Qingcheng.ai في WAIC 2026 يبني "شبكة فائقة" للرموز، ويدعي خفض تكاليف نشر DeepSeek بنسبة 75%

مقدمة

في معرض WAIC 2026، ملأت شركات النماذج أجنحة العرض بأعداد المعاملات، بينما عرض مقدمو البنى التحتية مجموعات حوسبة متزايدة الضخامة. ومع ذلك، لم يكن محور جناح تشينغتشنغ إنتليجنس نموذجًا واحدًا أو خادمًا معينًا.

بل كان مخططًا شاملاً يوضح كيفية إنتاج الرموز وتوجيهها وتوزيعها وقياسها وإدارتها طوال دورة حياة وكيل الذكاء الاصطناعي بالكامل.

أطلقت تشينغتشنغ إنتليجنس على هذا النموذج اسم "المتجر الأمامي والمصنع الخلفي" للرموز. يدمج هذا الإطار ثلاثة مستويات:

1. طبقة إنتاج الرموز الخلفية
2. طبقة التوجيه والخدمات الوسطى
3. طبقة تطبيقات الوكلاء والإدارة

تصف الشركة بنيتها التحتية بأنها نظام كهرباء لعصر الذكاء الاصطناعي. تعمل أجهزة الحوسبة وبرامج الاستدلال كمحطات توليد كهرباء، ويلعب AI Ping دور شبكة الكهرباء، بينما تكون أدوات الوكلاء هي الأجهزة المستهلكة للطاقة.

عرض جناح تشينغتشنغ إنتليجنس سير العمل الكامل لإنتاج الرموز وتوجيهها وإدارتها.

وفقًا للتقرير الأصلي، صُمم هذا النظام لحل ثلاث مشكلات متكررة: عدم استقرار واجهات برمجة تطبيقات النماذج، وانخفاض معدل استخدام المسرعات المحلية غير المتجانسة، وغياب محاسبة واضحة للرموز في عمليات نشر الوكلاء واسعة النطاق.

اختناقات الرموز قبل تطبيقات الوكلاء واسعة النطاق

مع انتقال وكلاء الذكاء الاصطناعي من مرحلة العرض التوضيحي إلى بيئات الإنتاج، قد يؤدي طلب مستخدم واحد إلى استدعاءات متعددة للنماذج.

قد يحتاج الوكيل إلى استرداد ملفات، والبحث في قواعد البيانات، واستدعاء أدوات، وتوليد أكواد، وتقييم النتائج، ومراجعة الخطط، ثم استدعاء وكيل آخر. ما يراه المستخدم هو مجرد الخطوة النهائية. وخلف الكواليس، قد يستهلك النظام كمية كبيرة من الرموز عبر خدمات متعددة.

حدد المقال الأصلي ثلاث مشكلات رئيسية في البنية التحتية تتفاقم مع توسع سير العمل.

عدم استقرار إمدادات الرموز

قد تتقلص سعة واجهات برمجة تطبيقات النماذج في أوقات الذروة من الطلب.

قد يستجيب نفس الطلب بسرعة في وقت ما، ويصبح بطيئًا أو غير متاح في وقت آخر. في سيناريوهات المحادثة العادية، قد يكون التأخير القصير مقبولاً، ولكن في سير عمل متعدد الخطوات يعتمد كل منها على استجابة الخطوة السابقة، قد يؤدي هذا التأخير إلى انقطاع التدفق.

لذلك، تحتاج أنظمة المؤسسات إلى أكثر من مجرد الوصول إلى نموذج واحد. إنها تحتاج إلى زمن استجابة يمكن التنبؤ به، وإنتاجية، وموثوقية، وجودة مخرجات.

صعوبة الاستفادة بكفاءة من المسرعات المحلية

قامت العديد من المؤسسات بشراء مزيج من وحدات معالجة الرسومات المحلية ووحدات معالجة الشبكات العصبية وخوادم الحوسبة الذكية. قد تكون الأجهزة متوفرة، لكن نشر النماذج الكبيرة عليها بكفاءة لا يزال صعبًا.

أُحسنت أطر الاستدلال الشائعة مثل vLLM في البداية لمنصة NVIDIA ونظام CUDA. ورغم أنها تدعم عددًا متزايدًا من الأجهزة، إلا أن تكييف كل وظيفة وتحسين مع مختلف بنى المسرعات يتطلب جهدًا هندسيًا كبيرًا.

ترى تشينغتشنغ إنتليجنس أن محركات الاستدلال الأصلية وحزم البرامج الواعية بالأجهزة يمكنها استخراج المزيد من مخرجات الرموز القابلة للاستخدام من هذه المجموعات.

صعوبة تتبع إنفاق الوكلاء

عندما تدير شركة عدة وكلاء، لا تُظهر الفاتورة الشهرية للنماذج دائمًا أي سير عمل هو الذي تسبب في التكلفة.

قد يستدعي وكيل واحد نماذج متعددة، ويستخدم عدة موردين، ويطلق وكلاء فرعيين، ويعمل لساعات متواصلة. بدون تتبع تفصيلي، قد تجد المؤسسات صعوبة في الإجابة على أسئلة أساسية:

• أي وكيل استهلك الرمز؟
• أي نموذج ومورد استدعى؟
• أي أداة أو خطوة تسببت في أكبر تكلفة؟
• هل تجاوز سير عمل معين الميزانية المتوقعة؟
• هل يمكن توجيه الطلب إلى خدمة أرخص؟

تضع تشينغتشنغ إنتليجنس بنيتها ثلاثية المستويات كبنية تحتية متكاملة تربط بين الإنتاج والتوزيع والتطبيق والفواتير.

تصف خريطة المعرض سير العمل من الحوسبة الأساسية إلى تطبيقات الوكلاء.

بنية "المتجر الأمامي والمصنع الخلفي" ثلاثية المستويات

صُممت هذه البنية حول تشبيه صناعي بسيط.

المصنع الخلفي مسؤول عن تحويل أجهزة الحوسبة إلى رموز. المتجر يجمع خدمات الرموز ويوجهها. عقد التطبيق يوزع الوكلاء ويتحكم في كيفية استهلاك الرموز.

تربط بنية تشينغتشنغ إنتليجنس بين إنتاج الرموز وتوجيه الخدمات وإدارة الوكلاء.

صُممت هذه المستويات الثلاثة للعمل معًا، وليس كمنتجات منفصلة.

المصنع الخلفي: طبقة إنتاج الرموز

المصنع الخلفي مسؤول عن تحويل موارد الحوسبة المادية إلى قدرات استدلال نموذجية موحدة.

مكوناته الرئيسية تشمل:

• شركاء الأجهزة والحوسبة
• محرك استدلال Chitu
• حزمة برامج Baguailu الذكية

تشبه تشينغتشنغ إنتليجنس هذه الطبقة بمحطة توليد الكهرباء. هدفها هو توليد أكبر عدد ممكن من الرموز المستقرة والقابلة للاستخدام من الأجهزة المتاحة مع تقليل تعقيد النشر.

Chitu: محرك استدلال موجه للإنتاج

Chitu هو إطار استدلال عالي الأداء مفتوح المصدر من تشينغتشنغ إنتليجنس.

يصفه المستودع الرسمي بأنه محرك موجه للإنتاج، يركز على الكفاءة والمرونة وسهولة الاستخدام. يدعم النشر من وحدات المعالجة المركزية والمسرعات المفردة إلى المجموعات واسعة النطاق، مع تحسين الدعم لمنصات أجهزة محلية متعددة.

يدعم المشروع أيضًا نماذج مثل DeepSeek وQwen وGLM وKimi، بالإضافة إلى واجهات HTTP القياسية المتوافقة مع OpenAI.

يُستخدم Chitu لتحسين قدرات استدلال النماذج الكبيرة على منصات الحوسبة غير المتجانسة.

ترى تشينغتشنغ إنتليجنس أن تكييف إطار مصمم حول نظام أجهزة واحد قد يكون كاستخدام أداة خاطئة. تشبيه الشركة هو: فرن مصمم لخبز الخبز يمكن تعديله لطهي المعجنات على البخار، لكن قدر بخاري متخصص قد يستخدم الحرارة المتاحة بكفاءة أكبر.

هذا المقارنة مبسطة، لكن المشكلات الهندسية وراءها حقيقية. تختلف بنى المسرعات في الذاكرة والاتصالات والعوامل والترميز العددي والتجميع وسلوك الجدولة.

يحتوي Chitu على تحسينات خاصة بالأجهزة ودعم للاستدلال بدقة منخفضة، بما في ذلك تكوينات FP4 وFP8.

ادعاء خفض تكلفة DeepSeek بنسبة 75%

يشير التقرير الأصلي إلى أن نشر نموذج DeepSeek باستخدام FP4 قلل عدد الآلات المطلوبة من أربع إلى آلة واحدة.

في هذا التكوين المحدد، يعني تقليل الآلات من أربع إلى واحدة انخفاضًا بنسبة 75% في عدد الآلات المطلوبة. يترجم المقال هذا الانخفاض إلى توفير في التكلفة بنسبة 75%.

يُعزى التقرير نشر DeepSeek من أربع آلات إلى آلة واحدة إلى تحسينات FP4.

لا ينبغي تفسير هذه النتيجة على أنها ضمان لخفض التكلفة بنسبة 75% لكل نشر لـ DeepSeek.

تعتمد الوفورات الفعلية على العوامل التالية:

• نموذج DeepSeek المختار وخطة التكميم
• نوع المسرع وسعة الذاكرة
• تكوين الخادم
• طول السياق
• حجم الدفعة ومستوى التزامن
• هدف زمن الاستجابة
• متطلبات الدقة
• إصدار البرنامج
• تكاليف الطاقة والتشغيل

Chitu مفتوح المصدر

يُشير المستودع أيضًا إلى أن نتائج الأداء قد تختلف وفقًا للعتاد والبرمجيات وحمل الاختبار.

باغوا لُو: إخفاء تعقيد البنية التحتية

باغوا لُو هي مجموعة البرمجيات التي تستخدمها Qingcheng.ai لتدريب النماذج والاستدلال والنشر والجدولة والصيانة.

تقدمها الشركة كوسيلة لتجميع أعمال البنية التحتية المعقدة في منصة مؤسسية يسهل إدارتها.

تقع باغوا لُو فوق العتاد غير المتجانس، وتوفر أدوات النشر والصيانة.

تهدف باغوا لُو إلى تقليل حجم العمل اليدوي المطلوب في المجالات التالية:

• إدارة موارد المجموعات
• نشر النماذج والتطبيقات
• التدريب الموزع
• تحسين الاستدلال
• تقييم الأداء
• تسليم التطبيقات
• المراقبة والصيانة

كما تعاونت Qingcheng.ai مع Inspur Information لإطلاق جهاز يوان ناو باغوا لُو المُتكامل المُحسّن. في اختبار مُعلن لنموذج Qwen3-32B، أفاد الشركاء بزيادة إجمالي إنتاجية الاستدلال بنسبة تصل إلى 14.45 مرة بعد تحسين Chitu، وتحسين الأداء من البداية إلى النهاية بنحو 10 مرات بعد الضبط الشامل للمكدس.

هذه البيانات مأخوذة من بيئة الاختبارات الخاصة بالشركة المتعاونة، ولا تعادل حالة DeepSeek FP4 الموصوفة في مؤتمر WAIC.

تحسين المجموعات غير المتجانسة

تهدف طبقة المصنع الخلفي إلى إدارة أنواع متعددة من المسرعات.

من بين الاستراتيجيات المذكورة في التقرير الأصلي

هو فصل أعباء عمل الملء المسبق وفك التشفير.

في مرحلة الملء المسبق، يعالج النظام المقدمة (prompt) الإدخالية ويبني ذاكرة التخزين المؤقت الداخلية للنموذج. وفي مرحلة فك التشفير، يُنتج النظام رموز (tokens) الإخراج تدريجياً. تختلف هاتان المرحلتان في خصائص الذاكرة وعرض النطاق والحوسبة.

يمكن للمجموعات غير المتجانسة تخصيص كل مرحلة للعتاد الأكثر كفاءة في معالجتها. يُشار إلى هذه الممارسة أحيانًا باسم "فصل الملء المسبق وفك التشفير".

الهدف ليس جعل جميع المسرعات متسقة في الأداء، بل تمكين العتاد المختلف من معالجة جزء عبء العمل الذي يتناسب بشكل أفضل مع نقاط قوته.

المتجر: AI Ping كمركز توجيه للرموز (Tokens)

بمجرد إنشاء الرموز، لا تزال التطبيقات بحاجة إلى طريقة مستقرة للحصول عليها.

الطبقة الوسطى هي AI Ping، وهي منصة Qingcheng.ai لتقييم خدمات النماذج وتوجيه واجهات برمجة التطبيقات (API).

تراقب AI Ping خدمات النماذج باستمرار، وتوفر واجهة موحدة فوق العديد من مقدمي الخدمات.

AI Ping تُقيّم واجهات برمجة تطبيقات النماذج وتُوجّه الطلبات بين مقدمي الخدمات.

يشير التقرير الأصلي إلى أن AI Ping تراقب ما يلي:

• أكثر من 30 مقدم خدمة
• أكثر من 600 واجهة خدمة نموذج
• زمن الاستجابة (Latency)
• الإنتاجية (Throughput)
• الموثوقية (Reliability)
• نسبة نجاح ذاكرة التخزين المؤقت (Cache Hit Rate)
• جودة الرموز
• التسعير وتوافر الخدمة

تهدف المنصة إلى تقليل حاجة المطورين لإنشاء حسابات، وإدارة تنسيقات واجهات برمجة التطبيقات المختلفة، والمقارنة اليدوية بين مقدمي الخدمات.

يمكن للمستخدمين تحديد أولويات الأهداف، مثل:

• خفض التكاليف
• تسريع زمن الاستجابة
• زيادة الموثوقية
• تحسين جودة المخرجات

في حالة عدم تحديد تفضيل، يمكن لـ AI Ping استخدام منطق التوجيه الخاص بها لاختيار خدمة متاحة.

التوجيه الديناميكي عند ازدحام الخدمة

الإرساء الثابت يُرسل كل طلب إلى نفس مقدم الخدمة حتى يغير المطور الإعدادات.

التوجيه الديناميكي يختلف. إذا أصبح أحد مقدمي الخدمة بطيئًا أو غير متاح، يمكن لطبقة التوجيه توجيه الطلبات اللاحقة إلى مقدمي خدمات آخرين ذوي أداء أفضل في الوقت الحالي.

هذا مفيد لأعباء عمل الوكلاء (Agents)، لأن انقطاعًا واحدًا قد يؤدي إلى فشل المهام الطويلة.

حلقة التغذية الراجعة المتوقعة للمنصة هي كما يلي:

1. تقيس AI Ping جودة الخدمة باستمرار.
2. تستخدم قرارات التوجيه أحدث بيانات القياس.
3. توفر حركة مرور المستخدم الحقيقية بيانات أداء إضافية.
4. البيانات الجديدة تُحسّن التقييم والتوجيه في المستقبل.

ذكرت Qingcheng.ai أن واجهة برمجة التطبيقات الموحدة تمكن الفرق الصغيرة من الوصول إلى قدرات التوجيه والمراقبة التي تتطلب عادةً فريق منصة داخلي.

أفادت الشركة بشكل منفصل عن متوسط التحسينات في التكلفة والإنتاجية وزمن الاستجابة عبر AI Ping. هذه النسب المئوية هي نتائج مُعلنة من قبل المنصة، وقد تختلف النتائج الفعلية بناءً على النموذج المختار، ومقدم الخدمة، وأنماط حركة المرور، واستراتيجية التوجيه.

عُقد التطبيق: متجر الوكلاء (Agent Store) و(ATM)

الطبقة النهائية تركز على كيفية...

توزيع رموز الوكيل وقواعد استخدامها.

يتكون النظام من مكونين رئيسيين:

• متجر الوكلاء (Agent Store)
• الصراف الآلي للوكلاء (ATM - Agent Token Manager)

متجر الوكلاء (Agent Store)

يُوضع متجر الوكلاء كطبقة توزيع وإعادة استخدام للوكلاء العامة والخاصة بالصناعة.

قيمته الأساسية تكمن في ربط مطوري الوكلاء بالمؤسسات التي تحتاج إلى سير عمل قابلة للنشر، مع تمكين هؤلاء الوكلاء من الوصول إلى بنية تحتية أوسع للرموز.

يُشبهه التقرير الأصلي بسوق للأجهزة الكهربائية متصلة بشبكة كهرباء مشتركة. في وقت إعداد هذا المستند، لا تزال الوثائق العامة حول استراتيجية تسعير متجر الوكلاء، ومعايير المراجعة، وتنسيقات النشر، والشروط التجارية محدودة للغاية.

الصراف الآلي للوكلاء (ATM)

ATM هو اختصار لـ Agent Token Manager.

أطلقته Qingcheng.ai في مؤتمر WAIC 2026 كأداة محلية لإدارة وتنظيم رموز الوكلاء للأنظمة متعددة الوكلاء.

توفر الأداة الوظائف التالية:

• إدارة موحدة لبيانات اعتماد واجهات برمجة التطبيقات (API Credentials)
• تتبع استهلاك الرموز
• محاسبة توزيع التكاليف
• التحكم في حدود الاستهلاك
• التبديل بين مقدمي الخدمات والتعافي من الأعطال
• عزل الموارد للوكلاء المتعددين
• التنبيه بشأن الاستهلاك غير الطبيعي
• مراقبة محلية / حساسة للخصوصية

تشير الوثائق الأصلية إلى أن ATM يمكنه مراقبة نشاط الوكيل من خلال آليات مثل خطافات السلوك (Behavior Hooks)، ومسح الملفات المحلية، وبوابات الخصوصية.

من الناحية العملية، يعمل ATM كـ "عداد كهرباء" لأعباء عمل الذكاء الاصطناعي. هدفه هو ربط فاتورة الرموز بالوكيل، والعملية، والنموذج، والأداة التي تسببت في هذا الاستهلاك.

هذا يرتبط ارتباطًا وثيقًا بمفهوم إدارة التكاليف السحابية (FinOps) – أي علم قياس والتحكم في الإنفاق السحابي. في أنظمة الوكلاء، يكون التحدي أكثر دقة، لأن عملية تجارية واحدة قد تحتوي على عدة طبقات متداخلة من استدعاءات النماذج.

يجب أن يتضمن سجل التكلفة الفعال للوكيل ما يلي:

1. المستخدم أو سير العمل البادئ
2. الوكيل والوكلاء الفرعيون المشاركون
3. النموذج المختار
4. عدد رموز الإدخال/الإخراج
5. الأدوات المستخدمة في المهمة
6. تسعير مقدم الخدمة
7. عدد مرات إعادة المحاولة والاستدعاءات الفاشلة
8. التكلفة الإجمالية والوقت المستغرق

تضع Qingcheng.ai ATM كطبقة FinOps موجهة نحو الرموز لهذا النوع الجديد من أعباء العمل.

لماذا تؤكد Qingcheng.ai على الحياد

يشير المقال الأصلي إلى أن الحياد هو إحدى المزايا الأساسية لـ Qingcheng.ai.

تميل شركات الحوسبة السحابية والعتاد الكبيرة بطبيعة الحال إلى تفضيل الترويج لمنصاتها أو شركائها أو استثماراتها الخاصة. لذلك، تفضل المؤسسات التي تدير مجموعات هجينة اختيار مزودي البرامج المستقلين الذين يدعمون مسرعات ومقدمي خدمات منافسين متعددين.

تدّعي Qingcheng.ai أن منصتها لا ترتبط بمزود رقاقة واحد.

هذا المفهوم يتجلى في قدرة Chitu على دعم بيئات الأجهزة المتعددة، ونموذج التوجيه متعدد المزودين لـ AI Ping.

لا يزال الحياد بحاجة إلى التحقق في الممارسة العملية. يجب على العملاء فحص العناصر التالية:

• إصدارات العتاد والبرمجيات المدعومة
• قواعد التوجيه
• الشراكات التجارية
• منهجية الاختبارات المعيارية
• سياسات الاحتفاظ بالبيانات
• خيارات اختيار المزود
• آليات التبديل والرجوع في حالة الفشل

تشكل الخلفية التقنية للشركة ميزة أخرى في موقعها.

تأسست Qingcheng.ai في ديسمبر 2023، وجاء الفريق الأساسي من معهد الحوسبة عالية الأداء، قسم علوم الكمبيوتر، جامعة تسينغهوا.

صرحت الشركة بأن الفريق كان يقوم بأعمال تقييم وتحسين الأداء لمراكز الحوسبة الفائقة والحوسبة الذكية.

تحويل القدرة الحاسوبية المحلية (الصينية) إلى خدمة رموز قابلة للتصدير

تنظر Qingcheng.ai أيضًا إلى خدمة الرموز كمسار قابل للتطبيق للقدرة الحاسوبية المحلية للوصول إلى المستخدمين في الخارج.

منطقها كالتالي: لا يحتاج المطورون إلى معرفة أي مسرع أنتج الرد. المطور يشتري واجهة برمجة تطبيقات النموذج، ويحصل على رموز.

إذا كان العتاد المحلي قادرًا على دعم نماذج تنافسية بشكل ثابت وفعال، فيمكن بيع مخرجاته عبر واجهة برمجة تطبيقات موحدة، ولن يحتاج العملاء الخارجيون إلى نشر أو فهم البنية التحتية الأساسية للعتاد.

تعتبر Qingcheng.ai خدمة الرموز كوسيلة لتوزيع القدرة الحاسوبية المحلية على نطاق عالمي.

يشير التقرير الأصلي إلى أن ذروة حركة المرور للتطوير الخارجي تقع عادةً بين الساعة 10 مساءً و8 صباحًا بتوقيت بكين.

وهذا يخلق فرصة محتملة لزيادة الاستفادة. يمكن استخدام القدرة الحاسوبية الخاملة خلال أوقات الذروة المحلية المنخفضة لخدمة مستخدمين من مناطق زمنية أخرى.

يصف المقال سير العمل التالي:

1. المٌسرّعات المحلية تولّد الرموز (Tokens) عبر Chitu.
2. يقوم AI Ping بقياس جودة الخدمة وجدولة الطلبات.
3. يوزع الشركاء الخدمة على المطورين الخارجيين.
4. يستخدم المستخدمون النموذج عبر واجهة برمجة تطبيقات قياسية.

هذا لا يلغي المتطلبات المعتادة لتقديم الخدمات الدولية. لا يزال مقدمو الخدمات بحاجة إلى معالجة زمن الوصول، والامتثال، وحوكمة البيانات، وتراخيص النماذج، والفواتير، والدعم الفني، والتوفر الإقليمي.

تمهيد الطريق لاقتصاد الوكلاء (Agent Economy)

في معارض الذكاء الاصطناعي، غالبًا ما تكون النماذج والتطبيقات هي المنتجات الأكثر بروزًا.

تحظى البنية التحتية باهتمام أقل لأن معظم عملها يحدث تحت واجهة المستخدم. وهي التي تحدد ما إذا كان النموذج يمكنه العمل بثبات، وما إذا كان الوكيل يمكنه إكمال المهام، وفي النهاية، ما إذا كانت التكلفة النهائية واضحة ومفهومة.

يربط مفهوم "المتجر الأمامي والمصنع الخلفي" الخاص بـ Qingcheng AI بين ثلاثة أسئلة:

• كيف يتم إنتاج الرموز بكفاءة؟
• كيف يتم توجيه الرموز بشكل موثوق؟
• كيف يتم استهلاك الرموز وإدارتها بواسطة الوكلاء؟

يجمع "المصنع الخلفي" بين الأجهزة وChitu وBagualu. يستخدم "المتجر الأمامي" AI Ping لتقييم وتوجيه خدمات النموذج. تستخدم عقدة التطبيق Agent Store وATM لتوزيع الوكلاء وإدارة استهلاك الرمز الخاص بهم.

تشبيه شبكة الكهرباء ليس معيارًا تقنيًا، لكنه يوفر منظورًا عمليًا للمؤسسات لفهم البنية الشاملة متعددة الطبقات.

لا تنظر هذه البنية إلى كل واجهة برمجة تطبيقات نموذج أو مجموعة مسرعات أو وكيل كمنتج منفصل، بل كمكونات مترابطة في سلسلة توريد الرموز.

الأسئلة الشائعة

ما هي بنية "المتجر الأمامي والمصنع الخلفي" للرموز في Qingcheng AI؟

هو نموذج بنية تحتية للذكاء الاصطناعي من ثلاث طبقات يغطي إنتاج الرموز، وتوجيه API، وتطبيقات الوكلاء. يستخدم "المصنع الخلفي" أجهزة الحوسبة وChitu وBagualu؛ بينما تستخدم الطبقة الوسطى AI Ping؛ وتشمل طبقة التطبيق Agent Store وATM.

ما هو محرك استدلال Chitu؟

Chitu هو إطار عمل مفتوح المصدر للاستدلال على النماذج الكبيرة، موجه لبيئات الإنتاج. وهو يدعم منصات مسرعات محلية ودولية متعددة، وأحجام نشر متنوعة، واستدلال منخفض الدقة، وواجهات خدمة HTTP متوافقة مع OpenAI.

هل خفضت Chitu تكاليف نشر DeepSeek بنسبة 75%؟

لم يتم إصدار وعد عام بتخفيض التكلفة بنسبة 75%. ينبع هذا الرقم من سيناريو نشر FP4 محدد – حيث انخفضت متطلبات الخادم من أربعة إلى خادم واحد، أي انخفاض بنسبة 75% في عدد الآلات.

هل يمكن نشر Chitu عبر Docker؟

نعم. يوفر مستودع Chitu الرسمي بالفعل ملفات Dockerfile مناسبة لبيئات أجهزة متعددة مثل Ascend وHygon وMetaX، إلى جانب وثائق التثبيت والنشر العامة.

ما هو استخدام AI Ping؟

يستخدم AI Ping لمراقبة ومقارنة خدمات API للنماذج، وتوجيه الطلبات بناءً على أهداف مثل التكلفة أو السرعة أو الموثوقية أو الجودة. يوفر واجهة API موحدة عبر مقدمي خدمات متعددين.

ما هو Agent Token Manager؟

Agent Token Manager (ATM) هو أداة إدارة الرموز من Qingcheng AI مصممة لأنظمة الوكلاء، لتتبع الاستخدام، وتوزيع التكاليف، وإدارة بيانات الاعتماد، وتعيين الحدود، وعزل أعباء العمل، وتنبيه الفرق عند الاستهلاك غير الطبيعي.

هل Bagualu محرك استدلال؟

Bagualu هو حزمة برمجيات أوسع نطاقًا، وليس مجرد محرك استدلال. وهو يغطي مجالات التدريب، ونشر الاستدلال، والجدولة، والمراقبة، وتسليم التطبيقات، وصيانة المجموعات، بينما يتولى Chitu طبقة الاستدلال الأساسي للنموذج.

هل تم التحقق من نتيجة "خفض التكلفة بنسبة 75%" بشكل مستقل؟

تم تقديم هذه النتيجة من قبل Qingcheng AI والتقرير الأصلي. لم تُنشر تفاصيل النشر المحددة اللازمة للتكرار المستقل بشكل كامل بعد، ويُنصح القراء باختبارها على نماذجهم وأجهزتهم وأعباء عملهم الخاصة.

الأدوات ذات الصلة

• Chitu: إطار استدلال مفتوح المصدر للإنتاج للنماذج اللغوية الكبيرة والأجهزة غير المتجانسة.
• AI Ping: منصة تقييم خدمات النماذج وتوجيه API الذكي التي تديرها Qingcheng AI.
• Bagualu: حزمة برمجيات Qingcheng AI للتدريب على النماذج، والاستدلال، والنشر، وصيانة المجموعات.
• vLLM: محرك مفتوح المصدر عالي الإنتاجية لخدمة النماذج الكبيرة يستخدم على نطاق واسع.
• SGLang: إطار خدمة مفتوح المصدر للنماذج اللغوية والنماذج متعددة الوسائط.
• DeepSeek: المنصة الرسمية لسلسلة نماذج DeepSeek التي تمت مناقشتها في حالة النشر.
• مواصفات OpenAI API: تنسيق API الذي تستخدمه معظم محركات خدمة النماذج للتوافق مع التطبيقات.

الروابط ذات الصلة

• الموقع الرسمي لـ Qingcheng AI: معلومات المنتج والشركة الرسمية لـ Chitu وBagualu وAI Ping.
• مستودع Chitu على GitHub: يحتوي على الكود المصدري، وملفات Dockerfile، والنماذج المدعومة، وإصدارات الإصدار، والمعايير، ووثائق النشر.
• صفحة منتج Chitu: نظرة عامة على Qingcheng AI حول الأجهزة والنماذج والواجهات وبيانات الأداء المدعومة.
• صفحة منتج Bagualu: المعلومات الرسمية المتعلقة بالتدريب والبنية التحتية.

حزمة البرامج.

• AI Ping: منصة تقييم النماذج الرسمية وتوجيه API الموحد.
• تقرير Science and Technology Daily: تقرير مستقل يغطي حل الرموز الشامل لـ Qingcheng AI ومقاييس AI Ping.
• جهاز Inspur Yuan Brain Bagualu: تفاصيل اختبار النشر المؤسسي لجهاز Chitu وBagualu المحسنين معًا.

ملخص

في مؤتمر الذكاء الاصطناعي العالمي 2026، عرضت Qingcheng AI بنية تحتية للرموز من ثلاث طبقات تهدف إلى ربط استدلال النموذج، وتوجيه API، وتوزيع الوكلاء، وإدارة التكاليف.

تستخدم طبقة المصنع الخلفي Chitu وBagualu لتحسين نشر النماذج على أجهزة الحوسبة غير المتجانسة. وفقًا لتقرير الشركة، في تكوين FP4 DeepSeek، انخفض عدد الآلات المطلوبة من أربعة إلى واحد، محققة تخفيضًا في التكلفة بنسبة 75%.

يشكل AI Ping طبقة التوجيه الوسطى، بينما يغطي Agent Store وATM توزيع الوكلاء وعمليات الرموز المالية. تعمل المنتجات معًا لجعل توريد الرموز أكثر استقرارًا وقابلية للقياس، دون الاعتماد على مزود أجهزة أو API واحد.

الفكرة الأساسية بسيطة وواضحة: وكلاء الذكاء الاصطناعي لا يحتاجون فقط إلى نماذج – بل يحتاجون إلى طبقة بنية تحتية قادرة على توليد وتوجيه وقياس والتحكم في كل رمز يستهلكونه.