سيتيك للأوراق المالية: من المتوقع أن يستمر نموذج DeepSeek الجيل التالي في اتباع نهج النماذج المفتوحة المصدر ذات القيمة العالية

أشار تقرير بحثي صادر عن شركة CITIC Securities إلى أنه منذ عام 2026، يركز مُطورو نماذج اللغة الكبيرة المحلية على ترقية قدرات الـAgent وقدرات البرمجة، ويتنافسون على إصدار نماذج جديدة. ونعتقد أن نموذج DeepSeek الجديد من الجيل التالي الذي يُتوقع إطلاقه قريبًا قد يستمر في نهج النماذج مفتوحة المصدر عالية الأداء والتكلفة، وأنه سيتحقق قدرات أقوى للذاكرة ومعالجة سياقات فائقة الطول، مع تحسين قدرات البرمجة والـAgent وفي الوقت نفسه تعويض أوجه القصور في القدرات متعددة الوسائط، ما يتيح فرصًا استثمارية جديدة في اتجاهات الشركة المُصنِّعة للنموذج وتطبيقات الذكاء الاصطناعي وبنية تحتية للذكاء الاصطناعي.

1）الشركة المُصنِّعة للنماذج: يُتوقع أن يعمل نموذج DeepSeek الجديد من الجيل التالي جنبًا إلى جنب مع نماذج محلية صينية أخرى، بما يؤدي إلى دفع تسارع تطور الذكاء الاصطناعي في الصين نحو العالم، وفي الوقت نفسه، يدفع التدريب خطوات إضافية لخفض التكاليف؛ فالـtokens الأرخص تُسهم في زيادة إجمالي حجم استدعاءات واجهات برمجة التطبيقات الخاصة بالنماذج الكبيرة عالميًا. 2）تطبيقات الذكاء الاصطناعي: إن إتاحة الوصول المتكافئ للنماذج تساعد على تخفيف القلق في السوق الناجم عن سردية التناقض بين النماذج والتطبيقات، وتدعم تطبيق Agents الخاصة بالذكاء الاصطناعي في مختلف القطاعات، بما يفيد شركات تطبيقات الذكاء الاصطناعي التي تمتلك مزايا وحواجز؛ 3）بنية تحتية للذكاء الاصطناعي: إن خفض التكاليف يؤدي إلى نمو حجم الاستخدام، ما يجعل AI Infra يستفيد، وتسير بنية AI Infra المحلية ونماذج اللغة المحلية في الاتجاه نفسه.

النص الكامل كما يلي

الكمبيوتر｜DeepSeek: نظرة على الجيل التالي من النماذج

منذ عام 2026، يركز مُطورو نماذج اللغة الكبيرة المحلية على ترقية قدرات الـAgent وقدرات البرمجة، ويتنافسون على إصدار نماذج جديدة. ونعتقد أن نموذج DeepSeek الجديد من الجيل التالي الذي يُتوقع إطلاقه قريبًا قد يستمر في نهج النماذج مفتوحة المصدر عالية الأداء والتكلفة، وأنه سيتحقق قدرات أقوى للذاكرة ومعالجة سياقات فائقة الطول، مع تحسين قدرات البرمجة والـAgent وفي الوقت نفسه تعويض أوجه القصور في القدرات متعددة الوسائط، ما يتيح فرصًا استثمارية جديدة في اتجاهات الشركة المُصنِّعة للنموذج وتطبيقات الذكاء الاصطناعي وبنية تحتية للذكاء الاصطناعي.

▍ البرمجة والـAgent والوسائط المتعددة الأصلية: اتجاه ترقية النماذج الكبيرة عالميًا.

在 مجال البرمجة بالذكاء الاصطناعي، أدى ترقية أطر التدريب إلى الاعتماد على المستودعات الكاملة للشفرة ومراحل الهندسة كسجلات تدريبية، وإدخال سلاسل تفكير أعمق تتضمن تنفيذًا متعدد الخطوات وإصلاحًا ذاتيًا، ما أدى إلى انتقال AI Coding من مجرد أدوات إكمال الشفرة إلى وكلاء أذكياء مستقلين على مستوى المشاريع. ويُتوقع أن يساهم Harness Engineer في تحول اختصاصيي التكنولوجيا من مهندسي الشفرة إلى مديري الـAgent الذين يتيحون للذكاء الاصطناعي تحقيق أقصى فعالية. وفي مجال مجموعات الـMulti-Agent، تُظهر المنتجات على مستوى “الظاهرة” مثل OpenClaw بشكل كافٍ إمكانات أنظمة الـMulti-Agent؛ كما أطلقت شركات محلية مثل Zhipu وMiniMax وTencent وKimi وغيرها منتجات على نمط “مثل سرطان البحر”؛ إذ تُحرر إنتاجية الموظفين الرقميين. وفي مجال الوسائط المتعددة الأصلية، أصبحت بنية الوسائط المتعددة الأصلية اتجاهًا سائدًا، مع اختراق سريع للترميز الهجين المضمَّن؛ ومع ذلك، لا يزال يتعين إحراز اختراقات في النماذج المحلية على المراحل الرئيسية مثل التفاعل مع الصوت والفيديو في الوقت الحقيقي والاستدلال المتتابع عبر الأنماط المتعددة.

▍ نماذج اللغة الكبيرة المحلية: تكرار تحديثات كثيف وترقية مستمرة تتجاوز قدرات.

1）MiniMax: تمت ترقية قدرات البرمجة بشكل أكبر، حيث سجل اختبار M2.7 SWE-Pro 56.22%؛ متجاوزًا Gemini 3.1 Pro. وفي اختبار سيناريو تسليم المشاريع الكاملة من طرف إلى طرف VIBE-Pro، سجل 55.6%؛ ما يعادل Claude Opus 4.6؛ وقد عزز ذلك فهم منطق تشغيل أنظمة البرمجيات بشكل إضافي. وفي الوقت نفسه شاركت نماذج سلسلة M2 في عمليات تدريب مثل RL، بما يتيح أن تكون عملية تدريب M2.7 قد شملت إجراء التكرار الذاتي للنموذج.

2）Zhipu: قدم GLM-5 DSA وأدخلت الشركة معماريتها الخاصة “Slime”، ما يتيح إكمال التخطيط والتنفيذ طويل المدى للـAgent بشكل مستقل عبر تدخل بشري محدود للغاية، إلى جانب مهام هندسية لنظام مثل إعادة بناء الواجهة الخلفية والتصحيح العميق. وتقارب قدرات استدعاء الأدوات وتنفيذ المهام متعددة الخطوات (MCP-Atlas 67.8%)، والبحث المتصل بالشبكة وفهم المعلومات (Browse Comp 89.7%) مستويات وحتى تتجاوز مستويات النماذج الرائدة في الخارج.

3）Kimi: أدخلت Kimi 2.5 قدرات بصرية لتفكيك منطق التفاعل تلقائيًا، وإعادة إنتاج الشفرة، كما أطلقت وضعًا جديدًا لمجموعات الـAgent؛ وفي مجموع اختبارات تطبيقات الوكلاء الذكية مثل HLE-Full وBrowseComp وDeepSearchQA، حصلت على درجات تعادل أو تقارب GPT-5.2 وClaude 4.5 Opus وGemini 3 Pro. واعتمد Moonshoot استراتيجية لخفض السعر، حيث انخفض سعر API بأكثر من 30% مقارنة بتسعير K2 Turbo.

4）Xiaomi: يقترب Xiaomi MiMo-V2-Pro في مجموع اختبارات قياس قدرات استدعاء الـAgent الخاصة بالنماذج، مثل ClawEval وt2-bench، من الصدارة أو يتجاوز بعض النماذج الرائدة الخارجية؛ كما تم إطلاق إصداراته الداخلية الاختبارية المبكرة تحت الاسم المستعار Hunter Alpha عبر OpenRouter، وخلال فترة الإطلاق تصدرت لعدة أيام قائمة الاستخدام اليومية لعمليات الاستدعاء. وننظر بإيجابية إلى أن قاعدة النماذج الكبيرة ستُمكّن Xiaomi من دعم كامل منظومة “الأشخاص-السيارات-البيت” (people، cars، home)، مما يتيح قفزة في قدرات الذكاء الاصطناعي.

▍ توقعات DeepSeek: استمرار مسار عالي الأداء والتكلفة، وتحسين قدرات النصوص الطويلة والشفرة والـAgent والوسائط متعددة.

اعتمدت DeepSeek في DeepSeek V3.2 التي أطلقتها في يناير من عام 2026 بنية من نوع الانتباه المتناثر (DSA) + الخبراء المختلطين (MoE)، لتحقيق زيادة في كفاءة التدريب والاستدلال وخفض التكاليف؛ إذ انخفضت أسعار تسعير tokens لكل من الإدخال/الإخراج بنسبة 60%/75% على التوالي، كما ارتفعت بشكل ملحوظ درجات Benchmark لقدرات الشفرة والـMulti-Agent. وبالاستناد إلى اتجاه تطور نماذج DeepSeek وأوراق بحثية لوحدة Engram شارك في توقيعها Liang Wenfeng، نعتقد أن نماذج الجيل التالي مثل DeepSeek V4.0 قد تدمج Engram داخل بنية DSA + MoE الناضجة بالفعل؛ وذلك عبر التخزين الطبقي للمعلومات الأساسية والمستخدمة بشكل شائع لتحقيق انخفاض أسي في حجم حساب طبقة الانتباه داخل بنية Transformer، ومن ثم تحقيق معالجة سياقات فائقة الطول؛ وفي الوقت ذاته تحسين كفاءة النموذج وصقل قدرات البرمجة والـAgent، وتعويض أوجه القصور في القدرات متعددة الوسائط.

▍ عوامل المخاطر:

تطور التقنيات الأساسية للذكاء الاصطناعي وتوسع التطبيقات لا يرقى إلى التوقعات، وخفض التكاليف في الحوسبة لا يرقى إلى التوقعات، واستخدام الذكاء الاصطناعي بشكل غير لائق يسبب تأثيرًا اجتماعيًا خطيرًا، ومخاطر أمن البيانات، ومخاطر أمن المعلومات، وتصاعد حدة المنافسة في الصناعة.

▍ استراتيجية الاستثمار: نوصي بالتركيز على الخطوط الثلاثة التالية للاستثمار.

1）الشركة المُصنِّعة للنماذج: يُتوقع أن يعمل نموذج DeepSeek الجديد من الجيل التالي جنبًا إلى جنب مع نماذج محلية صينية أخرى، بما يؤدي إلى دفع تسارع تطور الذكاء الاصطناعي في الصين نحو العالم، وفي الوقت نفسه، يدفع التدريب خطوة إضافية لخفض التكاليف؛ فـtokens الأرخص تُسهم في زيادة إجمالي حجم استدعاءات واجهات برمجة التطبيقات الخاصة بالنماذج الكبيرة عالميًا.

2）تطبيقات الذكاء الاصطناعي: إن إتاحة الوصول المتكافئ للنماذج تساعد على تخفيف القلق في السوق الناجم عن سردية التناقض بين النماذج والتطبيقات، وتدعم تطبيق Agents الخاصة بالذكاء الاصطناعي في مختلف القطاعات، بما يفيد شركات تطبيقات الذكاء الاصطناعي التي تمتلك مزايا وحواجز؛

3）بنية تحتية للذكاء الاصطناعي: إن خفض التكاليف يؤدي إلى نمو حجم الاستخدام، ما يجعل AI Infra يستفيد، وتسير بنية AI Infra المحلية ونماذج اللغة المحلية في الاتجاه نفسه.

（المصدر: Caixin Finance）