الوصول إلى نماذج اللغة المتطورة والنماذج متعددة الوسائط غالبًا ما يتطلب موارد حوسبة ومالية كبيرة. ومع ذلك، تقدم OpenRouter - بوابة API موحدة تربط المستخدمين بالمئات من نماذج الذكاء الاصطناعي - مجموعة مثيرة للإعجاب من النماذج المجانية عالية الجودة التي تقدم قدرات قوية دون عوائق مالية. توفر هذه المقالة استكشافًا تقنيًا لأفضل 13 نموذجًا مجانيًا متاحًا على OpenRouter، مع تحليل هياكلها وتوزيعات المعلمات وإدارة السياق وخصائص الأداء.
ما هو OpenRouter؟
يعمل OpenRouter كواجهة API موحدة لاستدلال نماذج اللغة الكبيرة (LLMs)، مما يوفر وصولاً موحدًا إلى النماذج من مزودين متعددين من خلال نقطة نهاية واحدة. ويقدم العديد من المزايا التقنية:
- توحيد API: يحول صيغ API المحددة من مختلف الموردين إلى واجهة موحدة متوافقة مع OpenAI
- التوجيه الذكي: يوجه الطلبات ديناميكيًا إلى الخلفيات المناسبة بناءً على توافر النموذج ومعلمات الطلب
- تحمل الأعطال: ينفذ آليات احتياطي تلقائية للحفاظ على استمرارية الخدمة
- دعم متعدد الوسائط: يتعامل مع كل من المدخلات النصية والصورية عبر النماذج المدعومة
- تحسين طول السياق: يدير نوافذ الرموز بكفاءة لتعظيم استخدام السياق الفعال
الآن، دعنا نستعرض المواصفات التقنية والقدرات لكل نموذج مجاني متاح على المنصة.
1. meta-llama/llama-4-maverick:مجاني
الهيكل: خليط من الخبراء (MoE) مع تفعيل متباين المعلمات: 400B إجمالي، 17B نشط لكل تمرير أمامي (128 خبير) طول السياق: 256,000 رمز (1 مليون رمز كحد أقصى نظري) تاريخ الإصدار: 5 أبريل 2025 النماذج: نص + صورة → نص
يمثل Llama 4 Maverick تنفيذ Meta المتقدم لهندسة خليط الخبراء المتباين، حيث يتم تفعيل 4.25% فقط من إجمالي المعلمات خلال الاستدلال. هذه النمط من التفعيل المتباين يمكّن الكفاءة الحوسبية مع الحفاظ على سعة النموذج.
المواصفات التقنية:
- ينفذ دمجًا مبكرًا للمعالجة متعددة الوسائط مع تمثيل موحد للنص والصورة
- يستخدم شبكة توجيه مع اختيار الأفضل (top-k) لاختيار 2 خبير لكل رمز من بين 128 خبير متاح
- يستخدم آليات الانتباه المرتبطة بالاستعلامات لمعاملة فعالة لتنفيذ المحولات
- مجموعة التدريب: ~22 تريليون رمز مع أخذ عينات مع وزن الدقة
- دعم متعدد اللغات عبر 12 لغة مع تشفير كلمات فعال
- مشفر بصري: 2.5B معايير متخصص ViT مع تحسين حجم الباتش
أداء المعايير:
- MMLU: 86.3%
- GSM8K: 92.1%
- HumanEval: 88.5%
- MMMU: 73.2%
حالات الاستخدام التقنية: التفكير متعدد الوسائط، اتباع التعليمات البصرية، مهام الاستدلال عبر النماذج، التفكير الرمزي المعقد، ونشر API عالي العائد.
2. https://openrouter.ai/meta-llama/llama-4-scout:مجاني
الهيكل: خليط من الخبراء (MoE) مع توجيه محسّن المعلمات: 109B إجمالي، 17B نشط لكل تمرير أمامي (16 خبير) طول السياق: 512,000 رمز (10 مليون كحد أقصى نظري) تاريخ الإصدار: 5 أبريل 2025 النماذج: نص + صورة → نص
يمثل Scout نسخة محسّنة من حيث النشر من هيكل Llama 4، يستخدم عددًا أقل من الخبراء مع الحفاظ على نفس عدد المعلمات النشطة مثل Maverick.
المواصفات التقنية:
- عدد خبراء أقل (16 مقابل 128) مع استخدام مُحسّن للخبراء
- سعة معززة للخبراء مع زيادة المعلمات لكل خبير
- يستخدم تقنيات تقطير المعرفة المتخصصة من Maverick
- مجموعة التدريب: ~40 تريليون رمز مع تدريب مسبق يتكيف مع المجال
- ينفذ انتباه الفلاش-2 لاستدلال فعال من حيث الذاكرة
- تضمينات المواقع المستندة إلى الدوران للتعامل مع السياق الممتد
- تعديل دقيق للتكيف منخفض الرتبة لاتباع التعليمات
أداء المعايير:
- MMLU: 82.7%
- GSM8K: 89.4%
- HumanEval: 84.9%
- MMMU: 68.1%
حالات الاستخدام التقنية: نشر فعال على الأجهزة الاستهلاكية، سيناريوهات الحوسبة الحافة، معالجة طول السياق العالي مع قيود الذاكرة، وتوزيع متعدد النسخ المتوازية.
3. https://openrouter.ai/moonshotai/kimi-vl-a3b-thinking:مجاني
الهيكل: MoE خفيف مع استدلال بصري متخصص المعلمات: 16B إجمالي، 2.8B نشط لكل خطوة طول السياق: 131,072 رموز تاريخ الإصدار: 10 أبريل 2025 النماذج: نص + صورة → نص
يمثل Kimi-VL-A3B-Thinking إنجازًا تقنيًا في نمذجة متعددة الوسائط المحسّنة من حيث الكفاءة، مما يقدم أداءً قويًا مع الحد الأدنى من تفعيل المعلمات.
المواصفات التقنية:
- عمارة MoE فائقة التخفيف مع تفعيل خبير انتقائي للغاية
- تحفيز سلسلة أفكار مدمج في أهداف التدريب المسبق
- تحسين RLHF مع نمذجة التفضيلات لخطوات الاستدلال
- مشفر MoonViT: مشفر بصري فعال مع تقليل تدريجي
- ينفذ ضبط التحفيز المحدد وفقًا للتقنيات للاستدلال الرياضي
- تحسين التمرير الأمامي لتقليل حجم الذاكرة بنسبة تصل إلى 60%
- دعم الكمّ 8 بت لتحسين الاستدلال
أداء المعايير:
- MathVision: 76.2% (يتساوى مع أداء نماذج مزدحمة بـ 7B)
- MMMU: 64.8%
- MathVista: 72.3%
- VQAv2: 79.1%
حالات الاستخدام التقنية: استدلال مرئي مقيد بالموارد، حل المشكلات الرياضية مع المدخلات البصرية، نشر متعدد الوسائط الفعال، وتطبيقات الذكاء الاصطناعي التي تتطلب فهمًا بصريًا.
4. https://openrouter.ai/nvidia/llama-3.1-nemotron-nano-8b-v1:مجاني
الهيكل: مُحوّل معدل مع تحسينات NVIDIA المعلمات: 8B طول السياق: 8,192 رموز النماذج: نص → نص
تستفيد مساهمة NVIDIA من هيكل Llama 3.1 مع تحسينات مخصصة من إطار عمل Nemotron الخاص بهم.
المواصفات التقنية:
- تحسين إطار NeMo من أجل توازي التنسورات
- تنفيذ انتباه مخصص لتحسين العائد
- طرق حساب متكاملة مع FlashAttention
- تدريب مع تصفية البيانات المتخصصة وإزالة التكرار
- تحسينات تدريب موزعة ذات عقد متعددة خاصة بـ NVIDIA
- دعم الكم 4 بت لتحسين النشر
- دعم توازي التنسورات للحصول على استدلال متعدد وحدات معالجة الرسوميات
أداء المعايير:
- MMLU: 68.7%
- GSM8K: 72.9%
- HumanEval: 65.3%
- BBH: 59.8%
حالات الاستخدام التقنية: بيئات استدلال محسّنة من قبل NVIDIA، تطبيقات تتطلب توازي فعال للتنسورات، نشر يتميّز بالقدرة على الكم، وسيناريوهات تتطلب توازنًا بين الحجم والأداء.
5. https://openrouter.ai/google/gemini-2.5-pro-exp-03-25:مجاني
الهيكل: هيكل قائم على المحولات مع آليات ذاكرة متكررة المعلمات: غير معلنة (تقديرية بين 300B-500B) طول السياق: 1,000,000 رمز تاريخ الإصدار: 25 مارس 2025 النماذج: نص + صورة → نص
تطبق Gemini 2.5 Pro التجريبية أحدث التطورات من Google في نمذجة اللغة على نطاق واسع مع تحسينات في قدرات الاستدلال.
المواصفات التقنية:
- تطبيق الاستدلال المتكرر مع إنشاء خطوات تفكير وسطية
- يستخدم تكرارًا منظمًا لنمذجة الاعتمادية الطويلة المدى
- آليات انتباه موفرة للذاكرة تناسب السياقات التي تحتوي على مليون رمز
- دمج متعدد الوسائط مع نمذجة الإدراك الهيكلية
- تدريب باستخدام نظام مسارات Google من أجل توازي فعال للنماذج
- يتضمن نهج الذكاء الاصطناعي الدستوري للتوافق
- مكونات نموذج مساحة الحالة للنمذجة الفعالة للتسلسل
أداء المعايير:
- LMArena: المرتبة #1 (اعتبارًا من تاريخ الإصدار)
- MMLU: 92.1%
- GSM8K: 97.3%
- HumanEval: 94.2%
- MATH: 88.7%
حالات الاستخدام التقنية: معالجة سياق فائق الطول، سلاسل استدلال معقدة، حل المهام العلمية والرياضية، إنشاء الشيفرات مع الاعتماديات المعقدة، وفهم متعدد الوسائط مع إشارات سياقية موسعة.
6. https://openrouter.ai/mistralai/mistral-small-3.1-24b-instruct:مجاني
الهيكل: مُحوّل متقدم مع آلية انتباه نافذة منزلق المعلمات: 24B طول السياق: 96,000 رمز (128K الحد الأقصى النظري) تاريخ الإصدار: 17 مارس 2025 النماذج: نص + صورة → نص
يمثل Mistral Small 3.1 تحسين مبيعات Mistral AI لمعمارية الـ 24B من حيث الأداء الفعال مع قدرات متعددة الوسائط.
المواصفات التقنية:
- آليات انتباه نافذة منزلق لمعالجة السياقات الطويلة بكفاءة
- تنفيذ انتباه يعتمد على الاستعلامات المجمعة لتحسين الذاكرة
- مشفر بصري مدمج مع محاذاة عبر الانتباه
- تشفير بايت-بار مع 128K مفردات لتحقيق كفاءة متعددة اللغات
- وظائف تنشيط SwiGLU لتعزيز تدفق التدرج
- تضمينات موضع دوارة لتحسين نمذجة الموضع النسبي
- استدعاء الوظائف مع دعم التحقق من صحة مخطط JSON
أداء المعايير:
- MMLU: 81.2%
- GSM8K: 88.7%
- HumanEval: 79.3%
- MT-Bench: 8.6/10
حالات الاستخدام التقنية: استدعاء واجهات برمجة التطبيقات، مخرجات هيكل JSON، تنفيذات استخدام الأدوات، وتطبيقات تتطلب التوازن بين الأداء وكفاءة النشر.
7. https://openrouter.ai/openrouter/optimus-alpha
الهيكل: مُحوّل مع آليات انتباه متخصصة المعلمات: غير معلنة النماذج: نص → نص
تركز نموذج OpenRouter الداخلي Optimus Alpha على قدرات المساعد العامة مع تحسينات لتطبيقات API الشائعة.
المواصفات التقنية:
- تمت تهيئته للتفاعلات الموجهة نحو API
- اقتصاد توكنات متخصص لتوليد استجابات فعالة
- تم تحسينه لاستدلال منخفض الكمون في بيئات API
- يستخدم منهجية التدريب الخاصة بـ OpenRouter
- ينفذ توسيع التحكم في الاستجابة لطول إنتاج متسق
حالات الاستخدام التقنية: تنفيذات API منخفضة الكمون، تطبيقات الدردشة التي تتطلب خصائص استجابة متسقة، وتوليد نص عام مع التركيز على اتباع التعليمات.
8. https://openrouter.ai/openrouter/quasar-alpha
الهيكل: مُحوّل مع انتباه محسن بالمعرفة المعلمات: غير معلنة النماذج: نص → نص
يمثل Quasar Alpha النسخة المتخصصة من OpenRouter التي تركز على الاستدلال وتمثيل المعرفة.
المواصفات التقنية:
- آليات انتباه محسّنة بالمعرفة
- تدريب متخصص على مجموعات بيانات الاستدلال الهيكلي
- تم تحسينه لعمليات استدلال متعددة الخطوات متسقة
- ينفذ آليات التحقق والتصحيح الذاتي
- تدريب يركز على الاتساق الواقعي والاستدلال المنطقي
حالات الاستخدام التقنية: مهام الاستدلال الهيكلية، التطبيقات المعتمدة على المعرفة، نظم التحقق من الحقائق، والتطبيقات التي تتطلب تتبع الاتساق المنطقي.
9. https://openrouter.ai/deepseek/deepseek-v3-base:مجاني
الهيكل: مُحوّل متقدم مع تحسين السلاسل التقنية المعلمات: غير معلنة النماذج: نص → نص
يمثل DeepSeek V3 Base النموذج الأساسي من أحدث جيل في DeepSeek، مع قوة خاصة في المجالات التقنية.
المواصفات التقنية:
- تدريب مسبق متخصص مع التركيز على مجموعات البيانات التقنية
- تحسين المفردات لتمثيل المصطلحات التقنية
- ينفذ تقنيات ضغط السياق المتقدمة
- منهجية التدريب المسبق التكيف مع المجال
- تمثيل المعرفة التقنية مع تمثيل هيكلي
حالات الاستخدام التقنية: توليد المحتوى التقني، مساعدة البرمجة التي تتطلب معرفة محددة بالمجال، توليد الوثائق، وتطبيقات استرجاع المعرفة التقنية.
10. https://openrouter.ai/qwen/qwen2.5-vl-3b-instruct:مجاني
الهيكل: مُحوّل فعال مع قدرات متعددة الوسائط المعلمات: 3B النماذج: نص + صورة → نص
يقدم Qwen2.5-VL-3B-Instruct قدرات متعددة الوسائط في هيكل مدمج محسّن من حيث الكفاءة.
المواصفات التقنية:
- مشفر بصري خفيف مع استخراج ميزات تدريجي
- توافق فعّال بين المعلمات من أجل رسم خرائط اللغة المرئية
- تدريب مع مراعاة الكم لتحسين النشر
- تنفيذ انتباه موفر للذاكرة لدمج متعدد الوسائط
- مفردات متخصصة مع تكامل الرموز البصرية
- طرق استدلال محسّنة للكمون لإنتاج استجابات سريعة
حالات الاستخدام التقنية: تطبيقات متعددة الوسائط محدودة الذاكرة، نشر الأجهزة الحافة لفهم بصري، وتطبيقات تتطلب معالجة بصرية سريعة مع موارد محدودة.
11. https://openrouter.ai/deepseek/deepseek-chat-v3-0324:مجاني
الهيكل: مُحوّل محسّن للحوار المعلمات: غير معلنة النماذج: نص → نص
نسخة متخصصة من النموذج الأساسي لـ DeepSeek تركز على التفاعلات الحوارية مع إدارة محادثات محسنة.
المواصفات التقنية:
- قدرات تتبع حالة الحوار
- آليات ذاكرة محسنة لتاريخ المحادثة
- تحسين تقمص الأدوار لسير المحادثة الطبيعي
- اتساق الشخصية من خلال تقنيات تضمين الحوار
- توليد استجابات مدركة للسياق مع نمذجة فعل الحوار
حالات الاستخدام التقنية: أنظمة المحادثة متعددة الأدوار، أنظمة الحوار التي تتطلب تتبع الحالة، روبوتات محادثة متسقة الشخصية، وتطبيقات تتطلب إدارة محادثات معقدة.
12. https://openrouter.ai/deepseek/deepseek-r1-zero:مجاني
الهيكل: مُحوّل متخصص في الاستدلال المعلمات: غير معلنة النماذج: نص → نص
يركز DeepSeek R1 Zero على المهام البحثية واستدلال علمي مع تعديلات متخصصة في المعمارية.
المواصفات التقنية:
- استدلال متعدد الخطوات المحسن مع تحقق وسيط
- دمج المعرفة في المجالات العلمية
- تدريب متخصص على مجموعات البيانات البحثية
- قدرات صياغة رياضية مع توليد LaTeX
- تحسين دقة تقنية من خلال وظائف خسارة متخصصة
حالات الاستخدام التقنية: تحليل الأدبيات العلمية، المساعدة في الأبحاث، حل المشكلات التقنية، وتطبيقات تتطلب استدلالًا تقنيًا دقيقًا أو صياغات رياضية.
13. https://openrouter.ai/nousresearch/deephermes-3-llama-3-8b-preview:مجاني
الهيكل: Llama 3 معدل مع ضبط متخصص المعلمات: 8B النماذج: نص → نص
يمثل DeepHermes-3 تحسين Nous Research لهندسة Llama 3 لتحقيق أداء متوازن في تنفيذ مضغوط.
المواصفات التقنية:
- مبني على أساس Llama 3 8B مع ضبط متخصص
- منهجية ضبط تعليمات مع تمثيل مهام متنوعة
- ينفذ مبادئ الذكاء الاصطناعي الدستوري للتوافق
- ضبط DPO (تحسين التفضيل المباشر)
- قدرات استدلال محسّنة من خلال تعزيز البيانات الاصطناعية
- محسّن للتنوع عبر مجالات متعددة
أداء المعايير:
- MMLU: 64.3%
- GSM8K: 67.8%
- HumanEval: 55.9%
- MT-Bench: 7.2/10
حالات الاستخدام التقنية: التطبيقات التي تتطلب أداءً متوازنًا ضمن بيئات الحوسبة المقيدة، اتباع التعليمات العامة مع قيود الموارد، وأنظمة تتطلب كفاءة في استخدام المعلمات.
كيفية استخدام واجهة OpenRouter مع بايثون
يتطلب الوصول إلى هذه النماذج من خلال OpenRouter تنفيذًا بسيطًا لواجهة برمجة التطبيقات يتبع أنماط متوافقة مع OpenAI. إليك مثال على تنفيذ تقني:
import requests
import json
API_KEY = "your_openrouter_api_key"
MODEL_ID = "meta-llama/llama-4-maverick:مجاني" # نموذج مثالي
headers = {
"Authorization": f"Bearer {API_KEY}",
"HTTP-Referer": "<https://your-app-domain.com>", # اختياري للتحليلات
"X-Title": "اسم تطبيقك", # اختياري للتحليلات
"Content-Type": "application/json"
}
payload = {
"model": MODEL_ID,
"messages": [
{"role": "system", "content": "أنت مساعد ذكاء اصطناعي مفيد."},
{"role": "user", "content": "اشرح الحوسبة الكمومية بمصطلحات تقنية."}
],
"temperature": 0.7,
"max_tokens": 1024,
"stream": False,
"top_p": 0.95
}
response = requests.post(
"<https://openrouter.ai/api/v1/chat/completions>",
headers=headers,
data=json.dumps(payload)
)
print(response.json())
للنماذج متعددة الوسائط، يمكن دمج المدخلات الصورية باستخدام ترميز base64:
import base64
# تحميل وترميز الصورة
with open("image.jpg", "rb") as image_file:
encoded_image = base64.b64encode(image_file.read()).decode('utf-8')
# تحميل متعدد الوسائط
multimodal_payload = {
"model": "moonshotai/kimi-vl-a3b-thinking:مجاني",
"messages": [
{"role": "system", "content": "أنت مساعد رؤية مفيد."},
{"role": "user", "content": [
{"type": "text", "text": "وصف هذه الصورة بالتفصيل:"},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{encoded_image}"}}
]}
],
"temperature": 0.3,
"max_tokens": 1024
}
الخاتمة
تمثل مجموعة نماذج الذكاء الاصطناعي المجانية في OpenRouter تقدمًا كبيرًا في ديمقراطية قدرات الذكاء الاصطناعي. من الهياكل المتطورة مثل Llama 4 Maverick إلى التطبيقات الفعالة مثل Kimi-VL-A3B-Thinking، تقدم هذه النماذج قدرات تقنية كانت متاحة سابقًا فقط من خلال استثمار مالي كبير.
تضمن التنوع التقني بين هذه النماذج—الذي يمتد عبر عدد المعلمات، وطرق الهيكلة، وقدرات متعددة الوسائط، والتحسينات المتخصصة—تمكن المطورين من اختيار النموذج الأنسب لاحتياجاتهم الفنية المحددة وقيود النشر.
بينما يواصل مشهد الذكاء الاصطناعي تطوره السريع، تلعب منصات مثل OpenRouter دورًا حيويًا في جعل قدرات تقنية متقدمة متاحة لقاعدة أكبر من مطوري البرامج، مما يمكن الابتكار دون التكاليف المرتفعة التي ترتبط عادة بنشر الذكاء الاصطناعي المتطور.