إذا كنت تشغّل النماذج محليًّا، فإن مكتبة أولاَما 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 أولاَما 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, جيما 3 بحجم 4 مليار معلَّمة — small, fast, offline.
- الأفضل من حيث التوازن العام (16 جيجابايت من الذاكرة العشوائية RAM): Llama 3.1 بسعة 8 مليار معلَّمة, Qwen 2.5 7B, Mistral 7B — the sweet spot for most people.
- 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): لَامَا 3.3 بسعة 70 مليار معلّمة, DeepSeek-R1 70B.
- الاستدلال: 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 الذاكرة VRAM.
Key Facts
- أي جهاز كمبيوتر محمول (8 غيغابايت من الذاكرة): Llama 3.2 3B، Phi-3 Mini، Gemma 3 4B
- النقطة المثلى عند 16 غيغابايت: 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 | 70 مليار معلَّمة | حوالي 43 جيجابايت | 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 جيجابايت فأكثر | مساعد برمجي محلي |
| Mistral | ٧ 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 |
| ميكسترال | 8×7 مليار معلَّمة | ~26 جيجابايت | 32 جيجابايت فأكثر | جودة نموذج التجميع المتعدد للخبرات (Mixture-of-Experts) |
| فاي-4 | 14 مليار معلّمة | حوالي 9 جيجابايت | 16 جيجابايت | الاستنتاج المنطقي في نموذج صغير الحجم |
| فاي-3 ميني | 3.8 مليار معلَّمة | ~2.3 جيجابايت | 8 غيغابايت | صغير الحجم لكنه فعّال |
| ديب سيك-آر1 (نسخة مُكثَّفة) | من 1.5 مليار إلى 70 مليار معلَّمة | ~1.1–43 جيجابايت | 8 جيجابايت فأكثر | الاستنتاج المنطقي خطوةً بخطوة |
| إللاڤا | من 7 مليار إلى 34 مليار معلَّمة | ~4.7–20 جيجابايت | 8 جيجابايت فأكثر | 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
ويُظهر هذا الأمر اسم كل نموذج ووسومه (Tags) ومعرفه الفريد (ID) وحجمه. وللتحقق مما هو محمل حاليًّا في الذاكرة، استخدم الأمر ollama ps؛ ولإزالة نموذج لا تحتاجه بعد الآن واستعادة المساحة التخزينية على القرص، استخدم الأمر ollama rm <الاسم>. وهذه الأوامر الثلاثة — list, ps و rm — هي كل ما تحتاجه لإدارة مجموعة النماذج المحلية لديك.
كيفية البحث عن نماذج جديدة في المكتبة وتنزيلها
توجد الفهرسة الكاملة لبرنامج أولاما 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. وإذا تركت الوسم دون تحديد، يقوم أولاما تلقائيًّا بتنزيل الإصدار الافتراضي المناسب (عادةً ما يكون الإصدار الأكثر شيوعًا بتمثيل 4 بت). أما بالنسبة للتثبيت الأولي، فإن دليلنا التفصيلي لتثبيت أولاما step-by-step Ollama install دليل النماذج التي تتراوح معاييرها بين مليار وملياري معلَّمة تعمل بسلاسة على حاسوب محمول حديث ذي 8 جيجابايت من الذاكرة العشوائية (RAM)، دون الحاجة إلى وحدة معالجة رسومية (GPU).
نماذج صغيرة — تعمل على أي جهاز كمبيوتر محمول تقريبًا
هي النماذج البارزة: سريعة جدًّا، ومفيدة حقًّا في مهام التلخيص وصياغة النصوص والأجوبة عن الأسئلة البسيطة، وصغيرة بما يكفي للبقاء محملة باستمرار. وهي لن تُضاهي أداء النماذج الرائدة في السحابة، لكنها ممتازة للمهام اليومية الخاصة والمعزولة عن الإنترنت، وهي نقطة البداية المثلى لمن يبدأ رحلته مع الذكاء الاصطناعي المحلي. لَامَا 3.2 بسعة 3 مليار معلّمة, جيما 3 بحجم 4 مليار معلَّمة و فاي-3 ميني فئة النماذج ذات المعايير بين 7 و14 مليار معلَّمة هي الفئة التي ينبغي أن يركِّز عليها معظم المستخدمين.
نماذج متوسطة الحجم — النقطة المثلى عند 16 غيغابايت
توفر قفزة كبيرة في تماسك النصوص مقارنةً بالنماذج الصغيرة، مع بقائها ضمن حدود مريحة لذاكرة عشوائية سعة 16 جيجابايت أو وحدة معالجة رسومية شائعة الاستخدام. Llama 3.1 بسعة 8 مليار معلَّمة, كوين 2.5 بسعة 7 مليارات معلّمة و Mistral 7B تدفع الجودة وطول السياق إلى مستويات أعلى. فإذا كنت تبحث عن نموذج واحد عام الاستخدام، فاختر أحد النماذج من هذه الصفّة — فهي توفر أفضل توازن بين القدرات المطلوبة والمتطلبات المادية. فاي-4 و Mistral Nemo ابتداءً من 27 مليار معلَّمة فأكثر، تدخل في نطاق الأجهزة عالية الأداء.
نماذج كبيرة — تتطلب محطات عمل أو وحدات معالجة رسومية
جيمّا 2 بحجم 27 مليار معلَّمة تتطلب 32 جيجابايت أو أكثر من الذاكرة؛ و كوين 2.5 بسعة 32 مليار معلّمة ميكسترال 8×7 مليار معلَّمة ونماذج الفئة 70 مليار معلَّمة — مثل ديب سيك-آر1 بحجم 70 مليار معلَّمة لَامَا 3.3 بسعة 70 مليار معلّمة والـ (النسخة المكثَّفة) — تتطلب 48 جيجابايت فأكثر من الذاكرة السريعة، ما يعني عمليًّا الحاجة إلى وحدة معالجة رسومية عالية السعة التخزينية (VRAM) أو حاسوب ماك مزوَّد بشريحة أبل سيليكون عالية الذاكرة. والمكافأة هي جودة تقترب من جودة أكبر النماذج السحابية، مع تشغيلها بالكامل على جهازك الخاص. راجع دليلنا لمعرفة ما الذي يمكنه تشغيل هذه النماذج فعليًّا. أفضل وحدات معالجة الرسومات للذكاء الاصطناعي إلى جانب المحادثة العامة، يستضيف أولاما نماذج متخصصة في مهام معينة.
نماذج متخصصة: البرمجة، الرؤية الحاسوبية، والتجسيدات (Embeddings)
كود لاما Qwen 2.5 Coder و كود لاما مُصمَّمة للبرمجة وتتكامل جيدًا مع أدوات بيئات التطوير المدمجة (IDE) المحلية. إللاڤا يُضيف القدرة البصرية، بحيث يمكن للنموذج وصف الصور أو الاستدلال حولها. أما نماذج التضمين مثل nomic-embed-text و mxbai-embed-large فلا تدعم المحادثة مطلقًا — بل تحوِّل النصوص إلى متجهات تُستخدم في عمليات البحث والتوليد المعزَّز بالاسترجاع (RAG)، وهي حجر الزاوية في إعدادات RAG المحلية.
أي نموذج من Ollama يجب أن تستخدمه فعليًّا؟
الإجابة الصريحة هي: أكبر نموذج يمكن لذاكرتك استيعابه ضمن الفئة التي تحتاجها. وللاستخدام العام، ابدأ بنموذج بحجم 8 مليار معلَّام (8B)، وارتقِ إلى أحجام أكبر فقط إذا كانت الجودة لا تفي بالمتطلبات. أما للتفكير والاستدلال، فجرب نسخة DeepSeek-R1 المُبسَّطة (distill)؛ وللبرمجة، جرِّب Qwen 2.5 Coder؛ وللمهام المرتبطة بالصور، استخدم LLaVA. ونصنِّف أفضل الخيارات حسب حالة الاستخدام في أفضل نماذج LLM المحلية التي يمكن تشغيلها على Ollama، ونقارن منصة Ollama نفسها بالبدائل المتاحة في مقارنة Ollama مع LM Studio مقابل vLLM مقابل llama.cpp.
تحقق مما إذا كان النموذج يناسب نظامك قبل تنزيله
الخطأ الأكثر شيوعًا هو تنزيل نموذج كبير جدًّا بالنسبة لجهازك — فقد يرفض التحميل تمامًا أو يصبح أبطأ ما يكون بسبب الاعتماد المفرط على التبديل إلى القرص الصلب (swapping). لذا، قيِّم حجم النموذج قبل التنزيل: كقاعدة تقريبية، يحتاج النموذج المكمَّن بتقنية 4-bit إلى أقل من غيغابايت واحد من الذاكرة لكل مليار معلَّام، بالإضافة إلى هامش احتياطي للسياق. وتوفر لك أداة مجانية منا حاسبة الذاكرة VRAM الرقم الدقيق المطلوب من الذاكرة لأي نموذج وأي مستوى تكمين (quantisation)، بينما تشرح المقالة متطلبات نظام أولاَما الاختيار بين استخدام الذاكرة العشوائية (RAM) والذاكرة الخاصة بالوحدة الرسومية (VRAM) بشكل شامل.
الأسئلة الشائعة
كيف أعرض قائمة النماذج المثبتة في Ollama؟ تشغيل ollama list لعرض جميع النماذج المثبتة مع حجم كلٍّ منها، ollama ps لعرض النموذج المحمل حاليًّا فقط، و ollama rm <الاسم> لحذف نموذج معين.
ما أفضل نموذج Ollama؟ لا يوجد نموذج واحد هو الأفضل على الإطلاق — فالاختيار يعتمد على سعة ذاكرتك. فنموذج Llama 3.1 8B هو الخيار الأمثل متعدد المهام لأجهزة الـ 16 غيغابايت من الذاكرة؛ راجع قوائمنا المُرتَّبة لكل حالة استخدام.
كم عدد النماذج المتوفرة في Ollama؟ مئات النماذج، تشمل عائلات المحادثة والبرمجة والرؤية وتضمين النصوص، مع توافر أحجام مختلفة داخل كل عائلة. والجدول أعلاه يغطي أكثر النماذج التي يستخدمها الناس فعليًّا.
كم سعة الذاكرة العشوائية (RAM) التي أحتاجها لتشغيل نماذج Ollama؟ تُكفي 8 غيغابايت لتشغيل النماذج الصغيرة (من 1B إلى 4B)، و16 غيغابايت تكفي لفئة النماذج الشائعة الحجم (7B–8B)، أما النماذج الأكبر (27B فأكثر) فتتطلب 32 غيغابايت أو أكثر من الذاكرة أو وجود وحدة معالجة رسومية (GPU). ويمكنك التحقق من أي نموذج باستخدام حاسبة الذاكرة VRAM.
هل يمكنني تشغيل هذه النماذج دون اتصال بالإنترنت؟ نعم — فبمجرد تنزيل النموذج، يعمل كل نموذج من نماذج Ollama بالكامل على جهازك دون الحاجة إلى اتصال إنترنت، وهذه هي الفائدة الأساسية لاستخدام النماذج المحلية أصلًا.
الخلاصة
قائمة نماذج Ollama طويلة، لكن الاختيار سهل: حدِّد أولًا الغرض الذي تحتاجه — محادثة عامة، استدلال، برمجة، رؤية حاسوبية، أو تضمين نصوص — ثم اختر أكبر نموذج في تلك الفئة تستطيع ذاكرتك استيعابه. ابدأ بحجم صغير مثل نموذج 8B، واستخدم ollama list لإدارة ومتابعة ما لديك من نماذج، واعتمد دائمًا على حاسبة الذاكرة VRAM قبل كل عملية تنزيل لكي لا تُحمِّل نموذجًا لا يستطيع جهازك تشغيله أصلًا. ومن بعد ذلك، يصبح تشغيل الذكاء الاصطناعي القوي محليًّا وبخصوصية مسألة تتطلب أمرَيْن أو ثلاثة أوامر بسيطة فقط.
أسماء النماذج وأحجامها وتوافرها يتغيَّر باستمرار؛ والأرقام المذكورة هي تقديرات افتراضية سارية اعتبارًا من منتصف عام 2026 — ويجب التحقق منها عبر ollama list والمكتبة الرسمية قبل الاعتماد عليها.
