---
title: "ما هو حجم المفردات في مجزّئ النموذج اللغوي؟ | BroadRouter"
description: "حجم المفردات هو عدد الرموز المختلفة التي يعرفها النموذج. أحجام مقيسة لـ DeepSeek وGLM وQwen وGemma، ولماذا لا يعني الحجم الأكبر دائمًا رموزًا أقل."
url: https://broadrouter.com/ar/glossary/vocabulary-size/
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/vocabulary-size/) (حُدّث في 2026-11-16).

# حجم المفردات (Vocabulary size)

آخر تحديث 2026-11-16

حجم المفردات هو عدد الرموز (التوكنز) المختلفة في مجزّئ النموذج اللغوي، لكل منها معرّف وتضمين خاص. والمفردات الأكبر قد ترمّز النص الشائع برموز أقل، لكنها تكبّر طبقتي التضمين والإخراج، ولا تفيد إلا مع النص الذي دُرّبت عليه المفردات.

يُسمّى أيضًا: حجم المفردات، حجم القاموس، مفردات المجزّئ، مفردات التوكنايزر، عدد الرموز في المجزّئ، vocabulary size، vocab size، vocab\_size، tokenizer vocabulary، token vocabulary

يخبرك حجم المفردات كم قطعة نصية مختلفة يستطيع النموذج تمثيلها [برمز](https://broadrouter.com/ar/glossary/token/) واحد.

## كيف يعمل

مفردات مجزّئ [BPE](https://broadrouter.com/ar/glossary/bpe/) هي رموزه الأساسية مضافًا إليها كل عملية دمج تعلّمها. ويضرب توثيق Hugging Face مثالًا بنموذج GPT الأصلي: 478 رمزًا أساسيًا + 40,000 عملية دمج = 40,478. ويختار مَن يبني المجزّئ الحجم المستهدف قبل التدريب.

قرأنا المفردات من ملف `tokenizer.json` المثبّت لكل نموذج على Hugging Face في 2026-11-14:

| المجزّئ | مدخلات المفردات | إجمالي المعرّفات مع الرموز الخاصة |
| --- | --- | --- |
| DeepSeek V4.1 Flash | 128,000 | 129,280 |
| GLM 5.3 | 154,820 | 154,856 |
| Qwen3.8 27B | 248,044 | 248,077 |
| Gemma 4 26B A4B (نسخة Google الأساسية) | 262,144 | 262,144 |
| OpenAI o200k\_base (للمرجعية) | 199,998 | 200,019 |

تذكر بطاقة نموذج Gemma 4 مفردات بحجم 262K، وهذا يطابق القياس. وتذكر بطاقة Qwen3.8 حجم تضمين قدره 248,320 “padded” (ترجمة: مُبطَّن)، وهو أكبر من 248,077 معرّفًا مستخدمًا فعلًا.

## لماذا يهم

لمستخدم الـ API، حجم المفردات مؤشر غير مباشر على التكلفة لكل كلمة. والمهم هو النص الذي دُرّبت عليه عمليات الدمج. قارن عدد الرموز لكل 100 كلمة للكلمات نفسها البالغ عددها 39,037 من العربية الفصحى المعاصرة في [مجموعة بيانات المجزّئات](https://broadrouter.com/data/tokenizer-efficiency/) لدينا:

-   DeepSeek V4.1 Flash، 128,000 مدخل: 86,690 / 39,037 x 100 = 222.1
-   GLM 5.3، 154,820 مدخلًا: 95,230 / 39,037 x 100 = 243.9
-   Qwen3.8 27B، 248,044 مدخلًا: 71,424 / 39,037 x 100 = 183.0
-   Gemma 4، 262,144 مدخلًا: 79,120 / 39,037 x 100 = 202.7

لدى GLM 5.3 مدخلات أكثر من DeepSeek، لكنه يستخدم رموزًا أكثر على هذا النص. ولدى Gemma أكبر عدد من المدخلات، لكنه ليس الأكثر إيجازًا. أما للنثر الإنجليزي فتقع النماذج الخمسة كلها بين 127 و132 رمزًا لكل 100 كلمة، فلا يكاد حجم المفردات يهم هناك.

القاعدة: قِس نصك أنت [بمجزّئ](https://broadrouter.com/ar/glossary/tokenizer/) النموذج بدل أن تستنتج التكلفة من رقم المفردات.

## في BroadNet Inference

لا تنشر BroadNet أحجام المفردات؛ والأرقام أعلاه مأخوذة من مستودعات النماذج العامة. ويستخدم صف Gemma مجزّئ Google الأساسي، ونفترض أن نسخة BroadNet من Gemma 4 VL 26B تحتفظ به. ولترى الأثر على موجّهاتك، استخدم [عدّاد الرموز](https://broadrouter.com/tools/token-counter/)، ولاختيار نموذج للعربية اقرأ [اختيار نموذج لغوي للعربية](https://broadrouter.com/ar/blog/choosing-an-llm-for-arabic/) مع [دراسة الرموز لكل كلمة](https://broadrouter.com/ar/blog/tokens-per-word-arabic-english/).

## أسئلة شائعة

### هل تعني المفردات الأكبر رموزًا أقل؟

غالبًا، لكن ليس دائمًا. في اختبارنا بتاريخ 2026-11-14، يملك Gemma 4 أكبر مفردات (262,144)، ومع ذلك استخدم 347 رمزًا لنص عربي رمّزه Qwen3.8 27B، بمفرداته البالغة 248,044 مدخلًا، في 316 رمزًا.

### لماذا يختلف vocab\_size عن ملف المجزّئ؟

كثيرًا ما تُبطِّن إعدادات النموذج جدول التضمين إلى عدد مقرّب، وتحجز معرّفات للرموز الخاصة. فـ Qwen3.8 27B يذكر حجمًا مُبطَّنًا قدره 248,320، بينما يستخدم ملف tokenizer.json الخاص به المعرّفات من 0 إلى 248,076 (تبدأ المعرّفات من 0)، أي 248,077 معرّفًا إجمالًا.

### أين أجد حجم مفردات النموذج؟

في ملف config.json الخاص بالنموذج تحت vocab\_size، أو بتحميل ملف tokenizer.json وعدّ مدخلاته. وقيمة الإعدادات كثيرًا ما تكون مُبطَّنة، فملف المجزّئ يعطي العدد الدقيق للرموز المستخدمة.

## انظر أيضًا

-   [المجزّئ (Tokenizer)](https://broadrouter.com/ar/glossary/tokenizer/) (مصطلح)
-   [ترميز أزواج البايتات (BPE)](https://broadrouter.com/ar/glossary/bpe/) (مصطلح)
-   [الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/) (مصطلح)
-   [نافذة السياق (Context window)](https://broadrouter.com/ar/glossary/context-window/) (مصطلح)
-   [عدد الرموز لكل كلمة في العربية والإنجليزية: لماذا تكلّف العربية أكثر؟](https://broadrouter.com/ar/blog/tokens-per-word-arabic-english/) (مقال)
-   [اختيار LLM API للغة العربية: ما الذي تختبره؟](https://broadrouter.com/ar/blog/choosing-an-llm-for-arabic/) (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-vocabulary-size&utm_content=page-cta) ·

**المصادر**

-   [Hugging Face Transformers، خوارزميات التجزئة (حجم المفردات = الرموز الأساسية + عمليات الدمج)](https://huggingface.co/docs/transformers/tokenizer_summary)
-   [بطاقة النموذج على Hugging Face، google/gemma-4-26B-A4B-it (مفردات 262K)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [بطاقة النموذج على Hugging Face، Qwen/Qwen3.8-27B (تضمين مُبطَّن بحجم 248,320)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [مستودع النموذج على Hugging Face، zai-org/GLM-5.3 (مصدر ملف tokenizer.json لـ GLM)](https://huggingface.co/zai-org/GLM-5.3)
