اللغات

النماذج اللغوية الكبيرة (LLMs)

النموذج اللغوي الكبير يتنبأ بالرمز التالي عبر أنماط تعلمها من نصوص ضخمة، وتستخدمه أدوات البحث لقراءة الصفحات وكتابة إجابات الذكاء الاصطناعي.

نُشر أول مرة: 24 يونيو 2026 · آخر تحديث: 22 أغسطس 2026 · Advanced
اللغات
AIمن تأليفAI v2

تعامل مع LLM كمحرك احتمالي للتوليد، لا كقاعدة حقائق. في البحث، تظل قابلية الزحف والفهرسة والاسترجاع شروطاً مسبقة قبل التوليد، وتساعد RAG على تأسيس الإجابة في مصادر حديثة.

الخلاصة — يقدّر LLM احتمال الرمز التالي ويولّد النص ذاتياً — وهذا هو المحرك كله. ويعمل على بنية Transformer التي تعالج تسلسلاً كاملاً بالتوازي عبر الانتباه، لا رمزاً بعد رمز مثل RNNs. وفي البحث توجد مهمتان مختلفتان: الفهم (مُرمِّزات على نمط BERT تساعد في الترتيب) والتوليد (Gemini وGPT-4 يكتبان إجابات الذكاء الاصطناعي). وتقيّد LLMs مواضع توقف المعرفة ونافذة سياق محدودة والهلوسة — ولهذا بالضبط يوجد RAG والتأسيس. وبالنسبة إلى SEO، تظل الفهرسة شرطاً مسبقاً، وفي دراسة Ahrefs لـ75 000 علامةتجارية من Louise Linehan وXibeijia Guan ارتبطت الإشارات النصية مثل الإشارات إلى العلامة التجارية بالظهور في AI Overview بقوة أكبر بنحو 3× من الروابط الخلفية.

ما هو LLM فعلياً

LLM ليس قاعدة بيانات لحقائق مضمونة، والمخرجات الفصيحة ليست دليلاً على الدقة. Evidence for this claim Large autoregressive language models are trained to predict tokens from preceding context and can perform varied language tasks through prompting. Scope: GPT-3 research findings; later models, training methods, and product systems differ. Confidence: high · Verified: Brown et al.: Language Models are Few-Shot Learners وقد تجمع منتجات البحث التي تستخدم LLMs بينها وبين أنظمة استرجاع وترتيب خارجية. Evidence for this claim Applications can give a language model tools for web search, file search, code execution, or external functions. Scope: OpenAI API tool capabilities; tool access is configured separately and should not be conflated with the base model's stored knowledge. Confidence: high · Verified: OpenAI: Tools guide

يقول Google عن النموذج اللغوي: “estimates the probability of a token or sequence of tokens occurring within a longer sequence of tokens.” (ترجمة) «يقدّر احتمال ظهور رمز أو سلسلة رموز ضمن سلسلة أطول من الرموز.» هذا هو الأساس. وLLM نسخة كبيرة جداً من ذلك: نموذج تعلم عميق بمليارات المعاملات دُرّب للتنبؤ بالرمز التالي عبر نصوص على نطاق الويب.

هناك شيئان يجعلان النموذج «كبيراً» وقادراً:

  • الحجم. مليارات المعاملات، مدرَّبة على مجموعات نصية ضخمة. ومع نمو النماذج، تبدأ قدرات مثل التلخيص والاستدلال وإنشاء التعليمات البرمجية في الظهور من دون برمجتها صراحةً.
  • بنية Transformer. قُدّمت في ورقة Google لعام 2017 الانتباه هو كل ما تحتاجه، وتعالج Transformers التسلسل كله مرة واحدة وتستخدم آلية انتباه بحيث يستطيع كل رمز «النظر» إلى كل رمز آخر. ويعرض ML Crash Course من Google الفرق مباشرةً: تستطيع النماذج اللغوية الكبيرة “can evaluate the whole context at once,” (ترجمة) «تقييم السياق كله دفعة واحدة»، بخلاف الشبكات العصبية المتكررة الأقدم التي عالجت “token by token” (ترجمة) «رمزًا بعد رمز» وعانت من “vanishing gradient problem.” (ترجمة) «مشكلة تلاشي التدرج».

يُدرَّب النموذج بالتنبؤ بالرمز التالي على نص خام، ثم يُصقل عادةً عبر RLHF (التعلم المعزز من الملاحظات البشرية) ليصبح أكثر فائدة وأماناً. وعند الاستدلال يولّد بصورة ذاتية الانحدار — رمزاً واحداً في كل مرة، مع إعادة إدخال كل تنبؤ كمدخل للتالي. ويتحكم إعداد يسمى temperature في عشوائية أخذ العينات.

من المفيد إبقاء المراحل منفصلة، لأن الناس يخلطون بينها باستمرار. Evidence for this claim Pretraining learns broad statistical representations, post-training changes model behavior toward instructions or preferences, and inference applies the resulting model to supplied context; prompt context does not by itself update model weights. Scope: General pipeline description across instruction-tuned LLMs; the exact post-training method (RLHF, DPO, or other) and how a given product layer handles session memory vary by provider and are not covered here. Confidence: high · Verified: Ouyang et al.: Training language models to follow instructions with human feedback ففي التدريب المسبق تُضبط الأوزان فعلياً — ويتعلم النموذج أنماطاً إحصائية عامة من التنبؤ بالرمز التالي عبر مجموعة ضخمة. ويعدّل ما بعد التدريب (RLHF وخطوات ضبط التفضيلات المشابهة) الأوزان نفسها مرة أخرى باتجاه التعليمات وسلوك السلامة. أما الاستدلال — ما يحدث عندما ترسل prompt — فلا يحدّث الأوزان إطلاقاً؛ بل يطبق النموذج ما تعلمه في مرحلتي التدريب على النص الذي تقدمه له. ولهذا أيضاً لا تعني نافذة السياق الطويلة أن النموذج «يتعلم» عنك: فالنص الإضافي مدخل لذلك الطلب الواحد، لا تحديث تدريب، ويختفي بانتهاء الجلسة ما لم تحفظه ميزة منتج منفصلة وتعيد تقديمه كذاكرة.

حافظ على نموذج ذهني صادق: هذه عملية احتمالية. ينتج النموذج إكمالات معقولة، لا حقائق تم التحقق منها.

الفهم مقابل التوليد: مهمتان مختلفتان

هذا هو التمييز الذي يوضح معظم الالتباس حول LLM في البحث.

  • BERT (2019) نموذج ثنائي الاتجاه لا يعتمد على المُولِّد. يقول Google إنه ينظر إلى “the full context of a word by looking at the words that come before and after it.” (ترجمة) «السياق الكامل للكلمة بالنظر إلى الكلمات التي تسبقها وتليها.» وظيفة BERT هي الفهم — تفسير الاستعلامات والوثائق لتحسين الترتيب. وهو لا يولّد إجابات. وقال Google إن BERT سيساعد «البحث على فهم أفضل لواحد من كل 10 عمليات بحث في الولايات المتحدة باللغة الإنجليزية»، ووصفه Pandu Nayak بأنه “the biggest leap forward in the past five years.” (ترجمة) «أكبر قفزة إلى الأمام في السنوات الخمس الماضية.»
  • Gemini / GPT-4 نموذجان توليديان (على نمط فك الترميز، ذاتيا الانحدار). ووظيفتهما التوليد — تركيب نص إجابة AI Overview أو Copilot من المقاطع المسترجعة.

لذلك عندما يسأل مختص SEO «هل يرتب LLM صفحتي؟» تكون الإجابة الصادقة: لقد أثر نموذج فهم على نمط BERT طويلاً في الترتيب؛ أما نموذج توليدي مثل Gemini فيكتب ملخص الذكاء الاصطناعي فوق ما أظهرته خطوة الاسترجاع. نماذج مختلفة، ومراحل مختلفة.

تطور LLM في بحث Google

خط زمني تقريبي، لأن السلالة مهمة:

  • 2017 — الانتباه هو كل ما تحتاجه (Google Research): ورقة Transformer التي بُني عليها كل ما جاء بعدها.
  • 2019 — BERT: أول LLM قائم على Transformer في ترتيب Google؛ «واحد من كل 10 عمليات بحث».
  • 2021 — MUM: نموذج قائم على T5 بنحو 110 مليار معلمة، وصفه Google بأنه “1,000 times more powerful than BERT,” (ترجمة) «أقوى بألف مرة من BERT»، ومتعدد الوسائط ومدرَّب على أكثر من 75 لغة.
  • 2023 — Gemini: “built from the ground up to be multimodal,” (ترجمة) «بُني من الأساس ليكون متعدد الوسائط»، ومدرَّب مسبقاً منذ البداية على وسائط متعددة؛ أُطلق في نسخ Ultra وPro وNano. وأبلغ Google أنه أول نموذج “outperform human experts on MMLU” (ترجمة) «يتفوق على الخبراء البشر في MMLU» (90,0%). (ترتبط أرقام المعايير مثل هذه بإصدار النموذج المحدد ومجموعة الاختبار وتاريخ التقييم الذي استخدمه المختبر؛ ولا تنتقل تلقائياً إلى تحديثات لاحقة من العائلة نفسها.)
  • 2024 — AI Overviews (بعد تخرجها من SGE): تصل الطبقة التوليدية إلى صفحة النتائج.
  • 2025 — AI Mode + Gemini 3: وصفت Elizabeth Reid Gemini 3 في Search بأنه يجلب “state-of-the-art reasoning, deep multimodal understanding and powerful agentic capabilities,” (ترجمة) «استدلالًا من أحدث طراز وفهمًا عميقًا متعدد الوسائط وقدرات وكيلية قوية»، مع توجيه النظام الأسئلة المعقدة بذكاء إلى Gemini 3 والمهام الأبسط إلى نماذج أسرع.
  • 2026 — يصبح Gemini 3 الافتراضي لـAI Overviews. وفق Robby Stein: “Gemini 3 is now the default model for AI Overviews.” (ترجمة) «Gemini 3 هو الآن النموذج الافتراضي لـAI Overviews.»

Bing Copilot: GPT-4 + Prometheus + فهرس Bing

أكدت Microsoft في مارس 2023 أن “the new Bing is running on GPT-4, which we’ve customized for search,” (ترجمة) «Bing الجديدة تعمل على GPT-4، الذي خصصناه للبحث»، وأنه “as OpenAI makes updates to GPT-4 and beyond, Bing benefits from those improvements.” (ترجمة) «مع تحديث OpenAI لـGPT-4 وما بعده، تستفيد Bing من تلك التحسينات.»

القطعة التي تصل LLM مجمداً بالويب الحي هي نموذج Prometheus من Microsoft — الموصوف بأنه نموذج يجمع فهرس Bing الحديث مع قدرة GPT على الاستدلال. يعيد مسار Copilot صياغة استعلامك إلى سلاسل بحث، ويسترجع من فهرس Bing، ويجعل GPT يركّب إجابة مؤسسة ومستشهداً بالمصادر. (ملاحظة: يأتي هذا التفصيل عن المسار من تحليل تقني من طرف ثالث، لا من مواصفة Microsoft أولية — فتعامل مع الخطوات باعتبارها مبلّغاً عنها في المجال.)

كيف تنشئ AI Overviews إجابة فعلياً (مسار RAG)

السبب الذي يمكّن هذه الأنظمة من الإجابة عن أخبار اليوم رغم قِدم موضع توقف التدريب هو التوليد المعزز بالاسترجاع. وتعريف Google Cloud الخاص هو أن RAG “combines the strengths of traditional information retrieval systems with the capabilities of generative large language models.” (ترجمة) «يجمع RAG بين نقاط قوة أنظمة استرجاع المعلومات التقليدية وقدرات النماذج اللغوية الكبيرة التوليدية.» ومفاهيمياً:

  1. ترسل استعلاماً.
  2. تُفكك الاستعلامات المعقدة — عبر توسيع الاستعلام في Google — إلى استعلامات فرعية.
  3. يسترجع كل استعلام فرعي مقاطع مرشحة من الفهرس.
  4. تُحقن تلك المقاطع في نافذة سياق LLM — وهذا هو التأسيس، أي تثبيت الإجابة على المصادر المسترجعة لا على بيانات التدريب وحدها.
  5. يولّد LLM إجابة مركبة مع استشهادات.
  6. تُجرى فحوص السلامة والجودة، ثم تُعاد الإجابة.

الأثر على SEO هو سلسلة من البوابات. يجب أن يكون محتواك (أ) قابلاً للزحف بواسطة روبوتات الذكاء الاصطناعي، و(ب) مفهرساً، و(ج) ظاهراً عبر الاسترجاع، و(د) مختاراً على حساب المقاطع المنافسة، و(هـ) ممثلاً بدقة في المخرَج. والخروج من أي مرحلة يعني أنك لست في الإجابة.

القيود المهمة لمختصي SEO

القيدماذا يعني لك
موضع توقف المعرفةلا يعرف النموذج شيئاً بعد تاريخ تدريبه ما لم يزوده RAG بمحتوى حديث. وموضع التوقف لا يساوي تاريخ الإصدار — فقد يختلفان بأشهر. ويُبلّغ عن أن موضع توقف تدريب GPT-5 هو سبتمبر 2024.
نافذة السياقلا يستطيع LLM معالجة إلا كمية محدودة من النص دفعة واحدة، مقاسة بالرموز. وهذا يحد كمية المحتوى المسترجع التي يمكن إدخالها — ولهذا يهم تقسيم المقاطع في الاسترجاع.
الهلوسةيولّد النموذج إكمالات تبدو معقولة لكنها قد تكون خاطئة. إنها أثر إحصائي وليست كذباً. ووجد بحث Ahrefs أن المساعدين بالذكاء الاصطناعي يرسلون الزوار إلى صفحات 404 بمعدل 2,87× أكثر من Google Search.
خطر تغطية JavaScriptيختلف عرض زاحف الذكاء الاصطناعي حسب المزود، لذلك قد يفوّت المحتوى المعتمد على JS عندما يستخدم الجالب HTML الأولي فقط.
تقسيم المقاطعتقسم أنظمة الاسترجاع الصفحات إلى مقاطع. وأشارت أبحاثي عن معالجة Chrome إلى مقاطع من نحو 200 كلمة وتحليل أول نحو 30 مقطعاً فقط من الصفحة — وقد لا يُسترجع المحتوى المدفون بعمق.

ما يعنيه هذا لاستراتيجية المحتوى

هناك أمور قليلة أشعر بالراحة في قولها، منفصلة عن الأمور التي لا يعرفها فعلياً أحد خارج محركات البحث:

  • الفهرسة لا تزال شرطاً مسبقاً. كان Gary Illyes صريحاً: “To get your content to appear in AI Overview, simply use normal SEO practices.” (ترجمة) «لكي يظهر محتواك في AI Overview، استخدم ممارسات SEO العادية فحسب.» ولا توجد إشارة مؤكدة تستهدف LLMs تحديداً. وبخصوص ملف llms.txt الذي حظي بضجة كبيرة، قال Illyes “Google doesn’t support LLMs.txt and isn’t planning to,” (ترجمة) «Google لا تدعم LLMs.txt ولا تخطط لذلك»، وشبّهه John Mueller بوسم الكلمات المفتاحية القديم.
  • الإشارات إلى العلامة تتفوق على الروابط الخلفية في الظهور بالذكاء الاصطناعي. في دراستنا لـ75 000 علامة كانت الإشارات إلى العلامة في الويب أقوى ارتباطاً بظهور AI Overview (نحو 0,66) مقابل نحو 0,22 للروابط الخلفية — وارتبطت الإشارات النصية بقوة أكبر بنحو 3× من مقاييس الروابط. وكما قلنا، فإن LLMs “derive their understanding of a brand’s authority from words on the page, from the prevalence of particular words, the co-occurrence of different terms and topics, and the context in which those words are used.” (ترجمة) «تستمد فهمها لسلطة العلامة من الكلمات في الصفحة، وشيوع كلمات معينة، والتشارك في ظهور مصطلحات وموضوعات مختلفة، والسياق الذي تُستخدم فيه تلك الكلمات.»
  • الفائز يأخذ كل شيء. حققت العلامات في الربع الأعلى من حيث إشارات الويب 169 إشارة AI Overview في المتوسط مقابل 14 للربع التالي — وكانت 26% من العلامات المدروسة بلا أي إشارة. وتراكم المواضع ذات السلطة والزيارات المرتفعة ظهورك في الذكاء الاصطناعي.
  • الحداثة مفيدة. عبر تحليل لـ17 مليون استشهاد، فضّل المساعدون بالذكاء الاصطناعي الاستشهاد بمحتوى أحدث بشكل ذي معنى مما يظهر عادةً في النتائج العضوية.
  • لا تحجب زواحف الذكاء الاصطناعي بشكل انعكاسي. قد يؤدي الحجب إلى خسارة الظهور في الذكاء الاصطناعي من دون مكسب SEO. وتذكر نقطة عمياء JavaScript أعلاه — إذا احتاج المحتوى إلى JavaScript ليظهر، فلن تراه معظم زواحف الذكاء الاصطناعي.

والتحفظ الصادق هو أن المحركات تتجنب باستمرار كشف كيفية عمل جانب الترتيب في AI Overviews. والقصة المؤكدة هي «افهرس المحتوى واستخدم SEO العادي». وكل ما بعد ذلك استنتاج — بما في ذلك استنتاجي.

Add an expert note

Pin an expert quote

New person? Create their unclaimed profile at /admin/experts/ → Pin a quote first.