Qwen مقابل DeepSeek: أي نموذج ذكاء اصطناعي يترجم بشكل أفضل؟

عند‎ ‎تشغيل‎ ‎نفس‎ ‎الـ‎ 12,000 ‎مقطع‎ ‎ترجمة‎ ‎عبر‎ Qwen ‎وDeepSeek،‎ ‎يفوز‎ DeepSeek ‎في‎ ‎غالبية‎ ‎أزواج‎ ‎اللغات‎. لكن‎ ‎هذه‎ ‎ليست‎ ‎القصة‎ ‎كاملة‎. عند‎ ‎تقسيم‎ ‎النتائج‎ ‎حسب‎ ‎الاتجاه،‎ ‎يظهر‎ ‎نمط‎ ‎محدد‎: يقلص‎ Qwen ‎معظم‎ ‎الفجوة،‎ ‎ويأخذ‎ ‎الصدارة‎ ‎في‎ ‎بعض‎ ‎الأحيان،‎ ‎وتحديداً‎ ‎عندما‎ ‎تكون‎ ‎اللغة‎ ‎الهدف‎ ‎هي‎ ‎الإنجليزية‎. عند‎ ‎الترجمة‎ ‎من‎ ‎الإنجليزية‎ ‎إلى‎ ‎أي‎ ‎لغة‎ ‎أخرى،‎ ‎يفوز‎ DeepSeek ‎في‎ ‎كل‎ ‎مرة‎ ‎تقريباً‎.‎

يهُم‎ ‎هذا‎ ‎التقسيم‎ ‎أكثر‎ ‎من‎ ‎وجود‎ ‎فائز‎ ‎إجمالي‎ ‎واحد‎ ‎إذا‎ ‎كنت‎ ‎تترجم‎ ‎محتوى‎ ‎عبر‎ ‎عشرات‎ ‎اللغات‎ ‎بدلاً‎ ‎من‎ ‎زوج‎ ‎لغوي‎ ‎واحد‎.‎ 

ما‎ ‎هما‎ Qwen ‎وDeepSeek؟

Qwen ‎هي‎ ‎عائلة‎ ‎نماذج‎ ‎اللغات‎ ‎الكبيرة‎ ‎من‎ Alibaba. الجيل‎ ‎الحالي‎ ‎هو‎ Qwen3.8،‎ ‎الذي‎ ‎تم‎ ‎إصداره‎ ‎في‎ ‎أغسطس‎ 2026: يعتبر‎ Qwen3.8-Max ‎النموذج‎ ‎الرائد‎ ‎المغلق‎ ‎والمتاح‎ ‎عبر‎ ‎واجهة‎ ‎برمجة‎ ‎التطبيقات‎ (API) ‎فقط‎ ‎بـ‎ 2.4 ‎تريليون‎ ‎معلمة،‎ ‎في‎ ‎حين‎ ‎أن‎ Qwen3.8-27B ‎هو‎ ‎نموذج‎ ‎أصغر‎ ‎مفتوح‎ ‎الأوزان‎ ‎تم‎ ‎إصداره‎ ‎بموجب Apache 2.0 بعد‎ ‎بضعة‎ ‎أيام،‎ ‎ويستهدف‎ ‎الفرق‎ ‎التي‎ ‎ترغب‎ ‎في‎ ‎الاستضافة‎ ‎الذاتية‎.‏

DeepSeek ‎هو‎ ‎مختبر‎ ‎ذكاء‎ ‎اصطناعي‎ ‎صيني‎ ‎معروف‎ ‎بنماذج‎ "‎خليط‎ ‎الخبراء‎" (mixture-of-experts) ‎التي‎ ‎تطابق‎ ‎الأداء‎ ‎الريادي‎ ‎بكسر‎ ‎بسيط‎ ‎من‎ ‎تكلفة‎ ‎الاستدلال‎. أُطلق‎ ‎جيله‎ ‎الحالي،‎ DeepSeek V4،‎ ‎في‎ ‎أبريل‎ 2026 ‎بإصدارين‎: إصدار‎ V4 Pro (‎إجمالي‎ 1.6 ‎تريليون‎ ‎معلمة،‎ ‎وحوالي‎ 49 ‎مليار‎ ‎معلمة‎ ‎نشطة‎ ‎لكل‎ ‎رمز‎ ‎مميز‎) ‎للأعمال‎ ‎التي‎ ‎تركز‎ ‎على‎ ‎الجودة،‎ ‎وإصدار‎ V4 Flash (‎إجمالي‎ 284 ‎مليار،‎ ‎وحوالي‎ 13 ‎مليار‎ ‎معلمة‎ ‎نشطة‎) ‎لأعباء‎ ‎العمل‎ ‎الحساسة‎ ‎لزمن‎ ‎الاستجابة‎. يأتي‎ ‎كلاهما‎ ‎كـ أوزان‎ ‎مفتوحة‎ ‎مرخصة‎ ‎بموجب‎ ‎رخصة‎ MIT‎.‎

كيف‎ ‎هي‎ ‎المقارنة‎ ‎الفعلية‎ ‎بين‎ Qwen ‎وDeepSeek ‎في‎ ‎الترجمة،‎ ‎وليس‎ ‎فقط‎ ‎في‎ ‎اختبارات‎ ‎الأداء‎ ‎المرجعية؟

تستشهد‎ ‎معظم‎ ‎المقارنات‎ ‎بين‎ Qwen ‎وDeepSeek ‎باختبارات‎ ‎أداء‎ ‎مرجعية‎ ‎عامة‎ ‎الأغراض‎: ‎البرمجة،‎ ‎والرياضيات،‎ ‎والاستدلال‎. لا‎ ‎يقيس‎ ‎أي‎ ‎منها‎ ‎جودة‎ ‎الترجمة‎ ‎بشكل‎ ‎مباشر،‎ ‎كما‎ ‎أن‎ ‎تشغيل‎ ‎كل‎ ‎نموذج‎ ‎على‎ ‎نص‎ ‎مصدر‎ ‎مختلف‎ ‎يجعل‎ ‎من‎ ‎المستحيل‎ ‎عزل‎ ‎أي‎ ‎فجوة‎ ‎في‎ ‎الدقة‎ ‎عما‎ ‎يتطلبه‎ ‎النص‎ ‎نفسه‎.‎

توفر‎ ‎حركة‎ ‎مرور‎ ‎البيانات‎ ‎الخاصة‎ ‎بـ‎ MachineTranslation.com ‎على‎ ‎مدار‎ ‎الـ‎ 28 ‎يومًا‎ ‎الماضية‎ ‎إجابة‎ ‎أكثر‎ ‎وضوحًا،‎ ‎لأن‎ ‎كلا‎ ‎النموذجين‎ ‎ترجما‎ ‎النص‎ ‎المصدر‎ ‎المتطابق‎ ‎نفسه‎. عبر‎ 98 ‎زوجًا‎ ‎لغويًا‎ ‎وأكثر‎ ‎من‎ 12,000 ‎مقطع‎ ‎متطابق،‎ ‎سجل‎ DeepSeek ‎درجات‎ ‎أعلى‎ ‎في‎ 83 ‎زوجًا،‎ ‎بينما‎ ‎سجل‎ Qwen ‎درجات‎ ‎أعلى‎ ‎في‎ 15. وعند‎ ‎تضييق‎ ‎النطاق‎ ‎على‎ ‎الـ‎ 27 ‎زوجًا‎ ‎التي‎ ‎تكون‎ ‎اللغة‎ ‎الإنجليزية‎ ‎هي‎ ‎اللغة‎ ‎الهدف‎ ‎فيها،‎ ‎تتقلص‎ ‎الفجوة‎ ‎بشكل‎ ‎حاد‎: يفوز‎ DeepSeek ‎بنسبة‎ 63% ‎منها‎ (17 ‎من‎ ‎أصل‎ 27)‎،‎ ‎بينما‎ ‎يفوز‎ Qwen ‎بنسبة‎ 37% (10 ‎من‎ ‎أصل‎ 27). وعبر‎ ‎الـ‎ 71 ‎زوجًا‎ ‎المتبقية،‎ ‎حيث‎ ‎لا‎ ‎تكون‎ ‎اللغة‎ ‎الإنجليزية‎ ‎هي‎ ‎اللغة‎ ‎الهدف،‎ ‎يفوز‎ DeepSeek ‎بنسبة‎ 92% (66 ‎من‎ ‎أصل‎ 71).‎

معدل‎ ‎الفوز‎ ‎حسب‎ ‎اتجاه‎ ‎الترجمة‎ (98 ‎زوجًا‎ ‎لغويًا،‎ ‎نص‎ ‎متطابق‎)‎

يضع‎ ‎المتوسط‎ ‎المرجح‎ ‎عبر‎ ‎كل‎ ‎مقطع‎ ‎متطابق‎ DeepSeek ‎عند‎ 9.13 ‎من‎ ‎أصل‎ 10 ‎و‎ Qwen ‎عند‎ 8.98. هذه‎ ‎فجوة‎ ‎حقيقية،‎ ‎لكنها‎ ‎ليست‎ ‎موزعة‎ ‎بالتساوي،‎ ‎وهو‎ ‎الأمر‎ ‎الأكثر‎ ‎فائدة‎ ‎لمعرفته‎ ‎إذا‎ ‎كان‎ ‎محتواك‎ ‎ينتقل‎ ‎في‎ ‎أكثر‎ ‎من‎ ‎اتجاه‎. هذا‎ ‎هو‎ ‎نهج‎ ‎المواجهة‎ ‎المباشرة‎ ‎نفسه‎ ‎الذي‎ ‎يستخدمه‎ MachineTranslation.com ‎في اختبار‎ ‎مقارنة‎ ‎النماذج‎ ‎الكاملة‎ ‎لديه،‎ ‎وليس‎ ‎فقط‎ ‎لهذا‎ ‎الزوج‎ ‎الواحد‎.‎

الأرقام‎ ‎الإجمالية‎ ‎تصمد‎ ‎في‎ ‎حالات‎ ‎الاختبار‎ ‎الفردية‎ ‎أيضًا‎. عند‎ ‎اختبار‎ ‎العبارة‎ ‎الفرنسية‎ "Elle est directrice adjointe du département commercial"‎،‎ ‎التقى‎ DeepSeek ‎و‎ Qwen ‎عند‎ ‎نفس‎ ‎الترجمة‎ ‎الإنجليزية،‎ "deputy director of commercial department". يمكنك‎ ‎التحقق‎ ‎من‎ ‎ نتيجة‎ ‎الاختبار‎ ‎المباشر ‎ ‎هذه‎ ‎مباشرة‎. عند‎ ‎اختبار‎ ‎ترجمة‎ "as soon as possible" ‎إلى‎ ‎الإسبانية،‎ ‎خرج‎ DeepSeek ‎عن‎ ‎إجماع‎ ‎النماذج‎ ‎الأربعة‎ ‎بعبارة‎ "esté hecho" ‎بدلاً‎ ‎من‎ "se haga"‎،‎ ‎وهي‎ ‎ حالة‎ ‎تباين‎ ‎حقيقية ‎ ‎تعكس‎ ‎تمييزًا‎ ‎قواعديًا‎ ‎بين‎ ‎العملية‎ ‎والنتيجة،‎ ‎وليست‎ ‎خطأً‎.‎

لماذا‎ ‎يقدم‎ Qwen ‎أداءً‎ ‎أفضل‎ ‎في‎ ‎الترجمة‎ ‎إلى‎ ‎الإنجليزية‎ ‎تحديدًا؟

البيانات‎ ‎لا‎ ‎تفسر‎ ‎السبب،‎ ‎بل‎ ‎توضح‎ ‎المكان‎ ‎فقط‎. بعض‎ ‎أقوى‎ ‎أزواج‎ Qwen ‎للترجمة‎ ‎إلى‎ ‎الإنجليزية‎ ‎هي‎ ‎التاميلية‎ ‎والصينية‎ ‎والبولندية‎ ‎والإيطالية‎ ‎والعبرية،‎ ‎وهي‎ ‎لغات‎ ‎مصدر‎ ‎ذات‎ ‎مجموعات‎ ‎بيانات‎ ‎تدريبية‎ ‎ضخمة‎ ‎وموثقة‎ ‎جيدًا‎ ‎باللغة‎ ‎الإنجليزية‎ ‎ومتاحة‎ ‎لمطوري‎ ‎النماذج‎ ‎بشكل‎ ‎عام‎. خارج‎ ‎هذا‎ ‎الاتجاه‎ ‎الواحد،‎ ‎يتفوق‎ DeepSeek ‎تقريبًا‎ ‎في‎ ‎كل‎ ‎مكان‎ ‎آخر‎: ‎سواء‎ ‎كان‎ ‎ذلك‎ ‎في‎ ‎الترجمة‎ ‎من‎ ‎الإنجليزية،‎ ‎أو‎ ‎بين‎ ‎أزواج‎ ‎اللغات‎ ‎غير‎ ‎الإنجليزية‎ ‎على‎ ‎حد‎ ‎سواء‎.‎

وما‎ ‎يستبعده‎ ‎هذا‎ ‎هو‎ ‎معاملة‎ ‎أي‎ ‎من‎ ‎النموذجين‎ ‎كخيار‎ ‎افتراضي‎ ‎عالمي‎. إن‎ ‎الفريق‎ ‎الذي‎ ‎يترجم‎ ‎قوائم‎ ‎المنتجات‎ ‎من‎ ‎الإسبانية‎ ‎إلى‎ ‎ست‎ ‎لغات‎ ‎ويتوقع‎ ‎نفس‎ ‎ترتيب‎ ‎الأداء‎ ‎الذي‎ ‎رآه‎ ‎عند‎ ‎ترجمة‎ ‎تذكرة‎ ‎دعم‎ ‎صينية‎ ‎إلى‎ ‎الإنجليزية،‎ ‎سيطبق‎ ‎الدرس‎ ‎الخاطئ‎ ‎من‎ ‎الاتجاه‎ ‎الخاطئ،‎ ‎وهو‎ ‎نفس‎ ‎عدم‎ ‎التماثل‎ ‎الذي‎ ‎يظهر‎ ‎في‎ ‎تحليل‎ ‎نموذج‎ ‎ الإسبانية‎ ‎إلى‎ ‎الإنجليزية‎ ‎الخاص‎ ‎بموقع‎ MachineTranslation.com،‎ ‎حيث‎ ‎النماذج‎ ‎الرائدة‎ ‎ليست‎ ‎هي‎ ‎نفسها‎ ‎التي‎ ‎تقود‎ ‎في‎ ‎الاتجاه‎ ‎المعاكس‎.‎

هل‎ ‎يتوفر‎ Qwen ‎وDeepSeek ‎مجانًا‎ ‎وبشكل‎ ‎مفتوح‎ ‎المصدر؟

يختلف‎ ‎تقسيم‎ ‎الترخيص‎ ‎لكل‎ ‎منهما‎. يرخص‎ DeepSeek ‎كلًا‎ ‎من‎ V4 Pro ‎وV4 Flash ‎بموجب‎ ‎رخصة‎ MIT،‎ ‎وهي‎ ‎واحدة‎ ‎من‎ ‎أكثر‎ ‎شروط‎ ‎العمل‎ ‎مفتوح‎ ‎المصدر‎ ‎تساهلًا‎ ‎المتاحة،‎ ‎لذا‎ ‎فإن‎ ‎كلاهما‎ ‎مجاني‎ ‎للاستضافة‎ ‎الذاتية‎ ‎دون‎ ‎قيود‎. أما‎ Qwen ‎فهو‎ ‎منقسم‎: يتوفر‎ Qwen3.8-27B ‎بموجب‎ ‎رخصة‎ Apache 2.0 ‎وهو‎ ‎مجاني‎ ‎للاستضافة‎ ‎الذاتية،‎ ‎لكن‎ ‎النموذج‎ ‎الرائد‎ Qwen3.8-Max ‎يظل‎ ‎مغلقًا‎ ‎ومتاحًا‎ ‎عبر‎ ‎واجهة‎ ‎برمجة‎ ‎التطبيقات‎ ‎فقط‎ ‎وخاضعًا‎ ‎لرخصة‎ Alibaba ‎المخصصة‎ ‎الخاصة‎ ‎بها‎.‎

عمليًا،‎ ‎هذا‎ ‎يعني‎ ‎وجود‎ ‎خيار‎ ‎مفتوح‎ ‎الأوزان‎ ‎بالكامل‎ ‎ومرخص‎ ‎بموجب‎ MIT ‎في‎ ‎جانب‎ DeepSeek ‎على‎ ‎كلا‎ ‎مستويي‎ ‎الجودة‎. في‎ ‎جانب‎ Qwen،‎ ‎يعني‎ ‎اختيار‎ ‎النموذج‎ ‎مفتوح‎ ‎الأوزان‎ ‎التخلي‎ ‎عن‎ ‎النموذج‎ ‎الرائد‎.‎

ما‎ ‎هي‎ ‎تكلفة‎ ‎تشغيل‎ Qwen ‎وDeepSeek ‎على‎ ‎نطاق‎ ‎واسع؟

بعد‎ ‎الخفض‎ ‎الدائم‎ ‎لأسعار‎ DeepSeek ‎في‎ ‎مايو‎ 2026،‎ ‎تبلغ‎ ‎أسعار‎ ‎واجهة‎ ‎برمجة‎ ‎التطبيقات‎ ‎الحالية‎ ‎المنشورة‎ ‎له‎ ‏$0.435 per million input tokens (cache miss) and $‎0.87 ‎لكل‎ ‎مليون‎ ‎رمز‎ ‎مخرجات‎ ‎لـ‎ V4 Pro،‎ ‎بينما‎ ‎يتم‎ ‎تسعير‎ V4 Flash ‎بسعر‎ ‎أقل‎ ‎لكونه‎ ‎مخصصًا‎ ‎للاستجابة‎ ‎السريعة‎.‎

بالنسبة‎ ‎للفرق‎ ‎التي‎ ‎تستضيف‎ ‎أيًا‎ ‎من‎ ‎النموذجين‎ ‎ذاتيًا‎ ‎بدلاً‎ ‎من‎ ‎استخدام‎ ‎واجهة‎ ‎برمجة‎ ‎تطبيقات‎ ‎مستضافة،‎ ‎ينتقل‎ ‎تباين‎ ‎التكلفة‎ ‎بالكامل‎ ‎إلى‎ ‎البنية‎ ‎التحتية‎ ‎لوحدات‎ ‎معالجة‎ ‎الرسومات‎ ‎ويصبح‎ ‎دالة‎ ‎لعدد‎ ‎المعلمات‎ ‎وكفاءة‎ ‎المعلمات‎ ‎النشطة،‎ ‎بدلاً‎ ‎من‎ ‎معدل‎ ‎التكلفة‎ ‎لكل‎ ‎رمز‎.‎

هل‎ ‎أي‎ ‎من‎ ‎النموذجين‎ ‎آمن‎ ‎بما‎ ‎يكفي‎ ‎للمحتوى‎ ‎القانوني‎ ‎أو‎ ‎الطبي‎ ‎أو‎ ‎الخاضع‎ ‎للتنظيم؟

لا‎ ‎ينشر‎ ‎أي‎ ‎من‎ ‎النموذجين‎ ‎شهادات‎ ‎أمان‎ ‎خاصة‎ ‎بالترجمة،‎ ‎كما‎ ‎أن‎ ‎مقاييس‎ ‎الأمان‎ ‎العامة‎ ‎لا‎ ‎تختبر‎ ‎أنماط‎ ‎الفشل‎ ‎التي‎ ‎تهم‎ ‎في‎ ‎المحتوى‎ ‎الخاضع‎ ‎للتنظيم‎: ‎مثل‎ ‎ترجمة‎ ‎خاطئة‎ ‎للجرعة‎ ‎الطبية،‎ ‎أو‎ ‎تعديل‎ ‎بند‎ ‎المسؤولية،‎ ‎أو‎ ‎عدم‎ ‎اتساق‎ ‎مصطلح‎ ‎قانوني‎. لقد‎ ‎وجد‎ ‎اختبار‎ MachineTranslation.com ‎الخاص‎ ‎هذا‎ ‎النوع‎ ‎من‎ ‎الاختلاف‎ ‎تمامًا‎ ‎بين‎ ‎النماذج‎ ‎في‎ ‎المصطلحات‎ ‎القانونية‎ ‎والطبية،‎ ‎بما‎ ‎في‎ ‎ذلك‎ ‎الحالات‎ ‎التي‎ ‎استخدمت‎ ‎فيها‎ ‎النماذج‎ ‎ مصطلحات‎ ‎قانونية‎ ‎مختلفة‎ ‎بنطاقات‎ ‎مختلفة ‎ ‎على‎ ‎الرغم‎ ‎من‎ ‎حصول‎ ‎كليهما‎ ‎على‎ ‎درجات‎ ‎جيدة‎ ‎في‎ ‎مقاييس‎ ‎الجودة‎ ‎العامة‎.‎

بالنسبة‎ ‎للعقود،‎ ‎أو‎ ‎وثائق‎ ‎الهجرة،‎ ‎أو‎ ‎المحتوى‎ ‎السريري،‎ ‎فإن‎ ‎هذا‎ ‎يستدعي‎ ‎دمج‎ ‎مخرجات‎ ‎أي‎ ‎من‎ ‎النموذجين‎ ‎مع‎ ‎ خطوة‎ ‎تحقق‎ ‎بشري ‎ ‎بدلاً‎ ‎من‎ ‎الوثوق‎ ‎بمخرجات‎ ‎ذكاء‎ ‎اصطناعي‎ ‎فردية‎ ‎بمجرد‎ ‎ظاهرها،‎ ‎بغض‎ ‎النظر‎ ‎عن‎ ‎النموذج‎ ‎الذي‎ ‎أنتجها‎.‎

ماذا‎ ‎يعني‎ ‎هذا‎ ‎إذا‎ ‎كنت‎ ‎تقوم‎ ‎بالتوطين‎ ‎إلى‎ ‎لغات‎ ‎متعددة‎ ‎في‎ ‎نفس‎ ‎الوقت؟

إن‎ ‎المقارنة‎ ‎القائمة‎ ‎على‎ ‎زوج‎ ‎لغوي‎ ‎واحد‎ ‎لا‎ ‎تخبرك‎ ‎بشيء‎ ‎تقريبًا‎ ‎عن‎ ‎الزوج‎ ‎رقم‎ ‎أربعين‎. إن‎ ‎الانقسام‎ (‎إلى‎ ‎الإنجليزية‎ / ‎من‎ ‎الإنجليزية‎) ‎الموثق‎ ‎هنا‎ ‎قد‎ ‎ثبت‎ ‎عبر‎ ‎عينة‎ ‎من‎ 98 ‎زوجًا‎ ‎تحديدًا‎ ‎لأنه‎ ‎تم‎ ‎اختباره‎ ‎بهذا‎ ‎النطاق‎: ‎فاختبار‎ ‎واحد‎ ‎من‎ ‎الإنجليزية‎ ‎إلى‎ ‎الإسبانية،‎ ‎وهو‎ ‎ما‎ ‎تجريه‎ ‎معظم‎ ‎مقارنات‎ Qwen ‎مقابل‎ DeepSeek،‎ ‎كان‎ ‎ليظهر‎ ‎تقدمًا‎ ‎مريحًا‎ ‎لـ‎ DeepSeek ‎ولن‎ ‎يخبرنا‎ ‎بشيء‎ ‎عما‎ ‎يحدث‎ ‎بمجرد‎ ‎دخول‎ ‎التاميلية‎ ‎أو‎ ‎البولندية‎ ‎أو‎ ‎العبرية‎ ‎في‎ ‎العملية‎.‎

هذه‎ ‎هي‎ ‎الحجة‎ ‎العملية‎ ‎لعدم‎ ‎ربط‎ ‎برنامج‎ ‎توطين‎ ‎كبير‎ ‎بمخرجات‎ ‎نموذج‎ ‎واحد‎ ‎بشكل‎ ‎افتراضي‎. يقوم‎ ‎موقع‎ MachineTranslation.com ‎بتشغيل‎ ‎كل‎ ‎من‎ Qwen ‎وDeepSeek،‎ ‎إلى‎ ‎جانب‎ ‎أكثر‎ ‎من‎ 20 ‎نموذجًا‎ ‎آخر،‎ ‎في‎ ‎كل‎ ‎عملية‎ ‎ترجمة‎ ‎ويعرض‎ ‎الإصدار‎ ‎الذي‎ ‎تتفق‎ ‎عليه‎ ‎هذه‎ ‎النماذج‎ ‎في‎ ‎الغالب،‎ ‎وبالتالي‎ ‎فإن‎ ‎إطلاق‎ ‎الترجمة‎ ‎بـ‎ 68 ‎لغة‎ ‎لا‎ ‎يعتمد‎ ‎على‎ ‎النموذج‎ ‎الذي‎ ‎تصادف‎ ‎فوزه‎ ‎بالزوج‎ ‎اللغوي‎ ‎الوحيد‎ ‎الذي‎ ‎اختبره‎ ‎شخص‎ ‎ما‎ ‎أولاً‎. يمكنك‎ ‎رؤية‎ ‎النماذج‎ ‎التي‎ ‎اتفقت‎ ‎أو‎ ‎اختلفت‎ ‎بدقة‎ ‎في‎ ‎أي‎ ‎ترجمة‎ ‎معينة‎ ‎في‎ ‎ تفصيل‎ ‎النموذج‎ ‎لكل‎ ‎ترجمة ‎ ‎الذي‎ ‎تظهره‎ ‎المنصة‎ ‎لكل‎ ‎نتيجة‎.‎

تخضع‎ ‎كل‎ ‎ترجمة‎ ‎للفحص‎ ‎مقارنة‎ ‎بمجموعة‎ ‎نماذج‎ ‎أوسع‎ ‎مما‎ ‎يمكن‎ ‎لـ‎ Qwen ‎أو‎ DeepSeek ‎تقديمه‎ ‎بمفردهما،‎ ‎وهو‎ ‎الإجابة‎ ‎المباشرة‎ ‎عما‎ ‎يحدث‎ ‎بمجرد‎ ‎أن‎ ‎يتوقف‎ ‎محتواك‎ ‎عن‎ ‎التحرك‎ ‎في‎ ‎اتجاه‎ ‎واحد‎ ‎فقط‎.‎

الأسئلة‎ ‎الشائعة