IT之家 في 23 أكتوبر، أصدر معهد الذكاء الاصطناعي التابع للأكاديمية الصينية للمعلومات والاتصالات (المعروف باسم "أكاديمية المعلومات والاتصالات الصينية")، ومختبر تقييم النماذج الكبيرة للذكاء الاصطناعي والبرمجيات والأجهزة التابع لوزارة الصناعة وتقنية المعلومات، واتحاد تنمية صناعة الذكاء الاصطناعي الصيني، اليوم (23 أكتوبر)، تقرير مراقبة أداء خدمات الرموز (Token) للنماذج الكبيرة لعام 2026.
يرد في التقرير أنه مع التطور السريع لتقنية النماذج الكبيرة، أصبحت خدمة الرموز (Token) نقطة محورية في الانتقال من التقنية إلى التطبيق، وأن حجم استدعاء الرموز اليومي في الصين لا يتوقف عن الارتفاع.في 6/2026، بلغ متوسط الاستهلاك اليومي للرموز داخل الصين نحو 500 تريليون، أي نحو 4 أضعاف مستوى 12/2025。
وفي الصناعة، يقوم عدد متزايد من مصنّعي منصات MaaS (النموذج كخدمة، Model as a Service) بتقديم خدمات رموز النماذج الكبيرة عبر واجهات برمجة التطبيقات للسحابة العامة (API). غير أن المستخدمين يفتقرون إلى معيار مباشر للحكم على أداء خدمات الرموز.ويواجهون مشاكل متنوعة منها صعوبة الاختيار.。
يستند التقرير إلى بيانات المراقبة للفترة من 1 إلى 8 من عام 2026، ويحلل أبعادًا مثل معدل نجاح استدعاء خدمة الرموز، وسرعة الإنتاجية، وزمن تأخير أول رمز، والاستقرار، والسعر، ونافذة السياق لكل منصة، ويقارن فروقات الأداء بين المنصات الرسمية للنماذج الكبيرة الأصلية، وكذلك النماذج الأربعة مفتوحة المصدر DeepSeek وQwen وGLM وKimi على المنصات الخارجية، ويحلل العوامل الرئيسية المؤثرة على أداء خدمة الرموز، ويلخص الملاحظات الجوهرية للصناعة، ويحدد خطة العمل القادمة، بهدف توفير مرجع لاختيار المستخدمين، وتقديم توجيهات لتحسين قدرات الخدمة في الأوساط الصناعية.
1. إنتاجية خدمات الرموز المحلية في الثانية تضاعفت مقارنة بعام 2025 لكنها لا تزال أدنى من الخارج
يذكر التقرير أن متوسط TPS (عدد الرموز المُخرجة في الثانية) للنماذج داخل الصين في أغسطس بلغ 78.23 (رمز / ثانية)،وهو ضعف المتوسط البالغ 38.25 (رمز/ثانية) لعام 2025.لكن متوسط TPS للنماذج الأجنبية النموذجية في أغسطس بلغ 112.82 (رمز/ثانية)، مقارنة بـ 51.35 (رمز/ثانية) في ديسمبر 2025، بزيادة تجاوزت الضعف أيضاً، وهو أفضل من الصين إجمالاً.
2. تأخر زمن استجابة خدمة الرموز ازداد، والاتجاه متسق داخل الصين وخارجها
يشير التقرير إلى أن متوسط TTFT (زمن استجابة أول رمز) للنماذج المحلية شهد منذ بداية هذا العام اتجاهاً تصاعدياً مستمراً، حيث بلغ المتوسط في أغسطس 1.26 ثانية،بزيادة ملحوظة مقارنة بالمتوسط البالغ 0.78 ثانية في عام 2025.لكن في الوقت نفسه بلغ متوسط TTFT للنماذج الأجنبية النموذجية في أغسطس 2.08 ثانية، بزيادة ملحوظة أيضًا مقارنة بـ1.04 ثانية في أبريل.
ومن الجدير بالذكر أن ارتفاع TTFT ليس مجرد تراجع في الأداء، بل هو نتيجة مصاحبة لعوامل متعددة متزامنة مثل زيادة عدد معاملات النموذج، وزيادة طول السياق، وزيادة حجم الاستدعاءات.
3. أسعار خدمات الرموز انتعشت بوضوح في عام 2026
يشير التقرير إلى أنه بعد حرب الأسعار في العامين الماضيين، ارتفعت أسعار خدمات النماذج داخل الصين وخارجها بوضوح في عام 2026.متوسط السعر المعياري في النصف الثاني من 2025 داخل الصين كان 6.8 يوانًا، بينما بلغ المتوسط منذ بداية هذا العام 13.46 يوانًا، بزيادة تقارب 1 ضعفًالكن الأسعار الأجنبية لا تزال أعلى من المحلية، إذ بلغ متوسط السعر الموحد للنماذج النموذجية الصادرة منذ بداية 2026 حوالي 117.8 يواناً.
4. طول سياق النماذج يتوسع باستمرار نحو مستوى المليون
يشير التقرير إلى أنه من بين النماذج المراقبة، بلغت نسبة النماذج التي يبلغ طول سياقها 1M (1 مليون رمز) 47.8%، ونسبة النماذج البالغ طول سياقها 200K فأكثر 95.7% مجتمعة، بزيادة تتجاوز 76 نقطة مئوية مقارنة بنهاية 2025، في حين استمر تناقص نسبة النماذج التي يقل طول سياقها عن 200K.
5. تحسن ملحوظ في أداء خدمة التوكينات للنماذج مفتوحة المصدر، مع تذبذب كبير في الأداء للنموذج نفسه عبر المنصات المختلفة
ذكر التقرير أنه في شهر 5 تم تحديث 4 نماذج مفتوحة المصدر بإصدارات جديدة لمراقبتها، وأظهرت النتائج استمرار ارتفاع TPS وضغط زمن استجابة TTFT باستمرار. على سبيل المثال، في شهر 8 وصل TPS لنموذج DeepSeek-V4-Pro إلى ضعف TPS لنموذج DeepSeek-V3.2 (أي 2 مرة).
من حيث زمن الاستجابة، بعد اكتمال تحديث الجيل الرئيسي للنماذج في شهر 5، ارتفع TTFT بشكل مرحلي على نطاق واسع، ومع تنفيذ إجراءات تحسين الاستدلال تراجعت مؤشرات زمن الاستجابة تدريجياً إلى المستوى السابق للتحديث.
وفي الوقت نفسه،أظهرت النماذج الـ4 أداءً متفاوتاً في TPS وTTFT ومعدل نجاح الاستدعاء عبر المنصات المختلفة. فقد تفوقت بعض المنصات الخارجية بوضوح في الأداء على خدمات النماذج المقدمة من المنصات الرسمية، وبلغ الفرق في TPS للنموذج نفسه بين المنصات المختلفة حد ضعف الأداء تقريباً. واختلاف كل منصة في تسريع الاستدلال واستراتيجيات التحسين والتحكم في التكاليف للنموذج نفسه هو السبب الرئيسي لهذا التباين في الأداء.