# Sebastian Raschka ينشر 8 محاضرات برمجية لبناء reasoning model على موديل Qwen3 بحجم 0.6B

> **المغزى:** المغزى: فهم طريقة عمل الـ reasoning models من الداخل لم يعد يتطلب استئجار عتاد كبير، فموديل صغير يكفي لبناء كل مرحلة، وهذا فرق بين من يستهلك الأخبار عنها ومن يستطيع أن يقرر بشأنها.

- المصدر: المغزى (https://almaghza.com/a/2026-10-27-raschka-building-reasoning-models-lectures/)
- التاريخ: 16 جمادى الأولى - 27 أكتوبر 2026 (2026-10-27)
- القسم: ذكاء اصطناعي
- الوسوم: نماذج اللغة الكبيرة، تدريب النماذج، PyTorch، التعليم عن بعد

نشر الباحث Sebastian Raschka في 24 أكتوبر 2026 سلسلة من 8 محاضرات برمجية، مدتها نحو 11 ساعة، يبني فيها المتعلم reasoning model بنفسه خطوة بخطوة. والمحاضرات مرافقة لكتابه، والكتاب مدفوع ويُباع على Manning وAmazon، أما الفيديوهات فروابطها على YouTube، ولا تذكر الصفحة سعرًا لها.

وتغطي السلسلة التقييم، والـ inference-time scaling، والـ reinforcement learning، والـ distillation. وما يُبنى فيها عمليًا:

- توليد النص مع KV caching على موديل Qwen3 بحجم 0.6B.
- مدقق لإجابات الرياضيات، مقيّم على معيار MATH-500.
- الـ sampling والـ self-consistency والـ self-refinement.
- حلقة تدريب GRPO مبسطة، وهي reinforcement learning بمكافأة يمكن التحقق منها آليًا.
- مسار distillation بإجابات معلّم مولّدة من DeepSeek R1.

وما يجعل السلسلة عملية هو حجم الموديل. فالأجزاء الأولى تعمل على CPU عادي، والتدريب وحده يحتاج GPU، فيمكن البدء دون استئجار عتاد. والمتطلبات Python وPyTorch، ولا يشترط أن يكون المتعلم قد درس الجزء السابق من الكتاب.

ويسدّ هذا النوع من المحتوى فجوة واضحة في ما يُكتب عن الذكاء الاصطناعي بالعربية، إذ يكثر الحديث عما أُطلق ويقل الشرح لكيفية عمله. والفرق بين الاثنين أن الأول يجعل القارئ مستهلكًا للأخبار، والثاني يمنحه ما يحتاجه ليقرر أي تقنية يستخدم ولماذا.

## المصادر

- [صفحة المحاضرات وروابط الفيديوهات](https://magazine.sebastianraschka.com/p/building-reasoning-models)