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

تشير أبحاث شركة سي آي تي آي سيكيورتيز إلى أنه منذ عام 2026، تركز شركات نماذج اللغات الكبيرة المحلية على ترقية قدرات الـAgent وقدرات الشيفرة، حيث تتنافس على إصدار نماذج جديدة. ويُتوقع أن يستمر النموذج الجديد من الجيل التالي لـDeepSeek، والذي يوشك على الإطلاق، في مسار نماذج المصدر المفتوح عالية-الفعالية من حيث التكلفة، وأن يحقق من حيث القدرات وظائف ذاكرة أقوى ومعالجة سياق طويل للغاية، وبالتوازي مع تحسين قدرات الشيفرة وAgent، يستكمل كذلك أوجه القصور في تعدد الوسائط، ما يجلب فرص استثمار جديدة في اتجاهات مثل مُصنّع النموذج الأصلي وتطبيقات الذكاء الاصطناعي والبنية التحتية للذكاء الاصطناعي.

1、مُصنّع النموذج الأصلي：يُتوقع أن يتعاون الجيل الجديد من نماذج DeepSeek مع نماذج محلية أخرى، بما يدفع ذكاء الصين الاصطناعي للتسريع نحو العالم، وفي الوقت نفسه، يدفع تدريب النموذج خطوة أخرى لتخفيض التكلفة، حيث إن tokens أرخص تدفع إجمالي عدد مكالمات واجهة برمجة التطبيقات (API) الخاصة بالنماذج الكبيرة عالميًا إلى الزيادة.2、تطبيقات الذكاء الاصطناعي：يساعد تمكين المساواة بين النماذج في تخفيف القلق في السوق الناجم عن سردية التناقض بين النموذج والتطبيق، ويدعم نشر AI Agent في مختلف الصناعات، ويفيد شركات تطبيقات الذكاء الاصطناعي ذات الحواجز؛3、البنية التحتية للذكاء الاصطناعي：يؤدي خفض التكلفة إلى زيادة الاستخدام، ما يجعل AI Infra يستفيد، وتسير البنية التحتية للذكاء الاصطناعي المحلية والـنماذج المحلية في اتجاهين متقابلين.

النص الكامل كما يلي

الكمبيوتر｜DeepSeek：توقعات الجيل التالي من النماذج

منذ عام 2026، تركز شركات نماذج اللغات الكبيرة المحلية على ترقية قدرات الـAgent وقدرات الشيفرة، حيث تتنافس على إصدار نماذج جديدة. ونرى أن النموذج الجديد من الجيل التالي لـDeepSeek، والذي يوشك على الإطلاق، يُتوقع أن يستمر في مسار نماذج المصدر المفتوح عالية-الفعالية من حيث التكلفة؛ ومن حيث القدرات يحقق وظائف ذاكرة أقوى ومعالجة سياق طويل للغاية، ويُحسن قدرات الشيفرة وAgent، وفي الوقت نفسه يعالج أوجه الضعف في تعدد الوسائط، ما يوفر فرص استثمار جديدة في اتجاهات مثل مُصنّع النموذج الأصلي وتطبيقات الذكاء الاصطناعي والبنية التحتية للذكاء الاصطناعي.

▍ الشيفرة وAgent وتعدد الوسائط الأصلي：اتجاه ترقية النماذج الكبيرة عالميًا.

في مجال البرمجة بالذكاء الاصطناعي، أدت ترقية أطر التدريب، واعتماد المستودعات الكاملة للشفرة وقواعد بيانات المسار الهندسي كبيانات تدريب، وإدخال سلاسل تفكير أعمق مع تنفيذ متعدد الخطوات وإصلاح ذاتي، إلى دفع AI Coding من أدوات إكمال الشفرة إلى وكلاء أذكياء مستقلين على مستوى المشروع. ومن المتوقع أن يدفع Harness Engineer العاملين في المجال التقني من كونهم مهندسي شفرة إلى كونهم مديرين للـAgent بحيث يحقق الذكاء الاصطناعي أقصى فعالية. وفي مجال تجمعات Multi-Agent، يعرض المنتج من فئة الظاهرة OpenClaw بشكل كافٍ إمكانات نظام متعدد الـAgent؛ إذ أطلقت شركات محلية مثل Zhipu وMiniMax وTencent وKimi منتجات “على غرار الروبيان”. وفي مجال تعدد الوسائط الأصلي، أصبحت بنية تعدد الوسائط الأصلي اتجاهاً سائداً؛ وقد حقق الترميز التضميني الهجين (mixed embedding) اختراقاً سريعاً، بينما لا تزال النماذج المحلية بحاجة إلى اختراقات في حلقات رئيسية مثل التفاعل في الوقت الحقيقي للفيديو/الصوت والاستدلال المتصل عبر الأنماط المتعددة.

▍ نماذج لغوية كبيرة محلية：تكرارات وترقيات كثيفة، وتقدم مستمر في القدرات.

1）MiniMax：تمت ترقية قدرات الشيفرة أكثر؛ سجل اختبار M2.7 SWE-Pro 56.22%، متجاوزاً Gemini 3.1 Pro؛ وفي سيناريو اختبار VIBE-Pro للتسليم الكامل للمشروعات من طرف إلى طرف، سجل 55.6%، وهو ما يقترب من Claude Opus 4.6، مما يعزز كذلك فهم منطق تشغيل أنظمة البرمجيات. وفي الوقت نفسه، شاركت نماذج سلسلة M2 في تدريب M2.7 في سيناريوهات مثل RL، مما يتيح للنموذج القيام بتكرار ذاتي.

2）Zhipu：قدّم GLM-5 DSA وأدخل بنية “Slime” طوّرتها داخلياً؛ ويمكنه، بتدخل يدوي محدود للغاية، إنجاز مهام هندسة النظام مثل التخطيط والتنفيذ طويل المدى للـAgentic، وإعادة بناء الخلفية والتصحيح العميق بشكل مستقل. وفي قدرات استدعاء الأدوات وتنفيذ المهام متعددة الخطوات (MCP-Atlas 67.8%)، والبحث المتصل بالشبكة وفهم المعلومات (Browse Comp 89.7%)، تكون النتائج قريبة بل وتتجاوز مستوى النماذج الرائدة في الخارج.

3）Kimi：قدّم Kimi 2.5 قدرات الرؤية التي تقوم تلقائياً بتفكيك منطق التفاعل وإعادة إنتاج الشيفرة، وطرح نمط مجموعة وكلاء (Agent cluster) جديد. وقد حصلت نماذج الوكلاء في مجموعات اختبارات تطبيقات مثل HLE-Full وBrowseComp وDeepSearchQA على درجات قابلة للمقارنة مع GPT-5.2 وClaude 4.5 Opus وGemini 3 Pro. ويتبع Moonshoot استراتيجية تخفيض الأسعار؛ إذ انخفض سعر الـAPI مقارنة بتسعير K2 Turbo بأكثر من 30%.

4）Xiaomi：أصبح Xiaomi MiMo-V2-Pro قريباً بل ومتقدماً على بعض النماذج الرائدة الخارجية في مجموعات الاختبارات التي تقيس قدرات استدعاء وكلاء النموذج مثل ClawEval وt2-bench. وتم إطلاق نسخة اختبار داخلية مبكرة تحمل الاسم المستعار Hunter Alpha على OpenRouter؛ وخلال فترة الإطلاق، ظل لعدة أيام في صدارة جدول الاستخدام اليومي للمكالمات. ونرى أن قاعدة النماذج الكبيرة ستُمكّن Xiaomi من تعزيز النظام البيئي بالكامل الخاص بسيارة ومنزل الشركة، وتحقيق قفزة في قدرات الذكاء الاصطناعي.

▍ توقعات DeepSeek：الاستمرار في مسار عالي-التكلفة مقابل العائد، وتحسين قدرات النصوص الطويلة والشيفرة وAgent وتعدد الوسائط.

اعتمد DeepSeek في DeepSeek V3.2 الصادر في يناير من عام 2026 بنية الجمع بين الانتباه المتفرق (DSA) وخبراء مختلطين (MoE)، محققاً تحسيناً في كفاءة التدريب والاستدلال وخفضاً للتكاليف؛ وانخفض تسعير رموز الإدخال/الإخراج بمقدار 60%/75% على التوالي. وفي الوقت نفسه، شهدت درجات BenchMark للقدرات المتعلقة بالشيفرة وMulti-Agent تحسناً ملحوظاً. وبالاستناد إلى اتجاهات تطور نماذج DeepSeek وإلى ورقة Engram التي شارك في التوقيع عليها Liang Wenfeng، نعتقد أن نماذج الجيل الجديد مثل DeepSeek V4.0 قد تدمج Engram في بنية DSA+MoE الناضجة بالفعل؛ وذلك عبر تخزين طبقي للمعلومات الأساسية الأكثر استخداماً لإحداث هبوط أسي في حجم حساب طبقات الانتباه داخل بنية Transformer. وبذلك، يتم تحقيق معالجة سياق طويل للغاية، وفي الوقت نفسه تحسين كفاءة النموذج وتقوية قدرات الشيفرة وAgent، واستكمال نقاط الضعف في تعدد الوسائط.

▍ عوامل المخاطر：

تطور التقنيات الأساسية للذكاء الاصطناعي وتوسيع التطبيقات لا يبلغان التوقعات، وخفض تكلفة الحوسبة لا يبلغه التوقعات، واستخدام الذكاء الاصطناعي بطريقة غير مناسبة مما يسبب تأثيراً اجتماعياً خطيراً، ومخاطر أمن البيانات، ومخاطر أمن المعلومات، وتزايد حدة المنافسة في القطاع.

▍ استراتيجية الاستثمار：نقترح التركيز على ثلاثة محاور استثمارية رئيسية التالية.

1）مُصنّع النموذج الأصلي：يُتوقع أن يتعاون الجيل الجديد من نماذج DeepSeek مع نماذج محلية أخرى، بما يدفع ذكاء الصين الاصطناعي للتسريع نحو العالم، وفي الوقت نفسه، يدفع تدريب النموذج خطوة أخرى لتخفيض التكلفة، حيث إن tokens أرخص تدفع إجمالي عدد مكالمات واجهة برمجة التطبيقات (API) الخاصة بالنماذج الكبيرة عالميًا إلى الزيادة.

2）تطبيقات الذكاء الاصطناعي：يساعد تمكين المساواة بين النماذج في تخفيف القلق في السوق الناجم عن سردية التناقض بين النموذج والتطبيق، ويدعم نشر AI Agent في مختلف الصناعات، ويفيد شركات تطبيقات الذكاء الاصطناعي ذات الحواجز؛

3）البنية التحتية للذكاء الاصطناعي：يؤدي خفض التكلفة إلى زيادة الاستخدام، ما يجعل AI Infra يستفيد، وتسير البنية التحتية للذكاء الاصطناعي المحلية والـنماذج المحلية في اتجاهين متقابلين.

（المصدر：الأولى للتمويل）