 3.6 27B يريد ~22 GB من VRAM. طابق النموذج مع أجهزتك باستخدام دليل متطلبات النظام.
هل هذه النماذج مجانية للاستخدام التجاري؟
Qwen 3 و Gemma 4 يأتيان بموجب Apache 2.0، وهي مرنة للاستخدام التجاري. DeepSeek-R1 مرخص بـ MIT. تأكد دائماً من ترخيص النموذج المحدد قبل شحن منتج، حيث يمكن أن تختلف الشروط حسب الإصدار.
كيف أحمّل إصدارًا أعلى جودةً وأقل ضغطًا من نموذج ما؟
أضف علامة التكميم إلى اسم النموذج. الأمر ollama run qwen3.6:27b يقدّم لك الإصدار الافتراضي Q4_K_M؛ بينما الأمر ollama run qwen3.6:27b-q8_0 يُحمّل الإصدار شبه الخالي من الخسائر ذا الـ 8 بت من النموذج، والذي يضاعف تقريبًا حجم الذاكرة المطلوبة. ويمكنك تصفّح صفحة النموذج على موقع ollama.com للاطّلاع على جميع العلامات المتاحة فعليًّا لهذا النموذج — وتتبع أسماء العلامات نمط نفس النموذج:الحجم-التكميم model:size-quant وبالنسبة للدردشة والاستخدام العام، فإن الإصدار الافتراضي Q4_K_M هو الخيار الأمثل؛ أما تكميم Q8_0 فيُحتَرَز له لمهام البرمجة أو الاستنتاج الدقيق فقط، عندما تكون لديك هامش كافٍ من الذاكرة الظاهرة.
هل يمكنني تشغيل أكثر من نموذج في الوقت نفسه؟
نعم، لكنها تتشارك في ذاكرتك. فتقوم أداة Ollama بتحميل النموذج عند الطلب والاحتفاظ به في الذاكرة لبضع دقائق، لذا فإن التبديل بين نموذجين مثل Gemma 4 وDeepSeek-R1 يكون فوريًّا بمجرد تثبيت كليهما — لكن تشغيلهما معًا يعني أن احتياجاتهما الذاكرة تتراكم. وعلى بطاقة رسومية واحدة سعة 8–16 غيغابايت، يمكنك توقع تشغيل نموذج واحد قوي في كل مرة، مع ترك أداة Ollama تقوم بالتبديل بين النماذج تلقائيًّا عند استدعائك لكل منها. ويمكنك تثبيت عدد غير محدود من النماذج حسب الرغبة؛ فالمستهلك الفعلي للذاكرة الظاهرة (VRAM) هو فقط النماذج النشطة.
لماذا يتباطأ نموذجي أو ينفذ ذاكرته عند معالجة مستندات طويلة؟
لأن السياق يستهلك ذاكرة ظاهرة (VRAM). فبالإضافة إلى أوزان النموذج نفسها، تقوم أداة Ollama بتخصيص ذاكرة تخزين مؤقتة للقيم المفتاحية (KV cache) تزداد حجمًا بشكل خطي مع اتساع نافذة السياق، وتكيّف أداة Ollama الحديثة افتراضيًّا حجم السياق مع قدرات جهازك (حوالي 4 آلاف رمز token عند سعة VRAM أقل من 24 غيغابايت، وتزداد إلى 32 ألف رمز عند سعة 24–48 غيغابايت، وإلى 256 ألف رمز عند السعات الأعلى من ذلك). وقد يؤدي إدخال مستند طويل أو سجل دردشة مطوّل إلى إضافة غيغابايتات من الذاكرة المؤقتة، ما يخفض بشدة معدل المعالجة بالرموز في الثانية. وإذا واجهت حدودًا، فاختصر طول السياق، أو فعّل تكميم الذاكرة المؤقتة KV-cache، الذي قد يقلّل هذه التكلفة بنسبة تقارب النصف مع تأثير ضئيل جدًّا على الجودة.
الخلاصة
لا تحتاج إلى اختبار مئة نموذج — أنت بحاجة إلى أربعة أو خمسة صحيحة. شغّل Gemma 4 كافتراضي لك، Qwen 3.6 عندما تكون ترميزاً، DeepSeek-R1 عندما تحتاج إلى التفكير، و Gemma2 2B عندما تكون الأجهزة ضيقة. كل واحد منها على بُعد ollama run بعيداً، وكل منهم يبقي بيانات your data على جهازك الخاص.