نطرح الاستنتاج أولاً: زيادة ذاكرة العرض من 16GB إلى 24GB تغيّر ما يمكنك تشغيله محلياً من النماذج، وليس بطاقة السعر لواجهات برمجة تطبيقات النماذج اللغوية الكبيرة السحابية. الأمران مرتبطان بخيط يُسمى «هيكل تكلفة القدرة الحاسوبية»، لكن اتجاه الانتقال ليس كما يتوقعه الناس.
أولاً، الخبر نفسه
تخطط NVIDIA لاستبدال النسخة الحالية من RTX 5080 بذاكرة عرض 16GB بنسخة 24GB، وقد تداول هذا الخبر في أوساط المطورين لفترة. حتى الآن، لم تكشف الشركة رسمياً عن المواصفات النهائية والتسعير، ولا يوجد سعر عام موثوق في قنوات البيع بالتجزئة، لذا دعونا نؤجل أي حديث عن «كم سيرتفع السعر» أو «مضاعفة القيمة مقابل السعر». الشيء الوحيد المؤكد هو الاتجاه: عرض ناقل ذاكرة العرض في بطاقات الرسوميات الاستهلاكية يتجه نحو الارتفاع.
بالنسبة لمن يعملون على الاستدلال المحلي، هذا البند أكثر أهمية بكثير من تردد النواة. تشغيل النماذج لا يتعطل عند القدرة الحاسوبية أولاً، بل عند ذاكرة العرض أولاً.
ماذا يمكن تشغيله إضافياً بـ 24GB بالضبط
لنحسب ببساطة. نموذج 7B بتكميم 4bit، تبلغ الأوزان أكثر بقليل من 4GB، ومع إضافة KV Cache وأعباء إطار العمل، يعمل بارتياح على بطاقة 16GB؛ نموذج 14B بتكميم 4bit تقترب أوزانه من 8GB، ويمكن احتواؤه أيضاً على 16GB، لكن بمجرد إطالة السياق وارتفاع التزامن، تبدأ ذاكرة العرض بالضيق. أما فئة 32B، فأوزان التكميم 4bit تبلغ حوالي 18GB إلى 20GB، وبطاقة 16GB تُستبعد مباشرة، بينما بطاقة 24GB تدخل بالكاد، بشرط ألا توسّع السياق كثيراً.
باختصار: 16GB هي المنطقة المريحة من 7B إلى 14B، و24GB أدخلت استدلال التكميم 32B ضمن نطاق البطاقة الواحدة. بالنسبة للنشر الطرفي والسيناريوهات الخاصة الصغيرة والفرق التي تعمل على RAG، هذا تغيّر حقيقي في العتبة — كان الأمر يتطلب سابقاً بطاقتين أو بطاقة احترافية، والآن يمكن التجربة ببطاقة استهلاكية واحدة.
لكن انتبه، القدرة على التشغيل وجودة التشغيل أمران مختلفان. تشغيل 32B بتكميم على 24GB، لا تتوقع معدل إنتاجية عالياً ولا زمن استجابة منخفضاً لأول رمز، فهو مناسب للسيناريوهات منخفضة التكرار وغير المتصلة والمستخدم الواحد، وليس لتحمل التزامن العالي.
الانتقال إلى السحابة، لماذا لن تنخفض أسعار واجهات برمجة التطبيقات فوراً
كثيرون يفترضون تلقائياً: إذا أمكن تشغيل نماذج أكبر ببطاقة واحدة، تنخفض تكلفة الاستدلال، ويجب أن تنخفض أسعار واجهات برمجة تطبيقات النماذج اللغوية الكبيرة. سلسلة المنطق تفتقد حلقة.
تسعير واجهات برمجة تطبيقات النماذج اللغوية الكبيرة السحابية لا يعتمد أساساً على ذاكرة عرض البطاقة الواحدة، بل على ثلاثة أمور: كفاءة جدولة القدرة الحاسوبية، وتكلفة الكهرباء، والقدرة التفاوضية في الشراء بالجملة. زيادة ذاكرة العرض ترفع كثافة الجهاز الواحد، وهي جزء صغير من بند الكفاءة. ما يضغط التكلفة فعلاً هو معدل استخدام الخزائن، والجدولة عبر المناطق، ومصدر الكهرباء.
ممارستنا على منصة تجميع واجهات برمجة تطبيقات النماذج اللغوية الكبيرة SiCore TokenWorks توضح هذه النقطة. جدولة القدرة الحاسوبية الخضراء توزع مهام الاستدلال حسب الحمل وأسعار الكهرباء بين عدة مراكز حاسوبية، فتتحمل مراكز الطاقة الخضراء في الغرب عبئاً أكبر عندما تكون الكهرباء رخيصة، وتتحمل العقد منخفضة التأخير في الشرق الطلبات الفورية. فرق التكلفة الذي تجلبه هذه الجدولة أكبر بكثير من الفرق الذي تجلبه مضاعفة ذاكرة عرض البطاقة الواحدة. لذلك عندما تعتمد منصة تجميع واجهات برمجة تطبيقات النماذج اللغوية الكبيرة SiCore TokenWorks الفوترة حسب الاستخدام، تأتي ميزة التكلفة أساساً من الجدولة والطاقة، وليس من جيل معين من بطاقات الرسوميات. نستخدم داخلياً معيار token8341 لإحصاءات الفوترة، وقد أجرينا مقارنات أفقية مع الشراء المباشر الرسمي، وتبيّن أن الشراء بالجملة والطاقة الخضراء هما المصدران الرئيسيان لفرق السعر.
وبالمناسبة، هذا أيضاً سبب كون قيمة منصة تجميع واجهات برمجة تطبيقات النماذج اللغوية الكبيرة ليست في «كثرة النماذج»، بل في «استقرار الجدولة وصدق الفوترة». الوصول الموحد متعدد النماذج هو مجرد مدخل، وكيفية توجيه النماذج مثل GPT-4o وClaude وDeepSeek-V3 وQwen-Max وDoubao وERNIE حسب المهمة إلى أنسب قدرة حاسوبية في الخلفية، هو المكان الذي تُضغط فيه التكلفة فعلاً. موقع منصة تجميع واجهات برمجة تطبيقات النماذج اللغوية الكبيرة SiCore TokenWorks في هذا المجال هو الأولوية للمنتجات المحلية مع القدرة الحاسوبية الخضراء، متوافقة مع OpenAI SDK، ويكفي تغيير سطر base_url للتبديل.
حكم للمطورين
تكرار الأجهزة لن يجعل واجهات برمجة التطبيقات أرخص فوراً. قصور التسعير السحابي أبطأ بكثير من تغيّر الأجيال في بطاقات الرسوميات، وبين طرح جيل جديد من البطاقات وظهوره في سعر الوحدة لواجهات برمجة التطبيقات توجد دورة الشراء وتعديل غرف الخوادم وتكييف نظام الجدولة. التوقع بأن تنخفض الأسعار إلى النصف غداً غير واقعي.
لكنه سيغيّر عتبة المعايير عند اختيار النماذج. سابقاً كنت تتعامل محلياً مع 7B فقط، والآن بطاقة 24GB تجعلك تجرؤ على تقييم إصدارات التكميم 14B وحتى 32B، فتغيّرت مساحة الاختيار. وبالمقابل، عندما تستطيع الأطراف تشغيل نماذج أكبر، ستعود بعض سيناريوهات الاستدلال منخفضة التكرار من السحابة إلى المحلي، وعندها ستكون تنافسية واجهات برمجة تطبيقات النماذج اللغوية الكبيرة السحابية مرهونة بالجدولة والسعر، لا بعبارة «لا يمكنك تشغيله محلياً».
تنبيه لتجنب الأخطاء: لا تؤجل مشروعك انتظاراً لبطاقة جديدة. المواصفات غير المعلنة رسمياً تعني جدولاً زمنياً غير مؤكد، بينما احتياجات عملك مؤكدة. ما يجب رفعه إلى السحابة يُرفع، وما يجب أن يبقى محلياً يبقى، وعندما تأتي مكاسب الأجهزة تُهاجر، فالتكلفة أقل من الانتظار العقيم.
خلاصة: ذاكرة العرض ارتفعت، والنماذج التي يمكن تشغيلها محلياً كبرت؛ أما سعر واجهات برمجة تطبيقات النماذج اللغوية الكبيرة السحابية فيبقى مرهوناً بكيفية جدولة القدرة الحاسوبية والكهرباء. للتعمق في تفاصيل الوصول متعدد النماذج والفوترة، يمكن المتابعة في اتجاهي بوابة API وتوجيه النماذج.