---
title: "ما هو تقطير النماذج؟ نموذج المعلّم ونموذج الطالب | BroadRouter"
description: "التقطير يدرّب نموذجًا طالبًا صغيرًا على محاكاة نموذج معلّم أكبر، فيصبح تشغيله أرخص. كيف تعمل الأهداف الناعمة، وكيف تُبنى نماذج الاستدلال المقطّرة."
url: https://broadrouter.com/ar/glossary/distillation/
lang: ar
updated: 2026-11-16
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/glossary/distillation/) (حُدّث في 2026-11-16).

# التقطير المعرفي (Distillation)

آخر تحديث 2026-11-16

التقطير، أو التقطير المعرفي (knowledge distillation)، أسلوب تدريب يتعلم فيه نموذج طالب أصغر إعادة إنتاج مخرجات نموذج معلّم أكبر، مثل توزيعاته الاحتمالية أو إجاباته المولَّدة، فيحتفظ الطالب بكثير من جودة المعلّم بتكلفة تشغيل أقل.

يُسمّى أيضًا: التقطير المعرفي، تقطير المعرفة، تقطير النماذج، نموذج مقطّر، تدريب المعلم والطالب، distillation، knowledge distillation، model distillation، distilled model، teacher-student training

النماذج الكبيرة مكلفة في التشغيل. والتقطير ينقل ما يعرفه نموذج كبير إلى نموذج صغير.

## كيف يعمل

وصف Hinton وVinyals وDean الصيغة الحديثة عام 2015. تصبح احتمالات مخرجات المعلّم “أهدافًا ناعمة” (soft targets) للطالب. الوسم العادي يقول فقط “هذا هو الرقم 7”. أما احتمالات المعلّم فتقول أيضًا إنه يشبه الرقم 1 قليلًا ولا يشبه الرقم 4 إطلاقًا، وهذه الإشارة الإضافية تساعد الطالب على التعلم.

ولإظهارها، يرفعون [درجة الحرارة](https://broadrouter.com/ar/glossary/temperature/) في دالة softmax. وتشير الورقة إلى أن قيمة T الأعلى “produces a softer probability distribution over classes” (ترجمة: تنتج توزيعًا احتماليًا أنعم على الفئات). نتائجهم على MNIST:

| النموذج | أخطاء الاختبار |
| --- | --- |
| شبكة المعلّم الكبيرة | 67 |
| شبكة صغيرة، مدرّبة على الوسوم فقط | 146 |
| الشبكة الصغيرة نفسها، مقطّرة عند T = 20 | 74 |

ومع نماذج اللغة الكبيرة، كثيرًا ما يستخدم التقطير نصًا مولَّدًا بدل الاحتمالات. يكتب المعلّم إجابات، ثم يخضع الطالب [للضبط الدقيق](https://broadrouter.com/ar/glossary/fine-tuning/) عليها. وتذكر ورقة DeepSeek-R1 أن أنماط الاستدلال لدى النماذج الكبيرة يمكن أن توجّه النماذج الأصغر. وتسرد بطاقة النموذج ستة نماذج مقطّرة من 1.5B إلى 70B معامل، مبنية على قواعد Qwen2.5 وLlama ومضبوطة على بيانات استدلال ولّدها DeepSeek-R1.

## لماذا يهم

-   **التكلفة والسرعة.** النموذج الأصغر يحتاج إلى ذاكرة GPU أقل ويولّد أسرع، وهذا يظهر في الأسعار لكل رمز وفي زمن الاستجابة.
-   **مهارة أضيق.** الطالب قوي حيث دُرّب وأضعف في غير ذلك. اختبره على مهامك بدل الوثوق بنتائج معيار قياس للمعلّم.
-   **التراكب.** يقترن التقطير مع [التكميم](https://broadrouter.com/ar/glossary/quantization/) و[LoRA](https://broadrouter.com/ar/glossary/lora/) في البيئات المستضافة ذاتيًا.
-   **الترخيص.** رخصة المعلّم أو شروط واجهته هي التي تحدد إن كان يحق لك التدريب على مخرجاته.

## في BroadNet Inference

لا يذكر [مرجع API](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-glossary-distillation&utm_content=body#models) لدى BroadNet ما إذا كان أي من نماذجها مقطّرًا، فلا تفترض ذلك. لكن فروق الأسعار بين النماذج توضح أهمية النماذج الصغيرة: يُدرَج BroadNet Gemma 4 VL 26B بسعر $0.22 لكل مليون رمز إخراج مقابل $3.46 لـ GLM 5.3. أما هل النموذج الأصغر جيد بما يكفي، فذلك سؤال يجيب عنه تقييمك الخاص. ويقارن مقال [أفضل نموذج مفتوح لوكلاء البرمجة](https://broadrouter.com/ar/blog/best-open-model-for-coding-agents/) بين الخيارات حسب المهمة.

## أسئلة شائعة

### ما الفرق بين التقطير والتكميم؟

التقطير يدرّب نموذجًا جديدًا أصغر. أما التكميم فيُبقي النموذج نفسه ويخزّن أوزانه بدقة أقل. كلاهما يجعل الاستدلال أرخص، ويمكن الجمع بينهما.

### هل النموذج المقطّر بجودة المعلّم؟

عادةً ليس في كل المهام، لكنه قد يقترب منه في المهام التي قُطّر لأجلها. في اختبار MNIST الذي أجراه Hinton وVinyals وDean، ارتكبت الشبكة الصغيرة المقطّرة 74 خطأً مقابل 67 للمعلّم.

### هل يُسمح بتقطير نموذج مزوّد آخر؟

اقرأ رخصة النموذج المعلّم أو شروط واجهته قبل التدريب على مخرجاته. فهي تختلف في هذه النقطة، وبعضها يقيّده.

## انظر أيضًا

-   [الضبط الدقيق (Fine-tuning)](https://broadrouter.com/ar/glossary/fine-tuning/) (مصطلح)
-   [LoRA (التكيّف منخفض الرتبة)](https://broadrouter.com/ar/glossary/lora/) (مصطلح)
-   [التكميم (Quantization)](https://broadrouter.com/ar/glossary/quantization/) (مصطلح)
-   [درجة الحرارة (Temperature)](https://broadrouter.com/ar/glossary/temperature/) (مصطلح)
-   [النموذج مفتوح الأوزان (Open-weight model)](https://broadrouter.com/ar/glossary/open-weight-model/) (مصطلح)
-   [لماذا يعيد نموذج الاستدلال إجابة فارغة؟](https://broadrouter.com/ar/guides/reasoning-tokens-empty-response/) (دليل)
-   [النماذج المفتوحة مقابل المغلقة للشركات: التكلفة والتحكم والمخاطر](https://broadrouter.com/ar/blog/open-weight-vs-closed-models/) (مقال)
-   [أفضل نموذج مفتوح لوكلاء البرمجة: اختر حسب الأدوات والسياق والتكلفة](https://broadrouter.com/ar/blog/best-open-model-for-coding-agents/) (مقال)

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-glossary-distillation&utm_content=page-cta) ·

**المصادر**

-   [Hinton وVinyals وDean (2015)، Distilling the Knowledge in a Neural Network](https://arxiv.org/abs/1503.02531)
-   [DeepSeek-AI (2025)، ورقة DeepSeek-R1](https://arxiv.org/abs/2501.12948)
-   [بطاقة نموذج DeepSeek-R1 على Hugging Face (النماذج المقطّرة)](https://huggingface.co/deepseek-ai/DeepSeek-R1)
