Blank white background with no objects or features visible.

تحية إلى منطقة أوروبا والشرق الأوسط وأفريقيا! توسع TrueFoundry نطاق حضورها في هذه المنطقة الحيوية. اقرأ المزيد ←

سؤال الـ 360 ألف دولار حول اقتصاديات Large Language Models

By TrueFoundry

Updated: November 5, 2026

Published: July 2, 2026

الهدف من هذا المقال هو تثقيف القارئ حول كيفية عمل تسعير Large Language Models (LLM). يأتي هذا الدافع من محادثاتنا مع العديد من الشركات التي تستخدم LLMs تجاريًا. ولقد أدركنا في هذه المحادثات أن اقتصاديات LLM غالبًا ما يُساء فهمها، مما يترك مجالاً هائلاً للتحسين.

هل تدرك أن تنفيذ نفس المهمة قد يكلف إما 3500 دولار باستخدام نموذج معين أو 1,260,000 دولار باستخدام نموذج آخر؟ يأتي هذا التفاوت بالطبع على حساب الاختلاف في الأداء، ولكنه يترك مجالاً كبيراً للتفكير في طبيعة الموازنة بين التكلفة والأداء. هل المهمة من النوع الذي يمكنني فيه استخدام خيار أقل تكلفة؟

‍

‍

لقد وجدنا شركات، مرارًا وتكرارًا، تبالغ في تقدير أو تسيء تقدير إنفاقها على Large Language Models. لذا سنحاول هنا فهم تكلفة تشغيل بعض من أحدث Large Language Models الشائعة وفهم كيفية عمل تسعيرها.

ℹ️

الهدف من هذه المدونة ليس تثقيف القارئ حول LLMs أو أدائها. هذه مدونة تعتمد بشكل مكثف على الرياضيات وتركز على فهم تسعير LLM. وللتبسيط، لن نقوم بلمس مقارنة الأداء بين هذه النماذج.

تلخيص Wikipedia

The عينة لتحليل التسعير

لفهم كيفية عمل التسعير لـ LLMs، سنقوم بمقارنة التكلفة المترتبة على نفس المهمة، وهي تلخيص Wikipedia إلى نصف حجمها الأصلي.

تفاصيل حجم المهمة

سنستخدم بعض التقريبات لتبسيط الحسابات وجعلها سهلة الفهم

حجم محتوى Wikipedia Corpus

  • ~ 6 مليون مقالة إجمالاً
  • ~ 750 كلمة لكل مقالة
  • ~ 1000 tokens لكل مقالة

❓

الـ Tokens هي أجزاء فرعية من الكلمات لا تعتمد بدقة على بداية الكلمات أو نهايتها. وهي الوحدة التي تقسم بها OpenAI APIs المدخلات إلى tokens قبل معالجتها. يمكن أن تتضمن الـ Tokens مسافات لاحقة وحتى كلمات فرعية.

الحجم المتوقع للمخرجات المُلخَّصة

لهذه المهمة، نفترض أن كل مقالة تضغط فقط إلى نصف حجمها لغرض التبسيط. وبناءً عليه ستكون المخرجات التي نتوقعها كالتالي:

  • ~ 6 مليون مقالة
  • ~ 375 كلمة لكل مقالة ملخصة
  • ~ 500 Tokens لكل مقالة
Sample Task: Summarising Wikipedia Articles
مهمة عينة: تلخيص مقالات Wikipedia

فهم التكاليف

مقارنة ما التكلفة التي سيتطلبها استخدام نماذج مختلفة لهذه المهمة

عوامل التسعير في OpenAI/3rd Party APIs

عادة ما تفرض OpenAI و 3rd party APIs الأقسام بناءً على عاملين أساسيين؛ إذا كنت تريد الاستدلال باستخدام APIs الخاصة بها

تكلفة المدخلات (Input Cost)

تعتمد هذه التكلفة على عدد الـ tokens (الموضحة أعلاه) الممررة كـ context/prompt/instruction إلى الـ API.

تكلفة المخرجات (Output Cost)

هي التكلفة القائمة على عدد الـ tokens التي تعيدها الـ API كاستجابة.

بالنسبة لمهمة مثل التلخيص، ولأنك تحتاج إلى تمرير المستند بأكمله أو المقتطف المراد تلخيصه إلى النموذج، فإن عدد الـ tokens التي تشكل جزءًا من الـ prompt يمكن أن يصبح كبيراً جداً، ومن هنا تأتي تكلفة المدخلات.

أساس التكلفة المترتبة على النماذج المستضافة ذاتياً (Self-hosted)

مع النماذج المستضافة ذاتياً، يحتاج المستخدم إلى إدارة/توفير الجهاز (machine) المطلوب لتشغيل النموذج. ورغم أنها قد تشمل تكلفة إدارة هذه الموارد، إلا أن التسعير سهل الفهم نسبياً لأنه يعتمد فقط على تكلفة تشغيل الجهاز (عادةً ما يتقاضاه مزودو الخدمات السحابية، ما لم يكن لديك cluster خاص بك في المقر on-prem)

تكلفة الجهاز (Cost of Machine)

تكلفة توفير الجهاز المطلوب لتشغيل/استضافة النموذج. وبما أن معظم هذه النماذج الكبيرة أكبر مما يمكن تشغيله على جهاز كمبيوتر محمول أو جهاز محلي واحد، فإن استخدام مزود سحابي لهذه الأجهزة هو الخيار الأكثر شيوعاً.

يوفر مزودو الخدمات السحابية هذه الـ instances، على الرغم من أن المستخدمين قد يواجهون مشكلات في توفر GPU لأن هذه النماذج تتطلب GPU.

تكاليف AWS instances

تكاليف Google Cloud Instances

تكاليف Microsoft Azure Instances

Spot instances

يقدم مزودو الخدمات السحابية سعتهم الفائضة بتكلفة أرخص بنسبة 40-90% من on-demand instances

مقارنة تكلفة النماذج المختلفة

GPT 4 - 8K context length

تكلفة الوحدة

تكلفة المدخلات (/مليون TOKENS) تكلفة المخرجات (/مليون TOKENS)
$30 $60

‍

معادلة التكلفة

التكلفة = عدد الـ Tokens (لكل 1000 مقالة)  X  عدد المقالات (بالآلاف) X تكلفة الوحدة (لكل 1 مليون Tokens)

تكلفة المدخلات

1K (tokens/مقالة) X 6,000K (مقالة) X $30 (/مليون tokens) = $180,000

تكلفة المخرجات

0.5 K (tokens/مقالة) X 6,000K (مقالة) X $60 (/مليون tokens) = $180,000

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $360,000

GPT 4 - 32K context length

تكلفة الوحدة

تكلفة المدخلات (/مليون TOKENS) تكلفة المخرجات (/مليون TOKENS)
$60 $120

‍

تكلفة المدخلات (/مليون Tokens) تكلفة المخرجات (/مليون Tokens) $60 $120

معادلة التكلفة

التكلفة = عدد الـ Tokens (لكل 1000 مقالة)  X  عدد المقالات (بالآلاف) X تكلفة الوحدة (لكل 1 مليون Tokens)

تكلفة المدخلات

1K (tokens/مقالة) X 6,000K (مقالة) X $60 (/مليون tokens) = $360,000

تكلفة المخرجات

0.5 K (tokens/مقالة) X 6,000K (مقالة) X $120 (/مليون tokens) = $360,000

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $720,000

Anthropic Claude V1

تكلفة الوحدة

تكلفة المدخلات (/مليون TOKENS) تكلفة المخرجات (/مليون TOKENS)
$11 $32

‍

معادلة التكلفة

التكلفة = عدد الـ Tokens (لكل 1000 مقالة)  X  عدد المقالات (بالآلاف) X تكلفة الوحدة (لكل 1 مليون Tokens)

تكلفة المدخلات

1K (tokens/مقالة) X 6,000K (مقالة) X $11 (/مليون tokens) = $66,000

تكلفة المخرجات

0.5 K (tokens/مقالة) X 6,000K (مقالة) X $60 (/مليون tokens) = $96,000

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $162,000

InstructGPT - DaVinci

تكلفة الوحدة

تكلفة المدخلات (/مليون TOKENS) تكلفة المخرجات (/مليون TOKENS)
$20 $20

‍

معادلة التكلفة

التكلفة = عدد الـ Tokens (لكل 1000 مقالة)  X  عدد المقالات (بالآلاف) X تكلفة الوحدة (لكل 1 مليون Tokens)

تكلفة المدخلات

1K (tokens/مقالة) X 6,000K (مقالة) X $20 (/مليون tokens) = $120,000

تكلفة المخرجات

0.5 K (tokens/مقالة) X 6,000K (مقالة) X $20 (/مليون tokens) = $60,000

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $180,000

Curie

تكلفة الوحدة

تكلفة المدخلات (/مليون TOKENS) تكلفة المخرجات (/مليون TOKENS)
$2 $2

‍

معادلة التكلفة

التكلفة = عدد الـ Tokens (لكل 1000 مقالة)  X  عدد المقالات (بالآلاف) X تكلفة الوحدة (لكل 1 مليون Tokens)

تكلفة المدخلات

1K (tokens/مقالة) X 6,000K (مقالة) X $2 (/مليون tokens) = $12,000

تكلفة المخرجات

0.5 K (tokens/مقالة) X 6,000K (مقالة) X $60 (/مليون tokens) = $6,000

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $18,000

نموذج 7B مستضاف ذاتياً (Self-Hosted)

تكلفة الوحدة

تكلفة تشغيل الجهاز (/ساعة لـ Spot A100-80GB)
$10

تكلفة تشغيل الجهاز (/ساعة لـ Spot A100-80GB) $10

معادلة التكلفة

التكلفة = عدد الـ Tokens (لكل 1000 مقالة)  X  عدد المقالات (بالآلاف) X تكلفة الوحدة (لكل 1 مليون Tokens)

تكلفة المدخلات

1K (tokens/مقالة) X 6,000K (مقالة) X $30 (/مليون tokens) = $180,000

تكلفة المخرجات

0.5 K (tokens/مقالة) X 6,000K (مقالة) X $60 (/مليون tokens) = $180,000

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $360,000

نماذج الضبط الدقيق (Fine Tuning Models)

معظم حالات الاستخدام لدى الشركات تتطلب إجراء fine-tune للنماذج المخصصة لبياناتها الخاصة ولمهام معينة. وأفادت شركات متعددة أن النماذج مفتوحة المصدر المعدلة بدقة تكون على قدم المساواة أو حتى أفضل أحياناً من 3rd party APIs مثل OpenAI في المهمة المحددة.

Fine Tuned DaVinci

تكلفة التلخيص باستخدام نموذج DaVinci مع الضبط الدقيق

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $1,260,000

Fine Tuned Curie

تكلفة التلخيص باستخدام نموذج Curie مع الضبط الدقيق

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $126,000

نموذج 7B مستضاف ذاتياً ومع ضبط دقيق

تكلفة التلخيص باستخدام نموذج 7B مستضاف ذاتياً ومع ضبط دقيق

التكلفة الإجمالية

تكلفة المدخلات + تكلفة المخرجات

= $126,000

تجميع كل المعطيات معاً

PRETRAINED / FINE TUNED اسم النموذج المعاملات* تكلفة الضبط الدقيق ($) تكلفة المدخلات ($) تكلفة المخرجات ($) التكلفة الإجمالية ($)
Pretrained GPT-4 32K 1 Tn + غير متاح 360k 360k 720k
GPT-4 8K 1 Tn + غير متاح 180k 180k 360k
DaVinci 175 Bn غير متاح 120k 60k 180k
Claude v1 52 Bn غير متاح 66k 96k 162k
Curie 13 Bn غير متاح 12k 6k 18k
Self-hosted 7B 7 Bn غير متاح 350 1750 2.1k
Fine Tuned DaVinci 175 Bn 180k 720k 360k 1.26M
Curie 13 Bn 18k 72k 36k 126k
Self-hosted 7B 7 Bn 1400 350 1750 3.5k

‍

أمور يجب ملاحظتها من التسعير:

  1. نموذجا DaVinci و Curie أغلَى بحوالي 7 مرات إذا قمت بإجراء fine-tuning لهما لحالة الاستخدام الخاصة بك
  2. تزداد التكلفة مع زيادة نافذة الـ context بما يقارب مرتين (2X)
  3. تزداد تكلفة استخدام النموذج مع زيادة عدد المعاملات (params) للنموذج

تأثير الضبط الدقيق (fine-tuning) على الأداء

نستخدم المعيار التالي لتحليل تأثير fine-tuning للنماذج على أداء النماذج. ومن المثير للاهتمام ملاحظة ما يلي:

  1. يمكن للنماذج ذات المعاملات الأقل أن تؤدي أيضاً بشكل أفضل من النماذج الكبيرة عند إجراء fine-tuned لها لحالة استخدام محددة.
  2. من الممكن تحقيق توفير كبير في التكلفة دون الإضرار بالأداء كثيراً إذا تم تحقيق الموازنة الصحيحة بين التكلفة والأداء.

نوع المهمة   أصلح نموذج 6B/7B OOTB     Few-shotMoveLM   7B     Zero-shotGPT-3.5   Turbo     Zero-shotGPT-3.5   Turbo     Few-shotGPT-4     Zero-shotGPT-4     Few-shotالصلة   - مجموعة بيانات داخلية0.330.930.840.840.920.95الاستخراج   - مخرجات مهيكلة للاستعلامات0.380.980.220.720.380.73الاستدلال   - تفعيل مخصص0.620.930.870.880.90.88التصنيف   - مجال استعلام المستخدم0.210.790.60.730.70.76الاستخراج   - مخرجات مهيكلة من تحديد نوع الكيان0.830.870.90.890.890.89

نوع المهمة أفضل نموذج 6B/7B OOTB FEW-SHOT MOVELM 7B ZERO-SHOT GPT-3.5 TURBO ZERO-SHOT GPT-3.5 TURBO FEW-SHOT GPT-4 ZERO-SHOT GPT-4 FEW-SHOT
الصلة - مجموعة بيانات داخلية 0.33 0.93 0.84 0.84 0.92 0.95
الاستخراج - مخرجات مهيكلة للاستعلامات 0.38 0.98 0.22 0.72 0.38 0.73
الاستدلال - تفعيل مخصص 0.62 0.93 0.87 0.88 0.9 0.88
التصنيف - مجال استعلام المستخدم 0.21 0.79 0.6 0.73 0.7 0.76
الاستخراج - مخرجات مهيكلة من تحديد نوع الكيان 0.83 0.87 0.9 0.89 0.89 0.89

‍

ما نقوم به

تؤمن TrueFoundry بأن مستقبل LLMs يكمن في التعايش بين النماذج مفتوحة المصدر والنماذج التجارية ضمن التطبيق نفسه!

نحن نؤمن بحالة للتطبيقات حيث يتم التعامل مع المهام الأسهل بواسطة LLMs خفيفة الوزن ومفتوحة المصدر، بينما يتم تفويض المهام الأكثر تعقيدًا أو تلك التي تتطلب إمكانيات متميزة (مثل البحث عبر الويب، ونداءات API، وما إلى ذلك)، والتي تقدمها فقط Closed source commercial LLMs، إليها.

إذا كنت تستخدم OpenAI

نحن نساعد في تقليل عدد الـ tokens المرسلة إلى OpenAI APIs. ولماذا قررنا العمل على هذا؟ لأننا:

  1. لاحظنا أن أكثر من نصف التكلفة كان يذهب لمعالجة tokens الخاصة بالـ context / prompt.
  2. ليست كل الكلمات ضرورية. تتمتع LLMs بقدرة كبيرة على التعامل مع الجمل غير مكتملة.

لذلك TrueFoundry تقوم ببناء API للضغط من أجل توفير تكلفة OpenAI بنسبة ~ 30%.

Compression in OpenAI
الضغط في OpenAI

إذا كنت تريد استخدام Open Source LLMs

نحن نبسط تشغيل هذه النماذج داخل البنية التحتية الخاصة بك من خلال عروضنا التالية:

  1. كتالوج النماذج: من LLMs مفتوحة المصدر - مجهزة ومحسّنة للاستدلال و fine-tuning.  
  2. Drop-in APIs: يمكن استبدالها مباشرة بـ HuggingFace & OpenAI APIs التي تشغلها بالفعل في تطبيقاتك.
  3. تحسين التكلفة: عبر السحابة على K8s من خلال الاستفادة من الرصيد السحابي أو الميزانية الخاصة بك.
TrueFoundry's Open Source LLM

Try now.

One gateway for all your models, MCP servers, and agents. No credit card needed.

Start free
Table of Contents

One Gateway for Every LLM, Agent and MCP Server

Book a 30-min with our AI expert

Book a Demo

The fastest way to build, govern and scale your AI

Book Demo
Summarize with
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Discover More

August 26, 2026
|
5 min read

Gemini 3 Pro: معايير الأداء وكيفية استخدامه عبر البوابة (Gateway)

July 20, 2023
|
5 min read

LLMOps CoE: الحدود التالية في مشهد MLOps

May 25, 2023
|
5 min read

نماذج LLMs المفتوحة المصدر: تبنّها أو واجه اندثار أعمالك

August 27, 2025
|
5 min read

رسم خريطة سوق الذكاء الاصطناعي المحلي (On-Prem): من الشرائح إلى مستويات التحكم

Guide to Langgraph vs Langchain
November 16, 2026
|
5 min read

مقارنة بين LangChain وLangGraph: أيهما الأفضل لك؟

مقارنة
A detailed guide on Claude Fable 5
November 16, 2026
|
5 min read

كلود فيبل 5: واجهة برمجة التطبيقات، المعايير، التسعير وكيفية استخدامه

الهندسة والمنتج
openrouter vs litellm
November 16, 2026
|
5 min read

LiteLLM مقابل OpenRouter: أيهما الأنسب لك؟

مقارنة
November 16, 2026
|
5 min read

معمارية المحول في نماذج اللغة الكبيرة

مصطلحات LLM
No items found.

Recent Blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Take a quick product tour
Start Product Tour
Product Tour