llmfit: اعرف أي نموذج ذكاء اصطناعي يعمل على جهازك قبل تنزيله
أداة طرفية مفتوحة المصدر تفحص عتاد جهازك (RAM، CPU، GPU) وتقيّم النماذج المحلية وفق الجودة والسرعة والملاءمة وطول السياق.
بدل التجربة والخطأ مع نماذج بأحجام عشوائية، تخبرك llmfit مسبقًا بالنموذج الذي سيعمل بكفاءة على جهازك وبسرعته التقريبية (tokens per second). يستند تقدير السرعة إلى عرض النطاق الترددي لذاكرة جهازك، وتزيد دقته بالاستناد إلى عينات تُؤخذ أثناء التشغيل ونتائج اختبارات أداء يشاركها المجتمع.
ماذا تفعل الأداة؟
تكتشف عتاد جهازك تلقائيًا، ثم تقيّم كل نموذج وفق 4 معايير: الجودة والسرعة والملاءمة للذاكرة وطول السياق. تعمل افتراضيًا بواجهة طرفية تفاعلية (TUI)، وتوفّر واجهة سطر أوامر (CLI) تقليدية للأتمتة.
تظهر هذه الشاشة بعد تشغيل الأمر llmfit، وتعرض في أعلاها العتاد الذي اكتشفته الأداة، يليه مزوّدو التشغيل المثبّتون، ثم قائمة النماذج مرتبة حسب درجة الملاءمة (Score)، مع السرعة التقديرية (tok/s) والتكميم المختار (Quant) ونسبة استخدام الذاكرة (Mem %). اللقطة من العرض التجريبي الرسمي للمشروع، والواجهة باللغة الإنجليزية.
كشف العتاد وتحليله
تقرأ مواصفات RAM والمعالج وبطاقة الرسومات مباشرة من نظامك، وتستند في توصياتها إلى قدرات الجهاز الفعلية.
تقدير السرعة الفعلية
تقدّر سرعة التوليد عبر نمذجة عرض النطاق الترددي للذاكرة، وتحسّن التقدير بعينات تُؤخذ أثناء التشغيل وقياسات فعلية يشاركها المجتمع.
دعم بطاقات رسومات متعددة وMoE
تتعامل مع إعدادات multi-GPU ومعماريات مزيج الخبراء (MoE) مع مراعاة أنماطها الخاصة في استهلاك الذاكرة.
اختيار التكميم المناسب
تختار مستوى التكميم (Quantization) الذي يوازن بين الجودة وحجم الذاكرة المتاحة، لكل نموذج على حدة.
تتكامل مع أدواتك: تدعم مزوّدي التشغيل المحلي Ollama وllama.cpp وMLX وDocker Model Runner وLM Studio.
التثبيت: اختر طريقتك
يمكنك تثبيت الأداة من ملفات تنفيذية جاهزة عبر أدوات إدارة الحزم، أو باستخدام برنامج تثبيت سريع، أو من حزمة بايثون. ويمكنك أيضًا تشغيلها في حاويات أو بناؤها من الشيفرة المصدرية.
# Windows (WinGet)
winget install --exact --id AlexsJones.llmfit
# Windows (Scoop)
scoop install llmfit
# macOS / Linux (Homebrew)
brew install AlexsJones/llmfit/llmfit
# macOS (MacPorts)
port install llmfit# سكربت تثبيت سريع
curl -fsSL https://llmfit.axjns.dev/install.sh | sh
# بدون sudo (تثبيت في مجلد المستخدم):
curl -fsSL https://llmfit.axjns.dev/install.sh | sh -s -- --local
# Python (uv)
uv tool install -U llmfit
uvx llmfit # تشغيل مباشر دون تثبيت# Docker / Podman
docker run ghcr.io/alexsjones/llmfit
docker run --rm -it ghcr.io/alexsjones/llmfit --tui
# البناء من المصدر (يتطلب Rust)
git clone https://github.com/AlexsJones/llmfit.git
cd llmfit && cargo build --release
# الملف التنفيذي: target/release/llmfitموثوقية: الملفات التنفيذية لنظام Windows موقّعة رقميًا عبر SignPath.io، والتوقيع مضمون ابتداءً من الإصدار v1.1.19، فتحقّق منه إذا استخدمت إصدارًا أقدم.
الأوامر التي ستحتاج إليها فعلًا
تفتح الأداة الواجهة التفاعلية افتراضيًا، ويمكن تشغيل كل أمر فرعي على حدة لأغراض البرمجة والأتمتة.
الواجهة التفاعلية: الوضع الافتراضي لاستكشاف مدى ملاءمة النماذج لعتادك.
جدول الملاءمة: يطبع النماذج مرتبة وفق مدى ملاءمتها لنظامك الحالي.
أفضل الاختيارات: يعرض التوصيات بصيغة JSON منظّمة تفيد في البرمجة والأتمتة.
تحليل تفصيلي: يعرض تحليلًا كاملًا لنموذج محدد، يتضمّن تفاصيل درجات التقييم.
قياس الأداء الفعلي: يقيس العدد الفعلي للرموز في الثانية والزمن حتى ظهور أول رمز، ويتطلّب مزوّد تشغيل نماذج قيد التشغيل بالفعل، مثل Ollama أو LM Studio.
تقرير العتاد: يعرض تقريرًا كاملًا عن العتاد الذي تكتشفه الأداة، بما فيه الذاكرة والمعالج وبطاقة الرسومات.
واجهة ويب وواجهة برمجية: يشغّل لوحة تحكّم على الويب وواجهة REST API على المنفذ الافتراضي 8787 لمن يفضّل استخدام المتصفح.
قابلة للتوسيع: يمكن إضافة نماذج مخصصة محليًا دون الحاجة إلى إعادة بناء الأداة.
المشروع بالأرقام
- نحو 39k نجمة و2.5k تفريعة (Fork) على GitHub، مع 138 إصدارًا (الأحدث v1.1.20، نوفمبر 2026).
- الأداة مكتوبة بلغة Rust، وتستخدم Python وJavaScript في مكوّنات مساندة.
- رخصة MIT المفتوحة بالكامل، والأداة من تطوير AlexsJones.
- قياسات أداء يشاركها المجتمع: يشارك المستخدمون قياسات أداء حقيقية تُحسّن دقة التقديرات مع الوقت.
ابدأ في 4 خطوات
llmfit doctor وتأكّد من أن الأداة تتعرّف على عتاد جهازك بدقة.llmfit fit أو الواجهة التفاعلية.llmfit bench بعد تشغيل النموذج في Ollama أو LM Studio وقبل الاعتماد عليه في عملك.المصادر: ملف README وصفحة الإصدارات في github.com/AlexsJones/llmfit (رخصة MIT). تمت المراجعة في نوفمبر 2026. هذا الدليل مستقل وغير تابع لمشروع llmfit.
هل ترغبون في تطبيق ما تعلّمتموه مع فريقكم؟
أنا عبدالعزيز الشامسي، مدرب معتمد ومستشار في الذكاء الاصطناعي في أبوظبي. أدرّب فرق الجهات الحكومية والشركات على استخدام الذكاء الاصطناعي في عملها اليومي. راسلوني لنناقش جلسة تدريبية لفريقكم.