---
title: "نماذج استبعدتها BroadNet: LLM وكلام وOCR وتضمينات | BroadRouter"
description: "تنشر BroadNet النماذج التي اختبرتها ورفضتها مع الأسباب: نماذج محادثة رسبت في فحص أمان بيانات الاعتماد، ونماذج كلام وOCR وتضمين خسرت المقارنة."
url: https://broadrouter.com/ar/blog/models-broadnet-ruled-out/
lang: ar
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/models-broadnet-ruled-out/) (حُدّث في 2026-11-16).

# النماذج التي قيّمتها BroadNet واستبعدتها، ولماذا

بقلم فريق BroadNet Inference · قراءة في 4 دقائق · تاريخ النشر 2026-11-15 · آخر تحديث 2026-11-16

يصنّف كتالوج نماذج BroadNet نحو 30 نموذجًا وأسلوبًا على أنها مستبعدة بعد اختبارها في مختبرها. وتقع الأسباب غالبًا في خمس فئات: نموذج خسر أمام نموذج أقوى للمهمة نفسها، أو فحص أمان بيانات الاعتماد، أو ترخيص يمنع تقديمه عبر API، أو صيغة تكميم خسرت مقارنة مباشرة، أو تراجع في العربية. وكل النتائج قياسات BroadNet نفسها من سبتمبر 2026.

## أبرز النقاط

-   يوسم كتالوج BroadNet كل نموذج بأحد الوسوم PROD أو SERVED أو BENCH أو QUANT أو FT أو RULED OUT، ويذكر سبب كل استبعاد.
-   أبقت مجموعة فحوص أمان بيانات الاعتماد لدى BroadNet ثلاثة نماذج محادثة خارج أدوار الأمان: Qwen3.5 35B A3B، إضافة إلى GLM 4.7 Flash وNemotron 3 Nano 30B A3B، وهي ما زالت موسومة SERVED لا RULED OUT.
-   استُبعد فك الترميز التخميني EAGLE3 بعدما كلّف 69% من الإنتاجية عند 32 طلبًا متزامنًا.
-   استُبعد LlamaParse بصفته الحل المعتمد سابقًا لتحليل المستندات: فقد كان يُضيّع الجداول، وتقول BroadNet إن الاستضافة الذاتية كانت أرخص بنسبة 98% لكل 1,000 صفحة.
-   لم تصمد انتصارات عدة نماذج تضمين في لوحات الصدارة العامة أمام حركة البيانات العربية الفعلية لدى BroadNet.

**في هذه الصفحة**

1.  ما نماذج المحادثة التي استبعدتها BroadNet؟
2.  ما نماذج الكلام التي استُبعدت؟
3.  ما نماذج المستندات والتضمين والصور التي خسرت؟
4.  ماذا تتعلّم من حالات الاستبعاد؟

يُدرج [كتالوج نماذج](https://www.broadnet.ai/inference/models) BroadNet كل نموذج تقول إنها شغّلته أو قاسته أو كمّمته أو ضبطته على عتادها، ويوسم ما رفضته منها مع السبب. ويحمل نحو 30 نموذجًا وأسلوبًا وسم RULED OUT (مستبعد). وقد قيست الأرقام أدناه في مختبر BroadNet في سبتمبر 2026؛ وهي نتائج BroadNet، لا نتائجنا.

يستخدم الكتالوج ستة وسوم: PROD (خدم حركة بيانات فعلية)، وSERVED (بعبارة الكتالوج “ran on our fleet”، أي «شُغّل على أسطولنا»)، وBENCH (خضع للقياس المعياري)، وQUANT (أنتجت BroadNet تكميمه)، وFT (ضبطته BroadNet)، وRULED OUT.

## ما نماذج المحادثة التي استبعدتها BroadNet؟

| النموذج | ما فعلته BroadNet | سبب الاستبعاد |
| --- | --- | --- |
| Qwen3.5 35B A3B (AWQ 4-bit) | قُدِّم كفئة سرعة، بنحو 164 رمزًا/ثانية | رسب في مجموعة فحوص أمان بيانات الاعتماد لدى BroadNet لأدوار الأمان |
| GLM 4.7 Flash (AWQ) | قُدِّم تجريبيًا | موسوم SERVED لا RULED OUT: تقول BroadNet إنه استُبعد من أدوار الأمان بسبب مجموعة فحوص أمان بيانات الاعتماد وبقي دون مستوى الإنتاج |
| Nemotron 3 Nano 30B A3B (NVFP4) | قُدِّم مع محلّل مخصّص للاستدلال المنطقي | موسوم SERVED لا RULED OUT: تقول BroadNet إنه استُبعد من أدوار الأمان بسبب مجموعة فحوص أمان بيانات الاعتماد وبقي دون مستوى الإنتاج |
| Qwen3.6 35B A3B | قُدِّم على RTX 5090 وGB10 | خسر موقع روبوت المحادثة أمام Gemma 4 26B |
| Gemma 4 E4B (AWQ INT4) | قُدِّم على GB10 بجانب نموذج آخر، بنحو 94 رمزًا/ثانية | خسر موقع روبوت المحادثة أمام Gemma 4 26B |
| Gemma 4 26B A4B NVFP4 (ثلاث جهات ناشرة) | قُيِّم التكميم | أُوقف لصالح AWQ بعد مقارنة مباشرة على وحدات GPU من فئتي sm\_120 وsm\_121 |
| فك الترميز التخميني EAGLE3 | اختُبر للتقديم عند التشبّع | كلّف 69% من الإنتاجية عند 32 طلبًا متزامنًا؛ وأُبقي على مسودّات التنبؤ متعدد الرموز |

لهذا النمط أهمية لكل من يختار نموذجًا مفتوحًا. فثلاث من حالات الاستبعاد تتعلق بالأمان لا بالجودة: نماذج كانت سريعة بما يكفي لكنها كرّرت بيانات الاعتماد. وهذا نمط الفشل الذي وجدته [دراسة خريطة الأمان](https://broadrouter.com/ar/blog/llm-safety-map-39-models/) لدى BroadNet أكثر شيوعًا في نماذج مزيج الخبراء ذات المعاملات النشطة القليلة. أما النموذج الذي فاز بموقع روبوت المحادثة، Gemma 4 26B A4B، فهو الذي تبيعه BroadNet باسم [Gemma 4 VL 26B](https://broadrouter.com/ar/models/gemma-4-vl-26b/).

## ما نماذج الكلام التي استُبعدت؟

| النموذج | سبب الاستبعاد |
| --- | --- |
| Gemma 4 E2B وGemma 4 12B (كأدوات تفريغ صوتي) | أُبقي على نسخة E4B الصوتية بدلًا منهما |
| Omnilingual ASR بأحجام 300M و1B و3B ونسخ CTC (من Meta) | نالت نسخة 7B الموقع |
| Voxtral Mini 3B / 4B Realtime (من Mistral) | استُبعد للعربية |
| ArTSTv3 (من سلالة MBZUAI) | استُبعد من موقع العربية؛ وأُبقي على Cohere Transcribe Arabic |
| FireRedVAD وDeepFilterNet وBNR (معالجات أمامية) | اعتُمد كشف النشاط الصوتي Silero بعد مقارنة مباشرة |

وتفيد BroadNet بأن النموذج الذي أبقت عليه، Cohere Transcribe Arabic 07-2026، يسجّل معدل خطأ في الكلمات قدره 21.1 على كلام اللهجات في MASC، مقابل 22.3 لـ ElevenLabs Scribe v2 و31.5 لـ Whisper large-v3، في اختبارها هي. وتقدّم هذا النموذج باسم [BroadNet Transcribe Arabic](https://broadrouter.com/ar/models/cohere-transcribe-arabic/). ويذكر الكتالوج أيضًا أن Whisper large-v3 قيس كخيار احتياطي.

## ما نماذج المستندات والتضمين والصور التي خسرت؟

**OCR وتحليل المستندات**

-   **LlamaParse**، واجهة API المعتمدة سابقًا، سجّل 16.6 على مجموعة BroadNet الفرعية من OmniDocBench. واستبعدته BroadNet لأنه “it loses tables, and self-hosting is 98% cheaper per 1,000 pages” (الترجمة: يُضيّع الجداول، والاستضافة الذاتية أرخص بنسبة 98% لكل 1,000 صفحة).
-   **olmOCR-2 وHunyuanOCR وGOT-OCR 2.0 وNanonets OCR2** قُيِّمت واستُبعدت؛ وNanonets بسبب شروط الترخيص. وأُبقي على dots.mocr كاختيار الإنتاج لأنه يحلّل المستندات ويصف الأشكال معًا، مع أن PaddleOCR-VL 1.6 سجّل درجة أعلى (94.74 مقابل 86.81).

**التضمينات**

-   **gemini-embedding-2** استُبعد للعربية بعدما تراجع أمام gemini-embedding-001 (0.767 مقابل 0.824 على مقياس الاسترجاع لدى BroadNet).
-   **nomic-embed-text v1.5**، الحل المعتمد سابقًا، سجّل 0.468 إجمالًا و0.130 في العربية، فأُوقف.
-   **Octen 8B وHarrier 0.6B وNemotron Embed 1B** قُدِّمت ثم استُبعدت على حركة البيانات العربية الفعلية، “where our podium held despite their public-board wins” (الترجمة: حيث صمدت نماذجنا المتصدّرة رغم انتصاراتها في اللوحات العامة).

وتضيف BroadNet نتيجة فاقت أهميتها اختيار النموذج: فقد حسّنت تعليمة استعلام مخصّصة لحجم العمل جودة الاسترجاع (nDCG) بمقدار 0.048، أكثر من الانتقال من نموذج تضمين بحجم 4B إلى 8B.

**توليد الصور والأمان**

-   **Cosmos3 Super 64B وHunyuanImage 3.0 80B** استُبعدا بسبب ملاءمة العتاد وشروط الترخيص.
-   **openai/privacy-filter 1.5B** التقط 100% من بيانات الاعتماد لكن 0% من أرقام الرواتب في مجموعة التسريبات لدى BroadNet، فاستُبعد كجدار حماية.

## ماذا تتعلّم من حالات الاستبعاد؟

أربعة دروس تصلح خارج منظومة BroadNet نفسها:

1.  **اختبر المهمة، لا لوحة الصدارة.** فقد خسرت عدة نماذج تضمين متصدّرة في اللوحات العامة على حركة البيانات العربية الفعلية.
2.  **الأمان بوابة مستقلة.** فقد يرسب نموذج سريع وقدير في اختبار بيانات الاعتماد. شغّل اختبارًا كهذا قبل أن يرى النموذج أي أسرار؛ و[منهجية التقييم](https://broadrouter.com/ar/blog/llm-sensitive-data-safety-evaluation-method/) لدى BroadNet نقطة بداية.
3.  **التراخيص تحدّد ما يمكن تقديمه.** فالنماذج غير التجارية مثل Voxtral 4B TTS وHiggs Audio v3 لا تظهر في الكتالوج إلا كسقف للجودة.
4.  **خيارات التقديم تُقاس أيضًا.** فقد استُبعدت صيغ تكميم وأساليب صياغة مسودّات بناءً على أرقام المقارنة المباشرة، لا افتراضيًا. راجع [عتاد GPU لدى BroadNet وأسلوبها في تقديم النماذج](https://broadrouter.com/ar/blog/broadnet-gpu-fleet-and-serving/).

كل رقم هنا يأتي من مختبر شركة واحدة وحركة بياناتها. استخدمه كقائمة مختصرة لما تختبره، ثم [قيّم على بياناتك أنت](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/) قبل الانتقال. كما أن الصف الموسوم بالاستبعاد أو بالقياس المعياري ليس شيئًا يمكنك استدعاؤه؛ ويشرح مقال [قراءة كتالوج النماذج](https://broadrouter.com/ar/blog/understand-model-status/) كيف تميّز بين المدخلات المتاحة فعلًا، والمتاحة عند الطلب، والبحثية.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[AWQ (التكميم الواعي بالتفعيلات)](https://broadrouter.com/ar/glossary/awq/)

AWQ (التكميم الواعي بالتفعيلات) طريقة تُطبَّق بعد التدريب لضغط أوزان نموذج اللغة إلى دقة منخفضة، غالبًا أعداد صحيحة بـ 4 بتات. وتستخدم إحصاءات التفعيلات من مجموعة معايرة صغيرة لتحديد أهم قنوات الأوزان، ثم تكبّرها كي تفقد دقة أقل. ولا تحتاج إلى الانتشار العكسي.

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[تحويل الصوت إلى نص (Speech-to-text)](https://broadrouter.com/ar/glossary/speech-to-text/)

تحويل الكلام إلى نص، ويسمّى أيضًا التعرّف التلقائي على الكلام (ASR)، هو تقنية تحوّل الصوت المنطوق إلى نص مكتوب. تستقبل واجهة تحويل الصوت إلى نص ملفًا صوتيًا أو بثًا وتُرجع نصًا مفرّغًا، يُسعَّر عادةً لكل دقيقة صوت. وتُقاس الدقة بمعدل الخطأ في الكلمات، وتتفاوت بحسب اللكنة واللهجة وجودة التسجيل.

[مزيج الخبراء (Mixture of experts، MoE)](https://broadrouter.com/ar/glossary/mixture-of-experts/)

مزيج الخبراء (mixture of experts، MoE) تصميم للشبكات العصبية تحوي فيه الطبقة شبكات فرعية خبيرة كثيرة، ويرسل موجّه متعلَّم كل رمز إلى عدد قليل منها فقط. ولنموذج اللغة من نوع MoE عدد معاملات كلي كبير، لكنه يستخدم مجموعة فرعية نشطة صغيرة لكل رمز.

[الإنتاجية (Throughput)](https://broadrouter.com/ar/glossary/throughput/)

الإنتاجية (throughput) في تقديم نماذج LLM هي إجمالي العمل الذي ينجزه النظام في وحدة الزمن عبر كل الطلبات المتزامنة، وتُقاس عادةً برموز الإخراج في الثانية أو الطلبات في الثانية. وهي تختلف عن سرعة التدفق الواحد، أي مدى سرعة وصول الرموز إلى طلب واحد.

[التضمينات (Embeddings)](https://broadrouter.com/ar/glossary/embeddings/)

التضمينات (embeddings) قوائم من الأعداد العشرية (متجهات) يُنتجها نموذج لتمثيل قطعة نص أو صورة أو أي مدخل آخر. وتحصل المدخلات المتشابهة في المعنى على متجهات متقاربة، فيمكن استخدام المسافة بين المتجهات لترتيب نتائج البحث أو تجميع المستندات أو إيجاد العناصر المرتبطة.

[التعرّف الضوئي على الحروف (OCR)](https://broadrouter.com/ar/glossary/ocr/)

التعرّف الضوئي على الحروف (OCR) تقنية تكتشف النص المطبوع أو المكتوب بخط اليد في صورة أو مستند ممسوح أو ملف PDF وتحوّله إلى حروف قابلة للقراءة آليًا. يُخرج OCR التقليدي النص وموضعه في الصفحة، أما النماذج اللغوية البصرية فتقرأ النص وتجيب عن أسئلة حوله مباشرة.

[التقييم (Eval)](https://broadrouter.com/ar/glossary/eval/)

التقييم (eval، اختصار evaluation) اختبار قابل للتكرار لنموذج لغوي أو أمر: مجموعة ثابتة من المدخلات، ووصف لما تبدو عليه المخرجات الجيدة، ومصحِّح (شيفرة أو إنسان أو نموذج آخر) يمنح كل مخرج درجة حتى يمكن المقارنة بين الإصدارات.

## أسئلة شائعة

### لماذا تنشر BroadNet النماذج التي ترفضها؟

يقول كتالوجها إنها تنشر "what we rule out as carefully as what we ship" (الترجمة: ما نستبعده بالعناية نفسها التي ننشر بها ما نطلقه)، ليرى المشترون المنطق وراء كل توصية. فالرفض المصحوب بسبب دليل يمكنك اختباره على حجم عملك أنت.

### هل يعني "مستبعد" أن النموذج سيئ؟

لا. معظم حالات الاستبعاد تخص موقعًا واحدًا في خط عمل BroadNet، على الإعداد وحركة البيانات اللذين تُبلغ عنهما BroadNet. فقد خسر Qwen3.6 35B A3B وGemma 4 E4B موقع روبوت المحادثة أمام Gemma 4 26B، وقد يظلان مناسبين لمهمتك.

### ما مجموعة فحوص أمان بيانات الاعتماد؟

هي اختبار BroadNet لمعرفة هل يكرّر النموذج بيانات الاعتماد التي يراها، وتستند إلى منهجيتها المنشورة لتقييم البيانات الحساسة. والنماذج التي ترسب تبقى دون مستوى الإنتاج في أدوار الأمان.

### لماذا تستبعد التراخيص بعض النماذج؟

بعض النماذج القوية، مثل Voxtral 4B TTS وHiggs Audio v3، مرخّصة للاستخدام غير التجاري فقط، فلا تقيسها BroadNet إلا كسقف للجودة، ولا يمكنها تقديمها عبر API مدفوعة.

### هل النماذج المستبعدة متاحة على BroadNet Inference؟

لا. تبيع الواجهة ستة نماذج، وثلاثة أخرى متاحة عند الطلب. أما النماذج الموسومة بالاستبعاد فليست معروضة.

## تابع القراءة

-   [عتاد GPU لدى BroadNet وطريقة تقديم النماذج، كما تصفها BroadNet](https://broadrouter.com/ar/blog/broadnet-gpu-fleet-and-serving/)
-   [كيف تقيّم نموذج LLM قبل الانتقال إلى مزوّد آخر](https://broadrouter.com/ar/blog/evaluate-llm-before-switching/)
-   [خريطة الأمان: كيف يتعامل 39 نموذج LLM مع البيانات الحساسة](https://broadrouter.com/ar/blog/llm-safety-map-39-models/)
-   [API تحويل الصوت العربي إلى نص: كيف تختار الأنسب في 2026؟](https://broadrouter.com/ar/blog/arabic-speech-to-text-api-buyers-guide/)
-   [متاح الآن، أو عند الطلب، أو للبحث: كيف تقرأ كتالوج النماذج بوضوح](https://broadrouter.com/ar/blog/understand-model-status/)
-   [بدائل Artificial Analysis: أين تقارن نماذج LLM في 2026](https://broadrouter.com/ar/blog/artificial-analysis-alternatives/)
-   [مقارنة SLA لـ LLM API: بماذا تتعهد Azure وBedrock وGoogle وOpenAI؟](https://broadrouter.com/ar/blog/llm-api-sla-uptime-compared/)
-   [دليل: جرّب BroadNet Inference في متصفحك دون حساب](https://broadrouter.com/ar/guides/try-broadnet-inference-playground/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-models-broadnet-ruled-out&utm_content=page-cta) ·

**المصادر**

-   [كتالوج نماذج BroadNet: كل نموذج تشغّله أو تقيسه أو تكمّمه أو تضبطه، بما فيها النماذج المستبعدة (قيست في سبتمبر 2026؛ تاريخ الاطلاع 2026-11-15)](https://www.broadnet.ai/ar/inference/models)
-   [أبحاث BroadNet: نتائج حول فك الترميز التخميني وتقديم النماذج (تاريخ الاطلاع 2026-11-15)](https://www.broadnet.ai/ar/research)
-   [صفحة نموذج Gemma 4 VL 26B لدى BroadNet (تاريخ الاطلاع 2026-11-15)](https://www.broadnet.ai/ar/inference/models/gemma-4-vl-26b)
-   [صفحة نموذج BroadNet Transcribe Arabic (تاريخ الاطلاع 2026-11-15)](https://www.broadnet.ai/ar/inference/models/cohere-transcribe-arabic)
