كيف نكتشف كرت شاشتك ونقيّم النماذج المحلية

كيف يعمل الموقع

قدرة تعمل بالكامل داخل متصفحك. فور زيارتك للموقع نستخدم واجهات المتصفح للتعرّف على كرت شاشتك ومعالجك وذاكرتك، ثم نحسب أي النماذج يستطيع جهازك تشغيلها وبأي سرعة. ولا تُرسَل أي بيانات إلى أي خادم — كل شيء يُحسب على جهازك.

اكتشاف مكوّنات الجهاز

نستخدم ثلاث واجهات في المتصفح للتعرّف على مكوّنات جهازك، بدون أي إضافات أو برامج.

// جلب اسم كرت الشاشة
const canvas = document.createElement("canvas");
const gl = canvas.getContext("webgl2");
const ext = gl.getExtension("WEBGL_debug_renderer_info");
const gpu = gl.getParameter(ext.UNMASKED_RENDERER_WEBGL);
// → "ANGLE (NVIDIA, NVIDIA GeForce RTX 4090, ...)"
// → "Apple M4 Pro GPU"

const adapter = await navigator.gpu.requestAdapter();
const info = adapter.info;
// info.device → "nvidia geforce rtx 4090"
// info.architecture → "ampere"

const cores = navigator.hardwareConcurrency; // → 16
const ram = navigator.deviceMemory;         // → 8GB (تقريبي)

قاعدة بيانات كروت الشاشة

بعد التعرّف على كرت شاشتك نبحث عنه في قاعدة بيانات مدمجة تضم نحو 40 كرتًا (إنفيديا و AMD و إنتل) ونحو 12 شريحة من معالجات Apple. وكل مدخل يحتوي على سعة الذاكرة وعرض نطاقها — وهما أهم رقمين لتشغيل النماذج محليًا.

// أمثلة من قاعدة بيانات كروت الشاشة
const GPU_DB = {
  "RTX 4090":    { vram: 24,  bw: 1008 }, // GB/s
  "RTX 4060":    { vram: 8,   bw: 272  },
  "RX 7900 XTX": { vram: 24,  bw: 960  },
};

const APPLE_DB = {
  "m4 max":   { ram: 36,  bw: 546 },
  "m4 pro":   { ram: 24,  bw: 273 },
  "m4":       { ram: 16,  bw: 120 },
};

متطلبات الذاكرة

لكل نموذج في قاعدتنا متطلبات ذاكرة محسوبة مسبقًا لكل مستوى Quantization، والمعادلة بسيطة:

نضيف 0.5GB ثابتة لهامش التشغيل (محرّك الاستدلال وسياق CUDA أو Metal) مع هامش أمان 10% لذاكرة KV والمخازن المؤقتة. فمثلًا نموذج بحجم 70 مليارًا بـ Quantization Q4_K_M يحتاج تقريبًا 70 × 4 ÷ 8 = 35GB× 1.1 + 0.5 ≈ 39GB.

// كيف نحسب الذاكرة لكل مستوى Quantization
// نضيف ~0.5GB لذاكرة KV ومحرّك التشغيل
const RUNTIME_OVERHEAD = 0.5; // GB

function makeQuants(paramsBillions) {
  const base = paramsBillions;
  return [
    { name: "Q2_K",   vram: round(base * 0.35 + RUNTIME_OVERHEAD) },
    { name: "Q4_K_M", vram: round(base * 0.55 + RUNTIME_OVERHEAD) },
    { name: "Q6_K",   vram: round(base * 0.75 + RUNTIME_OVERHEAD) },
    { name: "Q8_0",   vram: round(base * 0.95 + RUNTIME_OVERHEAD) },
    { name: "F16",    vram: round(base * 1.85 + RUNTIME_OVERHEAD) },
  ];
}

خوارزمية التقييم

النتيجة (من ٠ إلى ١٠٠) تجمع ثلاثة عوامل للإجابة عن سؤال واحد: "ما مدى جودة تشغيل هذا النموذج على جهازك؟"

const efficiency = isAppleSilicon ? 0.65 : 0.70;
const toksPerSec = (bandwidthGBs / modelVRAM) * efficiency;

// تحويل السرعة إلى نقاط
80+ tok/s → 100 pts     // فوري
40+ tok/s →  85 pts     // سريع
20+ tok/s →  65 pts     // جيد
10+ tok/s →  45 pts     // مقبول
 5+ tok/s →  25 pts     // بطيء
 <5  tok/s →  10 pts     // مرهق

const memPct = (modelVRAM / totalMemory) * 100;

// تحويل استهلاك الذاكرة إلى نقاط
 ≤30% → 100 pts     // مساحة وفيرة
 ≤50% →  80 pts     // مريح
 ≤70% →  55 pts     // متوسط
 ≤85% →  30 pts     // ضيّق
 >85% →  10 pts     // ضيّق جدًا

const qualityBonus = Math.min(15, Math.log2(paramsBillions + 1) * 2.5);
// 7B → ~7.5 نقطة، 70B → ~15 نقطة (بحد أقصى)

سلّم التقييم

تُترجَم النتيجة النهائية إلى وصف للحالة:

تصنيف الاتّساع

قبل التقييم نصنّف كل نموذج ضمن ثلاث حالات حسب الذاكرة:

تقدير التوكنز في الثانية

نقدّر سرعة التوليد بنموذج بسيط محكوم بعرض النطاق، لأن تشغيل النماذج اللغوية محكوم شبه كليًا بسرعة قراءة الأوزان من الذاكرة — ونادرًا ما تكون الحسابات هي عنق الزجاجة.

الكفاءة 0.70 للكروت المنفصلة و0.65 لمعالجات Apple (لأن الذاكرة الموحّدة لها هامش استهلاك أعلى قليلًا). وهذا تقدير متحفّظ — فالأداء الفعلي قد يختلف ±20% حسب حجم الدفعة وطول السياق وصيغة الـ Quantization.

مصادر البيانات

معلومات النماذج مجمّعة من مصادر متعدّدة ومراجَعة يدويًا:

إحصاءات HuggingFace

نجلب عدد التنزيلات والإعجابات من HuggingFace وقت البناء عبر واجهتهم العامة:

// جلب إحصاءات النموذج من واجهة HuggingFace
const res = await fetch(
  `https://huggingface.co/api/models/${repoId}`
);
const data = await res.json();
// data.downloads → 2_450_000
// data.likes     → 12_500

معالجات Apple: الذاكرة الموحّدة

أجهزة ماك بمعالجات Apple تشارك الذاكرة بين المعالج وكرت الرسوميات (بنية الذاكرة الموحّدة)، ما يعني أن النموذج يستطيع استخدام نحو 75% من الذاكرة الكلية — أكثر بكثير من الكروت المنفصلة المحدودة بذاكرتها. فـ MacBook Pro بذاكرة 36GB يشغّل نماذج تحتاج نحو 27GB، بينما لا يستطيع حاسوب بكرت 8GB ذلك. ونحن نراعي هذا في حساباتنا بمعاملة معالجات Apple كمخزون واحد بحد استخدام 75%.

الخصوصية والشفافية

كل قراءة لمواصفات جهازك وكل عملية تقييم تجري داخل متصفحك، ولا تُرسَل أي بيانات إلى أي خادم. فاسم كرت الشاشة وحجم الذاكرة ونتائج الاختبار لا تغادر جهازك أبدًا. والموقع مبني بـ Astro ولا يرسل أي جافاسكربت للصفحات التي لا تحتاجها.