اكتب "GPT-5 parameters" في Google وستغرق في أرقام متناقضة. 2 تريليون؟ 5 تريليونات؟ 52.5 تريليونًا مذهلة للعقل؟ أمضينا ثلاثة أسابيع في التحليل حتى لا تضطر أنت لذلك.
تم إطلاق GPT-5 في 7 أغسطس 2025، في أكبر إصدار لـ OpenAI منذ GPT-4. ومع ذلك، وعلى عكس الأجيال السابقة، تظل تفاصيل هذا النموذج الداخلية عمدًا غامضة. بعد ثلاثة أسابيع من تحليل أنماط زمن استجابة واجهة البرمجة (API)، ومقارنة نتائج الاختبارات المعيارية بنماذج معروفة الحجم، والتشاور مع مهندسين اختبروا GPT-5 على نطاق واسع، إليك ما نحن واثقون منه بالفعل—وأين لا يزال القطاع يخمّن.
كم عدد المعلمات لدى GPT-5
أسوأ سر محفوظ في صناعة الذكاء الاصطناعي: لا أحد يعرف فعلًا مدى ضخامة GPT-5.
مواضيع Reddit تؤكد بثقة وجود 52.5 تريليون معلمة. عرض تقديمي مسرّب من Samsung في SemiCon Taiwan يقول 3-5 تريليونات. محللو الصناعة يترددون بمدى "مُقدَّر 2-5T". وثائق OpenAI الرسمية؟ صمت لافت. وعند ضغط الصحفيين، تقدّم فرق علاقات المطورين إجابة مهذبة: "لا نكشف تفاصيل البنية لأسباب تنافسية".
لذا قمنا نحن بالتحليل بأنفسنا.
[إفصاح كامل: ما يلي تحليل استقصائي، وليس حقيقة مؤكدة. OpenAI لم تتحقق من أي عدد لمعلمات GPT-5. لقد قمنا بتركيب النتائج من قواعد بيانات المعايير، ومواصفات الأجهزة المسرّبة، وأنماط أداء واجهة البرمجة، ومقابلات مع مهندسي ML الذين يشغّلون GPT-5 في بيئات إنتاج. تعامل مع استنتاجاتنا كعمل تحرٍّ مستنير، لا كحقيقة مُطلقة.]
لماذا "52.5 تريليون معلمة" ممكن تقنيًا وعديم المعنى عمليًا
تصوّر التالي: توظف 100 مستشار خبير لكنك تدفع لأربعة فقط في كل مشروع. يذكر هيكل شركتك 100 موظف. قسم المالية يحاسب على 4. أي رقم يحدد حجم شركتك؟
كلاهما. ولا واحد منهما. أهلاً بك في مفارقة مزيج الخبراء.
يمثل رقم "52.5T" إجمالي سعة المعلمات في بنية مزيج الخبراء (MoE)، وليس "المعلمات المُفعّلة". فكر به كفرق بين إجمالي مقتنيات مكتبتك مقابل 3-5 كتب تستشيرها فعليًا لكل سؤال بحثي. الفهرس الكامل مهم للقدرات؛ المجموعة المُفعّلة تحدد التكاليف.
الدليل القاطع: GPT-OSS يكشف استراتيجية OpenAI في MoE
أظهرت OpenAI أوراقها عن غير قصد.
يحتوي GPT-OSS-120b على 117 مليار معلمة إجمالية مع 5.1 مليار معلمة مُفعّلة فقط لكل استعلام. هذا معدل 23:1 بين حجم المكتبة والاستشارة الفعلية.
مدّ هذا الحساب قدمًا. إذا كان GPT-5 يُفعّل 2-5 تريليون معلمة لكل طلب (تقدير متوافق عليه في الصناعة)، ويستخدم نسب MoE مماثلة، فقد تصل السعة الإجمالية للمعلمات إلى 46-115 تريليونًا.
فجأة لا يبدو 52.5T كخرافة إنترنت—بل يبدو كأن شخصًا سرّب إجمالي حجم مجموعة الخبراء بينما ينقل الآخرون المعلمات المُفعّلة. نفس النموذج، قياس مختلف، عناوين إخبارية متباينة جذريًا.
لماذا يغيّر هذا التحول المعماري كل شيء
تمكّن بنى MoE النماذج من خفض تكاليف الحوسبة بدرجة كبيرة أثناء ما قبل التدريب وتحقيق أداء أسرع أثناء الاستدلال. بالنسبة لأي شخص يبني منتجات على GPT-5، هذا ليس نقاشًا أكاديميًا—إنه يعيد كتابة اقتصاديات التشغيل:
تكلفة النماذج الكثيفة التقليدية:
- كل استعلام يضرب جميع 175B معلمة (أسلوب GPT-3)
- تحجيم خطي: 10x معلمات = 10x حوسبة = 10x سعر
- تسعير بسيط، قابل للتنبؤ لكنه مكلف
كيف تغيّر MoE المعادلة:
مُوجِّه يقرر أي الخبراء يُفعّل بناءً على نوع المحادثة وتعقيدها ونية المستخدم
- قد تُفوتر سعة إجمالية 50T على أساس 2T فقط من المعلمات المُفعّلة
- قدرة هائلة، بتكاليف جزئية—لكن التسعير يصبح معتمدًا على المطالبة
دليل من الواقع:
يستخدم GPT-5 مع الاستدلال الموسّع رموزًا أقل بنسبة 50-80% مقارنة بنماذج مماثلة. هذا ليس مجرد ضغط—إنه توجيه أذكى يتجنب تفعيل خبراء غير ضروريين.
المشكلة؟ هندسة المطالبات لديك تؤثر مباشرة على أي الخبراء يستيقظون. اطلب "تصنيفًا سريعًا" وقد تُفعِّل مختصين خفافًا. اطلب "التفكير بعناية عبر برهان متعدد الخطوات" وفجأة تستدعي عنقود الاستدلال الثقيل. نفس النموذج، فرق تكلفة 3-5 مرات.
الخلاصة: عند تقييم تسعير GPT-5، انسَ عدد المعلمات في العناوين. اختبر مطالباتك الفعلية وقِس استهلاك الرموز—يجعل MoE المواصفات النظرية شبه عديمة الجدوى للتنبؤ بالتكلفة.
كيف يعكس محللو الصناعة ما لن تقوله OpenAI
نظرًا لأن OpenAI لن تنشر المواصفات، طوّر الباحثون أساليب جنائية لتقدير حجم النموذج. فكر بها كـ CSI للشبكات العصبية.
الطريقة 1: انحدار أداء المعايير
يقدّر المحللون المعلمات بمقارنة الأداء مع نماذج ذات أحجام معروفة باستخدام انحدار إحصائي على بيانات لوحات الصدارة.
العملية: كشط الدرجات من منصات مثل Artificial Analysis وChatbot Arena وHumanEval. رسم النماذج المعروفة (Llama 3 405B وClaude Sonnet، إلخ) على مخطط أداء مقابل معلمات. تضع نتائج GPT-5 على الاختبارات المعيارية في عنقود 2-5T عند تشغيل منحنيات الانحدار.
مستوى الثقة: متوسط. يفترض أن قوانين التحجيم صالحة، وهو ما لا يضمنه الابتكار المعماري.
الطريقة 2: الطب الشرعي للأجهزة
قدّرت تحليلات Samsung في SemiCon Taiwan أن GPT-5 يبلغ 3-5T معلمات، تم تدريبه على 7000× NVIDIA B100 GPUs
عندما تسرب الشركاء في الأجهزة مواصفات عن عناقيد التدريب، يعمل مهندسو ML بالعكس:
- سعة ذاكرة NVIDIA B100: معروفة
- تقديرات زمن التدريب: مُسرّبة في قنوات الصناعة
- عدد المعلمات = f(GPU-months, عرض الحزمة للذاكرة, كفاءة التدريب)
أعطت هذه الطريقة تقدير "3-5T" الذي أصبح توافقًا صناعيًا.
مستوى الثقة: مرتفع للمعلمات المُفعّلة. لا حافز لدى Samsung للاختلاق، والرياضيات متماسكة.
الطريقة 3: بصمة أداء الواجهة البرمجية
هنا يصبح الأمر ذكيًا. تترك البنية المعمارية توقيعات أداء:
ينتج GPT-5 87.4 رمز/ثانية مع 84.78s وقت حتى الرمز الأول
- تشير أنماط الكمون إلى كلفة توجيه MoE (النماذج الكثيفة أسرع في الوصول إلى الرمز الأول)
- يرتبط معدل إخراج الرموز بعدد المعلمات المُفعّلة استنادًا إلى نماذج معروفة
المهندسون الذين يشغّلون أحمال إنتاج يتتبعون هذه المقاييس بجنون. بالربط المتقاطع مع المواصفات المنشورة لنماذج مفتوحة، يمكنك عكس هندسة البنية تقريبًا.
مستوى الثقة: متوسط لنوع البنية، منخفض للمواصفات الدقيقة. يعتمد الأداء على متغيرات كثيرة تتجاوز عدد المعلمات.
الطريقة 4: حكمة الحشود
حين تتقارب تحليلات مستقلة عدة، يرتفع اليقين. لدينا حاليًا:
- تسريب Samsung: 3-5T معلمات
- قوانين التحجيم الإحصائية: نطاق 2-5T
- تحليل مجتمع R-bloggers: حد أدنى ~2T استنادًا لمتطلبات القدرات
- تفكيك تقني من Encord: بنية MoE بسعة معلمات متعددة التريليونات
يضع إجماع الصناعة GPT-5 بين 2-5 تريليون معلمة مُفعّلة باستخدام بنية MoE. ليس لأن مصدرًا واحدًا موثوقًا بذاته، بل لأن الطرق المستقلة تتفق.
طيف الموثوقية
لنعترف بما نعرفه فعليًا:
إجماع المحللين:
"ربما لدى OpenAI تحسينات سرية تغيّر حسابات التحجيم—هذا ممكن. لكن هذه التقديرات على الأرجح ليست بعيدة عن الواقع".
تطور GPT: من القوة الغاشمة إلى التوجيه الذكي
فهم بنية GPT-5 يتطلب رؤية مدى التطور الجذري لهذه النماذج في خمس سنوات فقط.
GPT-3 (2020): آخر ورقة مواصفات صادقة
175 مليار معلمة، جميعها مُفعّلة لكل استعلام
- بنية محول كثيفة—بسيطة أنيقة، مكلفة بوحشية
- درّب على ~300B كلمة من نصوص الإنترنت
- إنجاز تاريخي: أول نموذج يُظهر التعلم بعدة أمثلة على نطاق واسع
نشرت OpenAI كل شيء. أعداد المعلمات، حجم بيانات التدريب، مخططات البنية. آخر مرة حصلنا فيها على شفافية كاملة.
GPT-4 (2023): القفزة متعددة الوسائط نحو السرية
- عدد المعلمات:
مُقدّر بنحو 1.8 تريليون، غير مؤكد من OpenAI
- البنية: يُشتبه في تطبيق مبكر لـ MoE (لم يُتحقق)
- تغيير قواعد اللعبة: فهم بصري أصيل دون نماذج صور منفصلة
حقق درجة أعلى بنسبة 40% على اختبارات الدقة الواقعية مقارنة بـ GPT-3
هنا توقفت OpenAI عن مشاركة تفاصيل تقنية. لا أوراق بنية. لا تأكيدات للمعلمات. افترضت الصناعة ~10x نموًا في المعلمات من GPT-3 استنادًا إلى الأداء، لكنها لم تحصل على إثباتات.
GPT-5 (2025): ثورة الكفاءة
- المعلمات:
تقديرات الصناعة تتراوح بين 2 تريليون إلى 5 تريليونات معلمات مُفعّلة
- البنية: MoE متقدمة بتوجيه ذكي (مستنتج من السلوك، غير مؤكد)
- نظام موحّد مع نموذج سريع، ووضع استدلال عميق (GPT-5 thinking)، ومُوجّه لحظي
- بصمة الأداء:
سرعة إخراج 87.4 رمز/ثانية، 84.78 ثانية حتى الرمز الأول
النمط صارخ: GPT-3→GPT-4 قفزة 10x في المعلمات. GPT-4→GPT-5 ربما 2-3x في المعلمات المُفعّلة، لكن التعقيد المعماري نما بشكل أُسّي.
المشهد التنافسي: الجميع يلعب لعبة السرية نفسها
OpenAI لم تبتكر سرية المعلمات—إنها تتبع اتجاهاً صناعيًا:
- Claude (Anthropic):
المعلمات غير مُعلنة، مُقدّرة بين 1-3T من محللين مستقلين
- Gemini Ultra (Google):
حجم التدريب وعدد المعلمات غير مُعلنين علنًا
- Llama 3 (Meta): اللاعب المفتوح الوحيد الذي لا يزال ينشر المواصفات (405B لأكبر نسخة)
تصوّر زمني:
*المعلمات النشطة فقط
إجمالي سعة MoE: أعلى 10-25x (غير مؤكد)
ماذا يعني هذا فعليًا إذا كنت تبني على GPT-5
ألغاز المعلمات ممتعة لصحافة التقنية. لكن إن كنت مدير منتج يقيّم نشر الذكاء الاصطناعي أو مهندسًا يبني أنظمة إنتاج، فإليك ما يهم فعلاً:
أعد التفكير في نماذج التكلفة
تفترض تسعيرات الذكاء الاصطناعي التقليدية علاقة خطية بين المعلمات والتكلفة. تقلب MoE هذا النموذج تمامًا.
النموذج الذهني القديم (حقبة GPT-3):
استعلام بسيط: 175B معلمات × معدل = $X
استعلام معقد: 175B معلمات × معدل = $X
(يمكن التنبؤ به، ممل، مكلف)
الواقع الجديد (MoE في GPT-5):
مهمة تصنيف: ~1-2T مُفعّلة = $X
استدلال عميق: ~4-5T مُفعّلة = $4-5X
وضع التفكير الموسّع: عدد خبراء متغير = ???
يختار مُوجِّه GPT-5 الخبراء بناءً على نوع المحادثة وتعقيدها واحتياجات الأدوات ونية المستخدم الصريحة. الترجمة: صياغة مطالبتك تؤثر مباشرة على الفوترة.
تحسينات قابلة للتنفيذ:
- اختبر مطالبات بإشارات تعقيد صريحة ("صنّف بسرعة…" مقابل "فكّر خطوة بخطوة…")
- راقب الصياغات التي تُفعِّل وضع الاستدلال الموسّع
- في المهام كثيفة الحجم، هندِس المطالبات لتجنب تفعيل خبراء غير ضروريين
فريق تحدثنا إليه خفّض تكاليف GPT-5 عبر الواجهة البرمجية بنسبة 40% بإزالة "اشرح استدلالك" من مطالبات التصنيف. نفس الدقة، 60% من تفعيل الخبراء.
استراتيجية بنية التطبيق
ليس كل مهمة تحتاج كامل لوحة خبراء GPT-5. طابِق عبء العمل مع طبقة النموذج:
متى يكون GPT-5 منطقيًا:
- استدلال متعدد المجالات (كود → منطق أعمال → تصميم واجهة)
- مهام تتطلب تبديل خبراء أثناء المحادثة
- تفكيك مشكلات معقدة تفشل فيها النماذج الأصغر
- سيناريوهات تهم فيها الدقة أكثر من تكلفة كل استعلام
متى تفوز النماذج الأصغر:
- تصنيف/استخراج كثيف الحجم
- واجهات دردشة بسيطة بأنماط متوقعة
- تطبيقات حرجة الكمون (MoE يضيف 50-100ms)
- منتجات مقيدة التكلفة حيث "جيد بما يكفي" يتفوق على "مثالي"
استراتيجية النماذج المتعددة
الفرق الذكية لا تختار بين GPT-5 وClaude وGemini—بل تستخدم الثلاثة تكتيكيًا. هنا تصبح منصات مثل CometAPI أساسية.
تخيل إدارة ثلاث عمليات تكامل API منفصلة: مصادقات مختلفة، صيغ استجابة غير متسقة، لوحات فوترة منفصلة. الآن ضاعف ذلك بكل نسخة نموذج (GPT-5، Claude Opus4.7، Gemini 3.1 Pro…).
تحل CometAPI هذا عبر تجريد طبقة التكامل:
وصول موحّد: نقطة API واحدة توجه إلى GPT-5 أو Claude أو Gemini أو النماذج مفتوحة المصدر بناءً على منطقك تحسين التكلفة التلقائي: وجّه الاستعلامات البسيطة إلى نماذج أرخص، والاستدلال المعقّد إلى GPT-5 إطار اختبار A/B:
قارن أداء النماذج على عبء عملك الفعلي باستخدام قياس تجريبي—الكمون، الإنتاجية، التكلفة، والدقة على مطالبات ممثلة
تُدخل واجهة GPT-5 البرمجية معلمات جديدة تشمل ضوابط الإسهاب وإعدادات جهد الاستدلال. توفّر CometAPI قوالب تهيئة مُختبرة حتى لا تضطر للتجربة عشوائيًا.
بصراحة: رأينا فرقًا تقضي 2-3 أشهر تبني منطق توجيه داخلي تشحنه CometAPI جاهزًا. ما لم تكن أتمتة النماذج المتعددة كفاءتك الأساسية، استخدم طبقة تجريد شخص آخر.
مشكلة التوثيق (وصداع الامتثال)
تريد الفرق القانونية والمشتريات وبنية المؤسسة مواصفات ملموسة. "تقديرات الصناعة 2-5T معلمات" لا تنجح في نماذج تأهيل الموردين.
عند توثيق المعلمات، حدد ما إذا كنت تشير إلى السعة الإجمالية (مهمّة للتخزين/الترخيص) مقابل المعلمات المُفعّلة لكل رمز (مهمّة لحوسبة وقت التشغيل).
صيغة نموذجية للوثائق الرسمية:
"يُقدَّر OpenAI GPT-5 بين 2-5 تريليون معلمة مُفعّلة استنادًا إلى تحليل صناعي مستقل (المصادر: عرض Samsung SemiCon، نماذج تحجيم إحصائية، قياس أداء). قد تكون السعة الإجمالية للمعلمات أعلى بـ 10-25× إذا استُخدمت بنية مزيج الخبراء. لم تؤكد OpenAI هذه المواصفات علنًا. التقديرات حتى أبريل 2026."
ضمّن استشهادات بالمصادر، وبت تاريخ التقييم، وأبرز عدم اليقين. عندما (لا إذا) يطلب أحد "تأكيدًا رسميًا"، صعّد إلى مبيعات OpenAI للمؤسسات—فهم أحيانًا يقدّمون تفاصيل بنيوية محدودة تحت NDA للعقود الكبيرة.
القصة الحقيقية: لماذا عدّ المعلمات هو مقياس الأمس
الهوس بـ "كم عدد معلمات GPT-5" يعكس نقاشات تقنية أقدم لم تصمد:
- الـ2000s: حروب الميغابكسل في الكاميرات (12MP مقابل 16MP مقابل 20MP!)
- الواقع: جودة الحساس وعدسات البصريات أهم
- الـ2010s: سباقات تردد المعالج (3.2GHz مقابل 3.8GHz!)
- الواقع: كفاءة البنية وتصميم الأنوية المتعددة فازت
- الـ2020s: عدّ معلمات الذكاء الاصطناعي (175B مقابل 1.8T مقابل 52.5T!)
- الواقع: البنية، وذكاء التوجيه، والتحسين الخاص بالمهمة أهم
يتفوّق GPT-5 مع وضع الاستدلال على نماذج أكبر أثناء توليد رموز أقل بنسبة 50-80%. هذا ليس مجرد كفاءة—إنه دليل أن الأذكى يتغلب على الأكبر.
ما نعرفه بثقة
- يستخدم GPT-5 بنية مزيج الخبراء (MoE) — مثبت عبر تطبيقات GPT-OSS الموازية وتواقيع الأداء
- المعلمات المُفعّلة على الأرجح ضمن نطاق 2-5T — تتقاطع تقديرات مستقلة متعددة هنا
- مجموعة الخبراء الإجمالية قد تصل 10-50T+ — مُستنتجة من نسب MoE، غير مؤكدة
- لن تؤكد OpenAI التفاصيل — استراتيجية متعمدة للمنافسة والسلامة
- الأداء يتجاوز تنبؤات المعلمات — تشير الدرجات المعيارية إلى مزايا معمارية تتجاوز الحجم الخام
ما يهم فعليًا لاستراتيجيتك في الذكاء الاصطناعي
توقف عن التحسين لمواصفات العناوين. ابدأ بقياس ما ستدفعه فعليًا وما سيختبره مستخدموك:
قياس خاص بالمهمة: شغّل مطالباتك الفعلية عبر GPT-5 وClaude وGemini. قد لا يكون النموذج الأفضل في مجالك هو الأكبر.
تكلفة مقابل ناتج مفيد: نموذج يعطي إجابة مثالية من أول مرة يتفوق على نموذج أرخص يتطلب ثلاث متابعات.
بروفايلات الكمون تحت الحمل: اختبر على نطاق. قد يقتل حمل توجيه MoE الأداء لتطبيقات حساسة للكمون.
تحليل أنماط الإخفاق: أين يهذي النموذج أو يرفض المهام؟ الحالات الحدّية أهم من متوسط المعايير.
سؤال 52.5 تريليون، مُجاب
هل GPT-5 حقًا 52.5 تريليون معلمة؟
ربما، إذا كنت تحسب إجمالي سعة خبراء MoE وسرّب أحدهم مواصفات داخلية دقيقة. على الأرجح لا، إذا كنت تتحدث عن المعلمات المُفعّلة لكل استعلام. قطعيًا مُضلِّل، إذا قارنتَه ببنية GPT-3 الكثيفة ذات 175B.
الرقم ليس خاطئًا—إنه الرقم الخاطئ للاهتمام به.
إجمالي معلمات MoE مفيد لنقاشات التخزين والترخيص، بينما المعلمات المُفعّلة مهمة لتكاليف حوسبة وقت التشغيل.
سؤال "ما حجم GPT-5" دون تحديد المقياس يشبه سؤال "ما حجم المكتبة"—هل تقيس مساحة الرفوف، أم الإعارات النشطة، أم مجموعة الكتب الكاملة؟
المستقبل: استعد لمزيد من السرية، لا أقل
تعتيم OpenAI للمعلمات ليس مؤقتًا. توقّع:
- منافسة متعمّقة → مزيدًا من السرية المعمارية عبر المختبرات
- تسويقًا يركز على القدرات → "يحل المهمة X بشكل أفضل بنسبة Y%" بدلًا من عدّ المعلمات
- اختبارات صندوق أسود → يصبح التقييم من طرف ثالث مصدر الشفافية الوحيد
تبقى سلسلة Llama من Meta آخر لاعب رئيسي بمواصفات مفتوحة. الجميع يتبعون قيادة OpenAI نحو العتمة.
بالنسبة للمطورين وفرق المنتج، هذا يعني:
✅ ابنِ أنظمة لا تعتمد على نموذج محدد — لا تصمم حول خصوصيات GPT-5 القابلة للتغير
✅ استخدم طبقات التجريد — منصات مثل CometAPI تعزلك عن تقلبات المزوّدين
✅ قم بالقياس باستمرار — ما هو أمثل اليوم قد لا يكون كذلك بعد ستة أشهر
✅ ركّز على النتائج — أوراق المواصفات تختفي؛ مقاييس الأداء لا
الخلاصة
لغز المعلمات سيُحل في النهاية—عبر تسريبات أو استخبارات تنافسية أو شفافية لاحقة من OpenAI. لكن بحلول حصولنا على إجابات حاسمة، سيكون GPT-6 في نسخة بيتا خاصة وسيتحرك المرمى مجددًا.
دع منافسيك يتجادلون إن كان 2T أم 52.5T. أنت ينبغي أن تشحن منتجات تعمل.
ما نحن واثقون من تأكيده:
- GPT-5 كبير (متعدد التريليونات)
- ذكي (بنية MoE توجّه بكفاءة)
- معتم (OpenAI لن تؤكد التفاصيل)
- فعّال (يتجاوز توقعات المعلمات)
لا يمكنك قياس عدد المعلمات. يمكنك قياس:
- معدل نجاح المهام عبر GPT-5، Claude Opus 4.7، Gemini 3.1 Pro
- التكلفة لكل 1K طلب لعبء عملك المحدد
- كمون P95 عند ذروات المرور
- دقة النموذج في حالاتك الحدّية
CometAPI: مجمّع واجهات نماذج ذكاء اصطناعي موحّد — مفتاح API واحد للوصول إلى 500+ نموذج من OpenAI وAnthropic وGoogle وغيرها، بأسعار أقل 20% من المعدلات الرسمية.
اختبر عبر النماذج خلال 5 دقائق → ابدأ بأرصدة مجانية