لا تُذكر نماذج LLM المدمجة في macOS 27 كثيرًا في المقالات، لذا قررنا تسليط الضوء عليها: https://t.co/7m33xszKVb هل يمكن استخدام الذكاء الاصطناعي المدمج في Mac للعمل؟ مراجعة "fm" من Apple من منظور مهندس [macOS 27 / أمر fm / LLM محلي] مختبر الذكاء الاصطناعي لـ Usaagi Hacker بواسطة CodeRabbit #AIملخص قوة واستخدامات "أمر fm" – نموذج LLM المحلي المدمج في macOS 27 🔳 Apple تدمج نموذج LLM محليًا يُظهر الفيديو أن "أمر fm" المدمج في macOS 27 يتيح استخدام نموذج LLM مخصص من Apple. يُعتبر هذا النظام مثيرًا للاهتمام لأنه يسمح بتشغيل الذكاء الاصطناعي على أجهزة Mac المزودة بشرائح Apple Silicon دون الاعتماد على السحابة. 🔳 يعمل دون اتصال بالإنترنت – مجاني وبدون قيود على عدد الاستخدامات يعمل أمر fm دون الحاجة إلى اتصال بالإنترنت، ولا تُفرض أي رسوم إضافية بغض النظر عن عدد مرات الاستخدام. كما أنه يعالج البيانات محليًا دون إرسالها خارج الجهاز، مما يوفر مزايا كبيرة في حماية الخصوصية. 🔳 الشروط والتكوين الأولي يوضح الفيديو أن الشرط الأساسي هو وجود شريحة Apple M3 أو أحدث مع ذاكرة 12 جيجابايت على الأقل. أولًا، يجب الموافقة على شروط الاستخدام عبر الأمر "fm license"، ثم التحقق من حالة توفر النموذج باستخدام "fm available". بمجرد تفعيل النموذج، يمكن البدء في استخدامه. 🔳 الوظائف الرئيسية لأمر fm يمكن استخدام "fm chat" للتفاعل مع الذكاء الاصطناعي، و"fm respond" للإجابات الفردية على الأسئلة. كما يدعم استخراج النص من الصور عبر تقنية OCR، وقراءة الباركود، وإخراج البيانات بتنسيق JSON، بالإضافة إلى وظيفة خادم API. 🔳 التكامل مع واجهات برمجة التطبيقات المتوافقة مع OpenAI يمكن تشغيل خادم API محلي باستخدام "fm serve". من خلال واجهة متوافقة مع OpenAI، يمكن استدعاء fm من أدوات خارجية مثل OpenCode، مما يسمح بدمجه في وكلاء ذكاء اصطناعي أو أنظمة أتمتة. 🔳 التكامل مع Python ونصوص Shell باستخدام SDK لـ Python أو نصوص Shell، يمكن أتمتة مهام مثل الترجمة، واستخراج النص من الصور، وتنظيم الملفات. إذا حددت نموذج JSON للإخراج، يصبح من السهل معالجة النتائج عبر البرامج. 🔳 أضعف نقطة: حدود 8192 رمزًا نافذة السياق محدودة بـ 8192 رمزًا فقط، مما يجعله غير مناسب للمهام الطويلة أو البرمجة الكبيرة. يُقارن الفيديو أداؤه بـ GPT-3.5 Turbo من عام 2023، ويُلاحظ أن قيوده كبيرة مقارنةً بنماذج LLM الحديثة. 🔳 قدم المعرفة واحتمالات التخيل أظهرت الاختبارات في الفيديو أن معرفة النموذج تتوقف تقريبًا على أكتوبر 2024، ولا يستطيع البحث تلقائيًا عن معلومات حديثة، مما يثير مخاوف من أخطاء وهمية أو تخيلات. ومع ذلك، تم تسجيل إجابات صحيحة في بعض الأسئلة، مثل رفض القصص الخيالية بشكل دقيق. 🔳 اختبار البرمجة عبر التكامل مع OpenCode تم تعيين fm كوكيل فرعي ضمن OpenCode لإنشاء تطبيق HTML للقائمة المهام. تم تنفيذ الوظائف الأساسية للإضافة والحذف خلال حوالي 20 دقيقة، لكن الواجهة كانت بسيطة، ولا تزال هناك مشكلات في إدخال اللغة اليابانية. 🔳 إمكانية الاستخدام كوكيل فرعي بسبب قيود السياق الصارمة، يُعتبر fm أكثر فعالية كوكيل فرعي مخصص للمهام المحدودة مثل الترجمة، واستخراج النصوص، أو توليد أكواد بسيطة، بدلاً من استخدامه كنموذج ذكاء اصطناعي رئيسي. 🔳 إمكانات كبيرة في معالجة كميات كبيرة من البيانات من المتوقع استخدامه لمعالجة مئات أو آلاف الصور عبر OCR، أو تقسيم النصوص الطويلة للترجمة. وبما أنه لا يوجد رسوم إضافية حسب عدد العمليات، فهو مثالي للتشغيل المتكرر عند دمجه مع البرامج. 🔳 التقييم الشامل الحالي لا يزال من المبكر توقع أداء مماثل لأحدث نماذج LLM السحابية، لكن ميزتي المجانية والعمل دون اتصال تمنحانه قيمة كبيرة. يُخلص الفيديو إلى أن fm خيار مثير للاهتمام للمطورين الذين يرغبون في تجربة أتمتة صغيرة أو تجارب وكلاء ذكاء اصطناعي.