قد تتمكن البنية الحالية لوحدات معالجة الرسومات من تقديم المزيد. في دراستنا لمنصة MI300X خلال أكتوبر، حسّن تغيير في إعدادات خدمة الاستدلال كلاً من سرعة بدء الاستجابة والقدرة على إنتاج المخرجات، على وحدات المعالجة الأربع نفسها وباستخدام صورة البرمجيات نفسها.
انخفض متوسط زمن ظهور أول رمز بنسبة 47.1%، وارتفع معدل إنتاج المخرجات بنسبة 16.7%. بالنسبة إلى الفرق التي تقيّم حجم العمل المفيد الذي تستطيع بنية AMD لديها إنجازه، تقدم هذه النتيجة سبباً ملموساً لفحص إعدادات خدمة الاستدلال قبل التخطيط للتوسع.
انتظار أقل ومخرجات أكثر
قارنّا إعداداً أساسياً محلياً بإعداد محدّث على أربع وحدات AMD MI300X، باستخدام DeepSeek V4.1 Flash و32 جلسة متزامنة تعتمد على سجلات تفاعل مسجّلة.
| المقياس | الإعداد الأساسي المحلي | الإعداد المحدّث | التغيّر |
|---|---|---|---|
| متوسط زمن ظهور أول رمز | 1.52 ثانية | 0.80 ثانية | أقل بنسبة 47.1% |
| معدل إنتاج المخرجات، رمز/ثانية/GPU | 185.5 | 216.5 | أعلى بنسبة 16.7% |
| طلبات مرحلة القياس المكتملة | 2,818 | 3,247 | أكثر بنسبة 15.2% |
قياسات ProsGrow المحلية بتاريخ 25 أكتوبر 2026. استخدم كل تشغيل نافذة اختبار مجدولة لمدة ساعة. حُسبت النسب المئوية من القياسات قبل تقريبها.
يعني انخفاض انتظار أول رمز أن النظام المختبَر بدأ تقديم الاستجابات قبل نحو 0.71 ثانية في المتوسط. ويعني ارتفاع معدل الإنتاج أنه قدّم مخرجات مولّدة أكثر خلال الاختبار. ويوفر عدد الطلبات منظوراً آخر للمقارنة نفسها، وليس نتيجة مستقلة أو عدداً لمهام الأعمال المكتملة.
أهمية إعادة استخدام السياق لخدمات الوكلاء الذكية
تحتفظ تطبيقات ذكاء اصطناعي كثيرة بالمعلومات بين مراحل التفاعل، مثل التعليمات أو المواد المسترجعة أو جولات المحادثة السابقة. ويمكن لإعادة استخدام السياق القابل لإعادة الاستخدام أن تقلل المعالجة المتكررة مع استمرار التفاعل.
أتاح التغيير الذي أجريناه لمنظومة الاستدلال الاستفادة بشكل أفضل من هذه الإمكانية. أبقينا تخصيص وحدات معالجة الرسومات وصورة البرمجيات ثابتين، ثم قسنا أثر تحديث إعدادات الخدمة. تنطبق هذه الطريقة على التطبيقات التي تكرر استخدام السياق، بينما يعتمد حجم الفائدة على حركة طلباتها الفعلية.
قد يتصرف طلب جديد لا يرتبط بالسياق السابق بشكل مختلف عن جلسة وكيل ذكي ممتدة. لذلك ينبغي أن يشمل تقييم بيئة التشغيل أنماط الطلبات التي سيعالجها التطبيق.
استفد من القدرة المتاحة لديك
السؤال العملي لفريق البنية التحتية هو ما إذا كان إعداد معين يستطيع تلبية أزمنة الاستجابة ومستوى الطلب المطلوبين بالموارد المتاحة. وتحدد هذه النتائج إعداداً يستحق الاختبار على MI300X.
لا تثبت النتائج انخفاضاً محدداً في تكاليف التشغيل أو زيادة عامة في عدد المستخدمين المدعومين. فهذه النتائج تعتمد على عبء العمل ونسبة الاستغلال وسعر الاستضافة ومتطلبات الجودة. وتكمن القيمة التجارية للتجربة في تزويد الفريق بتحسن مقاس يمكن تقييمه قبل اتخاذ قرار بشأن البنية التحتية.
دور ProsGrow هو تحويل هذا التقييم إلى عمل ملموس: تحديد خط أساس، واكتشاف العمل المتكرر الذي يمكن تجنبه، واختبار إعداد مرشح تحت حمل ذي صلة. ونبني على قدرات DeepSeek ومنظومة خدمة الاستدلال مفتوحة المصدر.
ملاحظات القياس
تستخدم هذه المقارنة تخصيص MI300X نفسه وصورة البرمجيات نفسها وإعدادات التوليد التخميني نفسها. استخدم التشغيلان سجلات AgentX مسجّلة ومحاكاة قبول التوليد التخميني. وهذه اختبارات هندسية مضبوطة، منفصلة عن استجابات بيئة الإنتاج التي تستخدم التحقق الفعلي.
يُقاس معدل الإنتاج خلال النافذة الزمنية للطلبات المرصودة، بما في ذلك فترات التوقف في سجل التفاعل. لكل إعداد مختار تشغيل رسمي واحد، دون فاصل ثقة. تصف الأرقام حالة التشغيل عند 32 جلسة، ولا ينبغي تعميمها على جميع مستويات الطلب.
لم يكتمل بعد تقييم محلي لجودة MI300X. ويظل فحص الجودة الخاص بعبء العمل واختبار الأداء في الخدمة الفعلية جزءاً من التأهيل للإنتاج. تستخدم الأرقام هنا مقارنة إعادة استخدام السياق؛ وتستبعد الإعدادات التجريبية اللاحقة التي ما زالت مكاسبها تحتاج إلى اختبار بالتحقق الفعلي.
اكتشف إمكانات بيئة AMD لديك
هل تشغّل DeepSeek بشكل خاص على AMD، أو تقيّم قدرة مخصصة لوحدات معالجة الرسومات؟ تستطيع ProsGrow مساعدتك على اختبار العلاقة بين زمن الاستجابة ومعدل الإنتاج والبنية التحتية التي يحتاجها عبء عملك.