0Pricing
AI Prompt Engineering · درس

كيف تختلف نماذج الاستدلال؟

سلسلة التفكير الداخلية مقابل النماذج القياسية: ما الذي يتغير لكاتب المطالبة

كيف تختلف نماذج الاستدلال؟ درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Prompt Engineering، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Prompt Engineering 4 دروس في المجموع.

ما نماذج الاستدلال؟

نماذج الاستدلال هي نماذج LLM مدرّبة ومهيّأة خصيصًا لإجراء مداولات داخلية مطوّلة قبل إنتاج الاستجابة. ومن أمثلتها سلسلة OpenAI ‏o1/o3/o4 وClaude من Anthropic مع تفعيل التفكير المطوّل.

وعلى خلاف النماذج القياسية التي تولّد النص رمزًا مميزًا تلو الآخر مباشرةً من محفزك، تنتج نماذج الاستدلال أولًا سلسلة طويلة من الأفكار الداخلية، ثم تلخصها في إجابة نهائية.

القياسي مقابل الاستدلالي: ما تراه

من منظور مستخدم API، يتمثل الفرق في ما يلي:

  • النموذج القياسي: إدخال → إخراج (سريع ومباشر)
  • نموذج الاستدلال: إدخال → [تفكير داخلي، مخفي أو متدفق] → إخراج (أبطأ وأكثر دقة في المسائل الصعبة)

عملية التفكير هي مساحة العمل الخاصة بالنموذج. وقد تحتوي على مسارات خاطئة وتصحيحات ذاتية وحسابات وسيطة لا تظهر أبدًا في الإجابة النهائية.

سلسلة OpenAI ‏o-Series: سلوك API

تتعامل نماذج OpenAI ‏o1/o3/o4 مع التفكير داخليًا — ولا ترى رموز التفكير المميزة افتراضيًا. ويمكنك ملاحظة عدد رموز التفكير في البيانات الوصفية للاستخدام، لكن لا يمكنك رؤية محتواها.

import openai

client = openai.OpenAI(api_key='sk-...')

# o3 — reasoning happens internally
response = client.chat.completions.create(
    model='o3',
    messages=[
        {'role': 'user', 'content': 'Solve: A train leaves Chicago at 9am going 60mph. Another leaves NYC at 10am going 80mph. If the distance is 790 miles, when do they meet?'}
    ],
    # reasoning_effort='high'  # Optional: 'low', 'medium', 'high'
)

print(response.choices[0].message.content)
# Check how many tokens were used for thinking:
print('Input tokens:', response.usage.prompt_tokens)
print('Output tokens:', response.usage.completion_tokens)

التفكير المطوّل في Claude: سلوك API

تكشف Claude من Anthropic رموز التفكير المطوّل عبر API. ويمكنك بث عملية استدلال النموذج ومشاهدتها في الوقت الفعلي. ويظهر محتوى التفكير قبل الاستجابة النهائية.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-...')

# Enable extended thinking
response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=16000,
    thinking={
        'type': 'enabled',
        'budget_tokens': 10000  # Max tokens for thinking
    },
    messages=[{
        'role': 'user',
        'content': 'What is the 100th prime number?'
    }]
)

# Response contains both thinking blocks and text blocks
for block in response.content:
    if block.type == 'thinking':
        print('THINKING:', block.thinking[:200], '...')
    elif block.type == 'text':
        print('ANSWER:', block.text)

بث رموز التفكير

يمكنك بث التفكير المطوّل في الوقت الفعلي، ورؤية استدلال النموذج أثناء تبلوره. ويفيد ذلك في تجربة المستخدم — مثل عرض حركة «جارٍ التفكير» أو إتاحة مراقبة عملية الاستدلال للمستخدمين المتقدمين.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-...')

def stream_with_thinking(question):
    with client.messages.stream(
        model='claude-opus-4-5',
        max_tokens=16000,
        thinking={'type': 'enabled', 'budget_tokens': 8000},
        messages=[{'role': 'user', 'content': question}]
    ) as stream:
        current_block_type = None
        for event in stream:
            # Track which block type we're in
            if hasattr(event, 'type'):
                if 'thinking' in str(event.type):
                    current_block_type = 'thinking'
                elif 'text' in str(event.type):
                    current_block_type = 'text'
            # Print text delta
            if hasattr(event, 'delta') and hasattr(event.delta, 'text'):
                prefix = '[THINK] ' if current_block_type == 'thinking' else '[ANS] '
                print(prefix + event.delta.text, end='', flush=True)

stream_with_thinking('Explain why P != NP is unproven.')

ما يحدث داخليًا: مساحة العمل

يُعد التفكير الداخلي للنموذج مساحة عمل يمكنه فيها:

  • استكشاف أساليب متعددة قبل اختيار أحدها
  • إجراء الحسابات والتحقق منها
  • اكتشاف أخطائه والتراجع عنها
  • مراعاة الحالات الطرفية
  • تخطيط حلول متعددة الخطوات

وتفسر هذه المداولات الداخلية سبب تفوق نماذج الاستدلال كثيرًا على النماذج القياسية في الرياضيات الصعبة والبرمجة والتخطيط الاستراتيجي — فهي تجري عمليًا مراجعة للأدبيات قبل الكتابة.

budget_tokens: التحكم في عمق التفكير

يتحكّم budget_tokens (Claude) أو reasoning_effort (OpenAI) في مقدار التفكير الذي ينفّذه النموذج. تفكير أكبر = دقة أعلى في المسائل الصعبة، ولكن بتكلفة وزمن استجابة أكبر.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-...')

def ask_with_budget(question, budget):
    r = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=budget + 2048,  # must exceed budget_tokens
        thinking={'type': 'enabled', 'budget_tokens': budget},
        messages=[{'role': 'user', 'content': question}]
    )
    thinking_tokens = sum(
        len(b.thinking.split()) * 1.3  # rough estimate
        for b in r.content if b.type == 'thinking'
    )
    answer = next(b.text for b in r.content if b.type == 'text')
    return answer, int(thinking_tokens)

# Same hard question with different budgets
q = 'Prove that the square root of 2 is irrational.'
ans_small, tok_small = ask_with_budget(q, 1024)
ans_large, tok_large = ask_with_budget(q, 8000)
print(f'Small budget ({tok_small} thinking tokens): {ans_small[:100]}')
print(f'Large budget ({tok_large} thinking tokens): {ans_large[:100]}')

درجة الحرارة ونماذج الاستدلال

تتفاعل نماذج الاستدلال بشكل مختلف مع إعدادات درجة الحرارة:

  • بالنسبة إلى OpenAI o-series: تكون درجة الحرارة افتراضيًا 1، ولا يمكن تغييرها دائمًا
  • بالنسبة إلى Claude extended thinking: تُضبط درجة الحرارة عادةً على 1 أثناء التفكير

لا تحاول استخدام درجة الحرارة للتحكّم في سلوك نماذج الاستدلال — استخدم budget_tokens أو reasoning_effort بدلًا من ذلك.

import anthropic

client = anthropic.Anthropic(api_key='sk-ant-...')

# For Claude with extended thinking, temperature=1 is the default
# and best practice
response = client.messages.create(
    model='claude-opus-4-5',
    max_tokens=10000,
    temperature=1,  # Required to be 1 when extended thinking is enabled
    thinking={
        'type': 'enabled',
        'budget_tokens': 5000
    },
    messages=[{
        'role': 'user',
        'content': 'Write a Python function to find all prime numbers up to N.'
    }]
)
print(response.content[-1].text[:300])

معايير قياس الأداء: أين يتفوّق الاستدلال

تتفوّق نماذج الاستدلال على النماذج القياسية بأكبر قدر في:

  • رياضيات المسابقات: AIME وAMC (يقترب o3 من مستوى الخبير البشري)
  • البرمجة المعقدة: البرمجة التنافسية (Codeforces)
  • الاستدلال العلمي: GPQA (علوم على مستوى الدراسات العليا)
  • المنطق متعدد الخطوات: المسائل التي تتطلب استنتاجًا متسلسلًا

في المهام البسيطة، مثل القواعد والتلخيص والأسئلة والأجوبة الواقعية، تؤدي النماذج القياسية بالمستوى نفسه وبتكلفة أقل بمقدار 10 إلى 100 مرة.

واقع زمن الاستجابة

نماذج الاستدلال بطيئة. قد تستغرق المسألة الصعبة، مع بذل جهد استدلال كبير، من 30 إلى 60 ثانية. خطّط لتجربة المستخدم وفقًا لذلك:

  • اعرض مؤشرات تقدّم مثل «جارٍ التفكير...»
  • استخدم البث لعرض النتائج الجزئية فور توفّرها
  • لا تستخدم نماذج الاستدلال في المحادثات الفورية التي يكون فيها زمن الاستجابة مهمًا
  • احسب مسبقًا مخرجات نموذج الاستدلال للأسئلة الصعبة المعروفة
import time
import anthropic

client = anthropic.Anthropic(api_key='sk-ant-...')

def timed_reasoning_call(question, budget):
    start = time.time()
    response = client.messages.create(
        model='claude-opus-4-5',
        max_tokens=budget + 2000,
        thinking={'type': 'enabled', 'budget_tokens': budget},
        messages=[{'role': 'user', 'content': question}]
    )
    elapsed = time.time() - start
    answer = next(b.text for b in response.content if b.type == 'text')
    print(f'Latency: {elapsed:.1f}s | Answer: {answer[:100]}')
    return answer

# Hard problem — expect 20-45 seconds
timed_reasoning_call(
    'Design a database schema for a multi-tenant SaaS billing system.',
    budget=8000
)

نماذج الاستدلال وموجّهات النظام

تستجيب نماذج الاستدلال لموجّهات النظام بطريقة مختلفة عن النماذج القياسية. ولأنها تفكّر بتأنٍّ داخليًا قبل الإجابة، فإنها تستطيع اتباع التعليمات المعقدة متعددة الخطوات في موجّهات النظام بموثوقية أكبر.

ومع ذلك، قد تتعارض موجّهات النظام الطويلة جدًا والمقيّدة بشدة مع الاستدلال الداخلي. أفضل ممارسة هي إبقاء موجّهات النظام موجزة عند استخدام نماذج الاستدلال — حدّد الدور وتنسيق المخرجات، ثم دع الاستدلال الداخلي للنموذج يتولى الاستراتيجية.

اختبار المعرفة: تفكير نموذج الاستدلال

ما الفرق الأساسي بين ما يقدّمه كاتب الموجّه وما يحدث داخليًا في نموذج الاستدلال؟

مراجعة: كيف تختلف نماذج الاستدلال

تُجري نماذج الاستدلال مثل o1/o3 وClaude with extended thinking سلسلة تفكير داخلية قبل الاستجابة. يقدّم كاتب الموجّه مسألة، ثم يفكّر النموذج بتأنٍّ داخليًا، مستكشفًا الأساليب المختلفة ومصحّحًا أخطاءه، قبل أن ينتج الإجابة النهائية. يمكنك التحكّم في عمق التفكير باستخدام budget_tokens (Claude) أو reasoning_effort (OpenAI). تتفوّق نماذج الاستدلال في الرياضيات المعقدة والبرمجة والمنطق متعدد الخطوات، لكنها أعلى تكلفة بمقدار 10 إلى 100 مرة وأبطأ بالمقدار نفسه من النماذج القياسية. استخدم البث ومؤشرات التقدّم لإدارة زمن الاستجابة في تجربة المستخدم.

الأسئلة الشائعة

هل درس «كيف تختلف نماذج الاستدلال؟» مجاني؟

نعم — نص درس «كيف تختلف نماذج الاستدلال؟» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Prompt Engineering، انتقل إلى CoddyKit PRO. تتضمن دورة AI Prompt Engineering 4 دروس في المجموع.

ماذا ستتعلم في «كيف تختلف نماذج الاستدلال؟»؟

سلسلة التفكير الداخلية مقابل النماذج القياسية: ما الذي يتغير لكاتب المطالبة تتمرن على AI Prompt Engineering مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ AI Prompt Engineering؟

لا تُشترط خبرة سابقة. AI Prompt Engineering على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.

كم من الوقت يستغرق درس «كيف تختلف نماذج الاستدلال؟»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس AI Prompt Engineering هذا؟

نعم. كل درس في AI Prompt Engineering يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

  1. كيف تختلف نماذج الاستدلال؟
  2. مطالبات فعّالة للتفكير الممتد
  3. متى تستخدمون نماذج الاستدلال والنماذج القياسية؟
  4. المفاضلة بين التكلفة وزمن الاستجابة
← العودة إلى AI Prompt Engineering