هل سبق لك أن تساءلت عن أرخص نموذج للذكاء الاصطناعي يمكنك استخدامه، ثم وجدت نفسك غارقًا في تخمينات لا أساس لها؟ حسنًا، لقد وجدنا الحل! فقد سئم أحد المطورين من نصائح «الحدس» وتغريدات «الخبراء» الخاطئة حول تكلفة نماذج اللغة الكبيرة (LLMs)، فقرر بناء نظام موثوق به يجيب عن هذا السؤال بدقة. هذا يعني أنك الآن تستطيع اتخاذ قرارات أفضل بشأن نماذج الذكاء الاصطناعي التي تستخدمها، مما يوفر عليك المال والجهد. عادةً، تجد قائمتين لنصائح التكلفة: الأولى هي جداول مقارنة لا تخبرك شيئًا عن احتياجات عملك الفعلية، والثانية هي آراء خاطئة غالبًا بسبب أخطاء حسابية بسيطة. لكن هذا المطور أراد شيئًا مختلفًا: نموذجًا يمكنك التحقق منه بنفسك، يعطيك أرقامًا متطابقة في كل مرة، ومصدر كل سعر مدعوم ببيانات حية وموثقة. قام ببناء نظام يسحب الأسعار المباشرة والمذكورة للمراجع، ويجري العمليات الحسابية باستخدام نواة رياضية دقيقة جدًا، بعيدًا عن أخطاء التقريب أو «هلوسات» الذكاء الاصطناعي في الضرب. ما يميز هذا النهج هو أنه لا يبحث عن أرخص نموذج لكل رمز (توكن) فحسب، بل عن أرخص نموذج «لكل وحدة جودة». هذا مهم للغاية، لأن النموذج الرخيص الذي يرتكب أخطاء ويحتاج إلى إعادة المحاولة قد يكلفك في النهاية أكثر من نموذج موثوق به وأغلى قليلًا. المقياس هنا هو «التكلفة المدمجة مقسومة على درجة جودة الوكيل»، مع الأخذ في الاعتبار مزيج الرموز المستخدمة في الإنتاج وجودة الأداء. وبعد تطبيق هذا النظام على ثمانية أسئلة رئيسية يواجهها بناة وكلاء الذكاء الاصطناعي، كانت النتائج واضحة: نموذج DeepSeek V3.2، خاصة عند استخدامه عبر OpenRouter، برز كفائز حاسم. فهو ليس فقط النموذج مفتوح المصدر الأعلى جودة في المجموعة التي تم اختبارها، بل كان أيضًا الأقرب إلى الأقل تكلفة، حيث بلغت تكلفة الجودة لديه 1.49 دولار لكل ألف وحدة جودة. هذا يعني أنك تحصل على أفضل أداء بأقل تكلفة، وهو ما يجعل هذا الاكتشاف قيمًا جدًا لأي شخص يعمل في مجال تطوير وكلاء الذكاء الاصطناعي. والأجمل من ذلك، أن المستودع متاح للجميع لإعادة تشغيل التحليلات والتحقق من الأرقام بأنفسهم.