في 22 ديسمبر 2025، أصدرت Zhipu AI (Z.ai) رسميًا GLM-4.7، أحدث نسخة في سلسلة نماذجها اللغوية العامة (GLM) — ما لفت الأنظار عالميًا في عالم نماذج الذكاء الاصطناعي مفتوحة المصدر. لا يقتصر هذا النموذج على تعزيز القدرات في مهام البرمجة والاستدلال فحسب، بل يتحدى أيضًا هيمنة النماذج الاحتكارية مثل GPT-5.2 وClaude Sonnet 4.5 على معايير الأداء الرئيسية.
يدخل GLM-4.7 ساحة تنافسية حيث يعد الأداء العالي للذكاء الاصطناعي أمرًا حاسمًا للتطوير الواقعي والبحث العلمي ومسارات عمل المؤسسات. ويُمثّل إطلاقه محطة مهمة لـ نماذج اللغة الكبيرة مفتوحة المصدر (LLMs) — تقنيًا واستراتيجيًا على حد سواء.
ما هو GLM 4.7؟
GLM اختصار لـ النموذج اللغوي العام — وهي سلسلة من النماذج اللغوية الكبيرة طوّرتها Zhipu AI، معروفة بتحقيق توازن بين الأداء القوي وإتاحة الوصول مفتوح المصدر. تم تحسين خط GLM تدريجيًا لدعم الاستدلال، والمهام متعددة الوسائط، والبرمجة، ومسارات العمل المدعومة بالأدوات، مع الاعتراف بإصدارات سابقة مثل GLM-4.5 وGLM-4.6 لتمتعها بقدرات عالية.
يُعد GLM-4.7 أحدث إصدار ضمن خط GLM-4. وعلى عكس التحديثات الطفيفة، فهو يقدّم تحسينات معمارية وتدريبية ذات مغزى تحقق مكاسب ملموسة عبر مهام الذكاء الاصطناعي الأساسية: البرمجة، والاستدلال، واستخدام الأدوات، والتوليد متعدد الوسائط. والأهم أنه صدر كمشروع مفتوح المصدر، ما يتيح وصولًا واسعًا للمطورين والباحثين ومستخدمي المؤسسات دون قيود احتكارية.
من أبرز سماته:
- آلية “think before act”، حيث يخطط النموذج لخطوات الاستدلال واستخدام الأدوات قبل إنتاج المخرجات — ما يعزز الدقة والموثوقية.
- قدرات متعددة الوسائط أوسع، توسّع الاستدلال النصي ليشمل البيانات المرئية والمهيكلة.
- دعم أقوى لـ مسارات العمل من طرف إلى طرف، بما في ذلك استدعاء الأدوات وسلوك الوكلاء.
ما الجديد في GLM 4.7؟ وكيف يقارن بـ GLM 4.6؟
قدرات برمجية متقدمة
أحد أبرز التحسينات في GLM-4.7 هو التقدم الملحوظ في أداء البرمجة — لا سيما في التعامل مع سيناريوهات متعددة اللغات ومتعددة الخطوات.
| المعيار | GLM-4.7 | GLM-4.6 |
|---|---|---|
| SWE-bench Verified | 73.8% | 68.8% |
| SWE-bench Multilingual | 66.7% | 53.8% |
| Terminal Bench 2.0 | 41% | 23.5% |
وفقًا لبيانات المعايير، يحقق GLM-4.7:
- 73.8% على SWE-bench Verified، قفزة ملحوظة مقارنةً بـ GLM-4.6.
- 66.7% على SWE-bench Multilingual (+12.9%)، ما يُظهر تحسّن الكفاءة عبر اللغات.
- 41% على Terminal Bench 2.0 (+16.5%)، ما يشير إلى أداء أفضل في سياقات الطرفية والوكلاء.
تُظهر هذه الأرقام تقدمًا كبيرًا في جودة الشيفرة وثباتها — وهو عامل مهم للمطورين الذين يستخدمون أدوات الذكاء الاصطناعي في بيئات برمجية فعلية. كما تكشف التجارب المبكرة في العالم الحقيقي أن GLM-4.7 يُتمّ مهامًا معقدة من الواجهة الأمامية إلى الخلفية بمزيد من الاعتمادية مقارنة بسابقه.
تعزيز الاستدلال واستخدام الأدوات
ينظّم GLM-4.7 خط أنبوب الاستدلال لديه في عدة أوضاع:
- الاستدلال المتداخل، حيث يستدل النموذج قبل كل استجابة أو استدعاء أداة، ما يضع خطة قبل كل إخراج.
- الاستدلال المحتفَظ به، إذ يحتفظ بسياق الاستدلال عبر الأدوار، ما يحسن أداء المهام طويلة الأمد ويقلل الحسابات المتكررة.
- التحكم على مستوى الدور، حيث يُكيّف عمق الاستدلال ديناميكيًا لكل طلب.
يؤدي ذلك إلى أداء أقوى على معايير الاستدلال. فعلى سبيل المثال، على معيار HLE (“Humanity’s Last Exam”) حقق GLM-4.7 42.8%، أي تحسن بنسبة 41% مقارنةً بـ GLM-4.6 — ووفق بعض التقديرات يتفوق على GPT-5.1 في مقاييس مشابهة.
وعلى أرض الواقع، تترجم هذه التحسينات إلى مخرجات أكثر تماسكًا ودقة للاستفسارات التحليلية، والاستدلال الرياضي، والالتزام بالتعليمات المهيكلة.
تحسين جمالية المخرجات والقدرات متعددة الوسائط
بينما يحتفظ GLM-4.7 بتركيز قوي على البرمجة والاستدلال، فإنه يتحسن أيضًا في مهام التواصل الأوسع:
- جودة الدردشة أكثر طبيعية ووعيًا بالسياق.
- الكتابة الإبداعية تُظهر تنوعًا أسلوبيًا وتفاعلًا أفضل.
- لعب الأدوار والحوارات الغامرة تبدو أكثر شبهًا بالبشر.
- توليد شيفرات الويب وواجهات المستخدم: ينتج واجهات أنظف وأحدث، بتخطيطات وجودة جمالية أفضل.
- المخرجات المرئية: تحسين في توليد الشرائح والملصقات وتصاميم HTML مع تنسيق وهيكلية أفضل.
- الدعم متعدد الوسائط: تعامل محسن مع النص وأنواع مدخلات أخرى لمجالات تطبيق أوسع.
هذه الترقيات النوعية تُقرب GLM-4.7 من منفعة الذكاء الاصطناعي العام — وليس مجرد نموذج متخصص للمطورين.
لماذا يُعد GLM-4.7 مهمًا؟
يحمل إطلاق GLM-4.7 دلالات كبيرة عبر التكنولوجيا والأعمال وبحوث الذكاء الاصطناعي الأوسع:
ديمقراطية الذكاء الاصطناعي المتقدم
من خلال طرح نموذج عالي الأداء مفتوح المصدر بالكامل وتحت ترخيص مرن، يُخفض GLM-4.7 الحواجز أمام الشركات الناشئة والمجموعات الأكاديمية والمطورين المستقلين للابتكار دون تكاليف باهظة.
المنافسة مع النماذج الاحتكارية المغلقة
في معايير مقارنة عبر 17 فئة (الاستدلال، البرمجة، مهام الوكلاء):
- يظل GLM-4.7 منافسًا لنماذج GPT-5.1-High وClaude Sonnet 4.5.
- ويتفوق على عدة نماذج رفيعة أخرى في بيئات مفتوحة.
هذا لا يبرز مجرد مكاسب تدريجية — بل قفزات ذات مغزى في الأداء.
إن أداء GLM-4.7 — خصوصًا في البرمجة والاستدلال — يتحدى هيمنة الأطر الاحتكارية (مثل سلسلة GPT من OpenAI وClaude من Anthropic)، مقدمًا نتائج مماثلة أو متفوقة في عدة معايير.
وهذا يُكثّف المنافسة في مشهد الذكاء الاصطناعي، وقد يدفع نحو ابتكار أسرع، ونماذج تسعير أفضل، وتنوع أكبر في عروض الذكاء الاصطناعي.
الدلالات الاستراتيجية للمنافسة في الذكاء الاصطناعي
يتحدى GLM-4.7 التسلسلات الهرمية التقليدية في قدرات الذكاء الاصطناعي:
- يدفع حدود الأداء على المعايير بين النماذج المفتوحة.
- ينافس القادة الاحتكاريين عالميًا في المهام الواقعية.
- يرفع السقف لمسارات العمل المتخصصة، خاصة في تطوير البرمجيات والمجالات كثيفة الاستدلال.
بهذا المعنى، لا يُمثل GLM-4.7 خطوة تقنية للأمام فحسب — بل محطة استراتيجية في تطور منظومة الذكاء الاصطناعي.
ما هي حالات الاستخدام الواقعية لـ GLM-4.7؟
مساعدو البرمجة ورفقاء التطوير
تشمل سيناريوهات التبني الأساسية مساعدين لبيئات IDE، ومُلخصات Pull Request، وأدوات إعادة الهيكلة الآلية، ومساعدي مراجعة الشيفرة الأذكياء. يجعل تحسّن توليف الشيفرة وتفاعل الطرفية النموذج مناسبًا لنمط “المساعد كمطوّر” حيث ينفذ النموذج تغييرات متعددة الخطوات على مستودعات الأكواد أو يقترحها.
الأتمتة والتنظيم القائمان على الوكلاء
تُناسب تحسينات الوكالة في GLM-4.7 مهام التنظيم: سكربتات النشر الآلي، ومساعدو خطوط CI، ووكلاء مراقبة الأنظمة الذين يقترحون خطوات المعالجة، وروبوتات فرز خطوط الأنابيب التي يمكنها الاستدلال عبر السجلات والشيفرة وملفات الضبط لاقتراح الإصلاحات. تُقلل قدرة “think before act” الاستدعاءات المزعجة أو غير الآمنة للأدوات في هذه السياقات.
أعمال المعرفة مع سياق طويل
تستفيد المراجعات القانونية والتنظيمية، والتدقيق التقني، وتركيب البحوث، وتلخيص المستندات المتعددة من قدرات السياق الطويل. يمكن لـ GLM-4.7 الحفاظ على حالة جلسة ممتدة والتركيب عبر مجموعات أكبر من الوثائق، ما يتيح مسارات عمل مثل Q&A عبر المستندات والتحليل على مستوى النظام.
الهندسة متعددة اللغات والتوثيق
يمكن للفرق التي تعمل عبر الإنجليزية والصينية (ولغات مدعومة أخرى) استخدام GLM-4.7 لترجمة الوثائق، وتعليقات الشيفرة المحلية، وتأهيل المطورين الدوليين. تشير معايير التعدد اللغوي للنموذج إلى دقة أفضل والتقاط سياقي محسّن عبر اللغات، وهو مفيد لفرق المنتجات العالمية.
النمذجة الأولية والبحث
بالنسبة لفرق البحث التي تُجري تجارب على بنى الوكلاء، وسلاسل الأدوات، أو منهجيات تقييم جديدة، يُخفّض التوزيع المفتوح لـ GLM-4.7 عتبة التجريب السريع والمقارنة القابلة لإعادة الإنتاج مع نماذج مفتوحة أخرى أو خطوط أساس احتكارية.
الخلاصة:
يُعد GLM-4.7 إصدارًا فارقًا في عالم الذكاء الاصطناعي:
- يدفع نماذج المصدر المفتوح إلى عوالم أداء كانت مهيمنًا عليها من قبل الأنظمة المغلقة.
- يقدّم تحسينات عملية وملموسة في البرمجة والاستدلال ومسارات العمل القائمة على الوكلاء.
- إن سهولة الوصول إليه وقابليته للتكيّف تقدمان منصة جذابة للمطورين والباحثين والمؤسسات على حد سواء.
باختصار، GLM-4.7 ليس مجرد ترقية أخرى — بل علامة استراتيجية للتقدم في الذكاء الاصطناعي المفتوح، يتحدى الوضع القائم ويوسّع آفاق ما يمكن للمطورين والمؤسسات بناؤه.
للبدء، استكشف إمكانات GLM 4.7 وGLM 4.6 في Playground واطلع على دليل API للحصول على تعليمات مفصلة. قبل الوصول، يُرجى التأكد من تسجيل الدخول إلى CometAPI والحصول على مفتاح API. تقدم CometAPI سعرًا أقل بكثير من السعر الرسمي لمساعدتك على الدمج.
هل أنت مستعد للانطلاق؟→ تجربة مجانية لـ GLM 4.7 !