# VocabX تخفض تكلفة الاستدلال 77% لمصحّح مقالات برتغالية

> توضح Hugging Face أن إعادة بناء مُجزّئ الرموز لنموذج مصحّح قائم على Qwen3‑4B باستخدام VocabX قلّلت عدد الرموز ومدة التنفيذ.

Oossa · 2026-10-21 · https://oossa.com/ar/vocabx-cuts-inference-cost-by-77-for-portuguese-essay-grader

أفادت Hugging Face بأن خدمة لتصحيح المقالات البرتغالية، مبنية على نموذج Qwen3‑4B ذي 4 مليارات مُعامِل، خفّضت متوسط الرد من 350 رمزًا إلى 101 رمز بعد استبدال مُجزّئ الرموز الأصلي بآخر متخصص يُدعى VocabX. وخفّض هذا التغيير تكلفة الاستدلال المقاسة بنسبة 77%، مع تحسين جودة التصحيح. وتعتمد الطريقة على إعادة بناء المفردات للتركيز على تكلفة الرموز بدلًا من تكرارها، ودمج بُنى JSON المتكررة في رموز ماكرو مفردة.

## الحقائق

- انخفضت التكلفة بنسبة 77.0% في اختبار شمل 500 طلب (بطاقة RTX 5090 GPU، وvLLM).
- تقلّص حجم المفردات من نحو 152,000 مدخل إلى نحو 65,000.

## لماذا يهم

بالنسبة إلى الشركات التي تشغّل نماذج صغيرة على نطاق محدود في بيئة الإنتاج، يمكن لمُجزّئ رموز أقل تكلفة أن يخفض زمن الاستجابة وفواتير السحابة إلى النصف، من دون إعادة تدريب النموذج.

## المصادر والمراجع

1. [How Specializing the Vocabulary of SLMs Can Cut Inference Cost by 77% in Real Applications](https://huggingface.co/blog/Dharma-AI/vocabx-vocabulary-specialization) – Hugging Face, 2026-10-21

آخر تحديث: 2026-10-21