# IBM تشرح أساليب الاستدلال الموزع للنماذج اللغوية الكبيرة

> تلخص مادة توضيحية من IBM Research بتاريخ 12 أكتوبر أساليب في إطار llm-d، منها التوجيه الواعي بالذاكرة المؤقتة وإخراج ذاكرة KV والتحكم في التدفق وفصل مراحل الاستدلال. وتعود أرقام الأداء إلى عروض llm-d التي يذكرها المنشور.

- الرابط الدائم: https://newsverum.com/ar/news/ibm-distributed-inference-llmd-explainer-2026
- الناشر: Newsverum
- القسم: التكنولوجيا
- نُشر: 2026-10-15T22:00:39+00:00
- آخر تحديث: 2026-10-15T22:00:39+00:00
- فترة مراجعة المصدر: 2026-10-12
- النسخ الأخرى: [Türkçe](https://newsverum.com/tr/news/ibm-distributed-inference-llmd-explainer-2026.md), [English](https://newsverum.com/en/news/ibm-distributed-inference-llmd-explainer-2026.md), [Français](https://newsverum.com/fr/news/ibm-distributed-inference-llmd-explainer-2026.md), [Español](https://newsverum.com/es/news/ibm-distributed-inference-llmd-explainer-2026.md), [Deutsch](https://newsverum.com/de/news/ibm-distributed-inference-llmd-explainer-2026.md), [Português](https://newsverum.com/pt/news/ibm-distributed-inference-llmd-explainer-2026.md)

*لا يحدد المصدر تاريخ الحدث؛ الفترة المعروضة هي فترة مراجعة المصدر.*

شرحت IBM Research الاستدلال الموزع عبر llm-d، وهو إطار مفتوح المصدر وأصلي لـKubernetes ينسق مجموعات من خوادم النماذج اللغوية الكبيرة بدلاً من موازنة كل خادم بمعزل. وتتناول المادة توجيه الطلبات إلى خوادم تحتفظ بالفعل بالمقدمات المشتركة، ونقل ذاكرة KV المؤقتة إلى ذاكرة CPU أو التخزين، وترتيب تدفق الطلبات حسب الأولوية، وضبط مهام الدفعات، وفصل مرحلتي prefill وdecode، وتوزيع مكونات الخبراء في بنية MoE على العقد.

تقول IBM إن إحدى عروض llm-d حققت 97% من إعادة استخدام المقدمات المتاحة في عبء العمل المختبر؛ كما تذكر عروضاً للتوازي الواسع للخبراء مع ذاكرة أقل للأوزان لكل GPU وسعة لذاكرة KV أكبر بثلاث إلى تسع مرات حسب البنية. تعود هذه الأرقام إلى عروض تشير إليها الشركة؛ والمنشور ليس دراسة معيارية مستقلة.

## البيانات

### IBM تشرح أساليب الاستدلال الموزع للنماذج اللغوية الكبيرة

المنهجية: تُنسب الادعاءات والتفاصيل التقنية إلى المصدر الأولي المشار إليه؛ وهذا ليس اختباراً مستقلاً.

| date | label | description | status |
|---|---|---|---|
| 2026-10-12 | تاريخ نشر المصدر | تلخص مادة توضيحية من IBM Research بتاريخ 12 أكتوبر أساليب في إطار llm-d، منها التوجيه الواعي بالذاكرة المؤقتة وإخراج ذاكرة KV والتحكم في التدفق وفصل مراحل الاستدلال. وتعود أرقام الأداء إلى عروض llm-d التي يذكرها المنشور. | occurred |

المصادر: <https://research.ibm.com/blog/distributed-inference> · تنزيل البيانات: [JSON](https://newsverum.com/api/v1/articles/ibm-distributed-inference-llmd-explainer-2026/data/reported-event?lang=ar&format=json) · [CSV](https://newsverum.com/api/v1/articles/ibm-distributed-inference-llmd-explainer-2026/data/reported-event?lang=ar&format=csv)

## المصادر

- [IBM Research](<https://research.ibm.com/blog/distributed-inference>) (تاريخ مراجعة المصدر: 2026-10-15; نُشر: 2026-10-12)

---

استخدم الرابط الدائم أعلاه عند الاقتباس. [معايير النشر والتصحيحات](https://newsverum.com/ar/editorial)