تشغيل DeepSeek محليًا أم استخدام API؟ العتاد والسرعة والتكلفة

على الأرجح لا، إلا إذا كنت تملك 128 GB من الذاكرة العشوائية أو جهازًا من فئة Mac Studio، أو لديك سبب لإبقاء كل token على قرصك الخاص. ملف DeepSeek V4-Flash وحده يبلغ نحو 100 GB، ويذكر أحد الأدلة المجتمعية سرعة تتراوح تقريبًا بين 6 و10 tokens في الثانية حتى على عتاد باهظ الثمن. بالنسبة لمعظم التطبيقات وحلقات الـ agent، الطريق الأقصر هو توجيه عميل OpenAI إلى API مستضاف: تغيّر base_url والمفتاح، ولا شيء آخر في شفرتك.

فيما يلي: كيف تفحص جهازك في خمس دقائق، والسرعة التي تتوقعها، وتكلفة حمل عمل حقيقي عبر API.

هل سيتسع DeepSeek في ذاكرتك؟#

الأحجام هنا مأخوذة من دليل مجتمعي لتشغيل DeepSeek محليًا (deepseek-local-guide-ru على GitHub، 18 جزءًا، CC BY 4.0، قُرئ في 22 أكتوبر 2026). وهو غير رسمي وغير تابع لـ DeepSeek. صفحات الدليل نفسه لا تتفق تمامًا فيما بينها على الأحجام، لذا تأكد من حجم الملف على بطاقة نموذج Hugging Face قبل أن تبدأ تنزيلًا بحجم 100 GB.

وفقًا للدليل، يمتلك DeepSeek V4-Flash-0731 عدد 284B من المعاملات، منها 13B نشطة لكل token. الملفات:

لا يلزم أن يستقر النموذج بالكامل في ذاكرة الفيديو. يستطيع llama.cpp إبقاء طبقات الخبراء في ذاكرة النظام، لكن القاعدة التقريبية في الدليل صريحة: بطاقة GPU بسعة 24 GB تحتاج إلى 128 GB من الذاكرة العشوائية بجانبها.

لنفترض أن لديك حاسوب ألعاب جيدًا ببطاقة GPU بسعة 24 GB و64 GB من الذاكرة العشوائية. اجمع الاثنين وقارن مع أصغر ملف:

24 + 64 = 88 GB، وملف Q3 يبلغ 103 GB.

لا يتسع، ونظام التشغيل ما زال يحتاج ذاكرة خاصة به. مع 24 GB من VRAM و128 GB من الذاكرة العشوائية لديك 152 GB، ويتسع ملف الـ 103 GB مع مساحة فائضة.

الإصدار الأحدث DeepSeek-V4.1-Flash-1017 أكبر: نحو 552B من المعاملات إضافة إلى 196B من Engram، أي نحو 510 GB في FP8 ونحو 167 GB عند 2-bit، وفقًا للدليل نفسه. الدعم هو المشكلة الأخرى. حتى تاريخ الدليل (فُحص في 22 أكتوبر 2026) لا يعمل في Ollama، لأن معمارية deepseek_v41 غير مدعومة، ودعم llama.cpp وLM Studio ليس في فروعهما الرئيسية. هذا يتغير بسرعة، لذا راجع ملاحظات الإصدار لمحرّكك قبل أن تخطط بناءً عليه.

ما مدى سرعته؟#

يقدّم الدليل قياسين، كلاهما عند تكميم ثقيل وكلاهما أرقام مجتمعية، لذا اقرأهما كرتب قدر وليس كمعيار قياس:

• DGX Spark بسعة 128 GB، وV4-Flash عند IQ2: نحو 6–7 tokens في الثانية.
• Mac Studio M3 Ultra بسعة 256 GB، وV4.1-Flash في MLX 2-bit: نحو 9.5 tokens في الثانية.

لا يقدّم الدليل رقمًا لـ RTX 4090 أو 5090.

كيف يبدو ذلك عمليًا؟ إجابة من 1,000 token تعادل نحو صفحة ونصف من النص:

1,000 ÷ 9.5 = 105.3 ثانية

1,000 ÷ 6 = 166.7 ثانية

بالنسبة لمحادثة تقرؤها أثناء بثّها، هذا بطيء لكنه قابل للاستخدام. أما بالنسبة لـ agent يجري عشرات الاستدعاءات لكل مهمة، فالوقت يتراكم بسرعة. لنفترض أن حلقتك تنتج 2,000,000 token إخراج يوميًا وأن الجهاز يولّد فعلًا 9.5 tokens في الثانية دون توقف:

2,000,000 ÷ 9.5 = 210,526 ثانية

210,526 ÷ 3,600 = 58.5 ساعة

هذا أكثر من يوم كامل من التوليد مقابل يوم واحد من العمل. الخوادم الحقيقية تجمع عدة طلبات معًا، لذا الصورة ليست قاتمة إلى هذا الحد بالنسبة لفريق، لكنك ستكون مشغولًا بضبط المحرك بدلًا من بناء منتجك.

كم يكلّف حمل العمل نفسه عبر API#

لنجعل المثال ملموسًا. افترض حلقة agent ترسل 10 ملايين token إدخال وتحصل على 2 مليون token إخراج يوميًا. هذه أرقام مفترضة، استبدلها بأرقامك من سجل الاستخدام.

تسرد صفحة أسعار DeepSeek نفسها (22 أكتوبر 2026، والصفحة نفسها لا تُظهر تاريخًا) deepseek-flash، المقدَّم عبر DeepSeek-V4.1-Flash-1017، بهذه الأسعار لكل 1M token، خارج الذروة / في الذروة: الإدخال مع تجاوز ذاكرة التخزين المؤقت $0.15 / $0.30، والإخراج $0.60 / $1.20. ساعات الذروة هي 01:00–04:00 و06:00–10:00 UTC، من الاثنين إلى الجمعة، باستثناء العطلات العامة الصينية؛ وخارج الذروة هو نصف الذروة. الإدخال مع إصابة ذاكرة التخزين المؤقت أرخص بكثير ($0.003 / $0.006)، لذا فإن حلقة تعيد إرسال البادئة الطويلة نفسها ستنتهي بأقل من الأرقام هنا.

بالنسبة لحمل العمل المفترض، مع تجاوزات ذاكرة التخزين المؤقت:

خارج الذروة: 10 × $0.15 + 2 × $0.60 = $2.70 يوميًا

في الذروة: 10 × $0.30 + 2 × $1.20 = $5.40 يوميًا

على CheapTokens، ولنفس نوع حلقة الـ agent، خذ MiniMax-M2.7 (minimax-m2.7): سعر ثابت واحد في أي ساعة، بلا نافذة ذروة، وحتى 8,192 token إخراج لكل إجابة، وسياق 180K، ورصيد واحد لجميع النماذج. نفس 10M token إدخال و2M token إخراج تكلّف $0.80 يوميًا. إجمالًا، مع احتساب الإدخال والإخراج معًا، فهي أرخص من OpenRouter؛ إليك الجدول الحي لهذا الحمل بالضبط:

يقرأ الجدول قائمة الأسعار الحالية في كل مرة يُعرض فيها، لذا يبقى صحيحًا عندما تتغير الأسعار. قائمة الأسعار الكاملة على صفحة أسعار CheapTokens، وأسعار DeepSeek API في 2026 تشرح كيف تغيّر إصابات ذاكرة التخزين المؤقت وساعات الذروة الفاتورة.

متى يستحق عتادك الخاص؟#

الـ tokens المحلية لا تكلّف شيئًا لكل طلب، لكن الجهاز يكلّف. طريقة بسيطة للفحص:

payback days = hardware price ÷ (daily API bill − daily electricity)

لن أذكر سعر عتاد هنا لأنه يتغير كثيرًا؛ ضع السعر الذي عُرض عليك. لفهم الفكرة، خذ فاتورة خارج الذروة من صفحة أسعار DeepSeek أعلاه. كل $1,000 من العتاد تحتاج هذا العدد من أيام فاتورة الـ API لتغطية التكلفة، قبل الكهرباء ووقتك:

1,000 ÷ 2.70 = 370.4 يومًا

وهذا يفترض أن الجهاز يستطيع تقديم هذا الحجم أصلًا: بسرعة 9.5 tokens في الثانية لا يستطيع (انظر قسم السرعة أعلاه)، لذا بالنسبة لحمل عمل agent لا تتوازن الحسابات. التشغيل المحلي يصبح أكثر منطقية عندما:

• يجب ألا تغادر البيانات شبكتك، وهذا يهم أكثر من الفاتورة؛
• تملك الجهاز بالفعل والحمل خفيف، مثلًا بضع مئات من الطلبات يوميًا لأداة شخصية؛
• تريد تجربة الأوزان نفسها: التكميم، والضبط الدقيق، ومحرك من اختيارك.

الـ API يصبح أكثر منطقية عندما يكون حمل العمل agent أو خدمة، أو عندما تحتاج الإجابة في ثوانٍ، أو عندما يكون عتادك أقل من أحجام الذاكرة أعلاه. إذا كان جهازك صغيرًا جدًا حتى لأخف ملفات DeepSeek، فإن MiniMax-M2.7 (سياق 180K، وحتى 8,192 token إخراج لكل إجابة، وأرخص إجمالًا من OpenRouter) نموذج يستحق التجربة عبر العميل نفسه.

الانتقال من المحلي إلى API مستضاف#

غالبًا ما تبدأ المشاريع الترفيهية على Ollama ثم تتجاوزه. الخبر الجيد: المحركات المحلية تتحدث بروتوكول OpenAI. تعرض صفحة التوافق في Ollama (docs.ollama.com، فُحصت في 22 أكتوبر 2026) نقطة النهاية http://localhost:11434/v1/؛ ويحتاج العميل إلى قيمة api_key ما، لكن Ollama يتجاهلها. البث ووضع JSON والأدوات تعمل؛ أما logprobs فلا.

إذن التبديل سطران إضافة إلى اسم النموذج:

import os
from openai import OpenAI

# Local Ollama: the key is required by the client but ignored by the server
# client = OpenAI(base_url="http://localhost:11434/v1/", api_key="ollama")

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

reply = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",  # take the exact id from the CheapTokens docs
    messages=[{"role": "user", "content": "Summarize this ticket in one sentence: ..."}],
    max_tokens=200,
)
print(reply.choices[0].message.content)
print(reply.usage)

عندما يعمل ترى ملخصًا من جملة واحدة وكائن usage يحتوي على عدد tokens الموجّه والإكمال، وهي الأرقام نفسها التي تُبنى عليها فاتورتك. يقبل CheapTokens API أيضًا صيغة Anthropic Messages، والتوثيق يعرض الطلب الأول خطوة بخطوة. إذا كان base_url جديدًا عليك، فإن OpenAI-compatible API: ما هو base_url يستغرق دقيقتين.

إذا لم يعمل#

• Connection refused على localhost:11434: Ollama لا يعمل، أو ما زلت تشير إلى العنوان المحلي.
• 401: المفتاح مفقود أو نُسخ مع مسافة؛ اقرأه من متغير بيئة، كما في المثال.
• 404 أو نموذج غير معروف: معرّف النموذج لا يطابق. الأسماء المحلية والمستضافة تختلف، لذا انسخ المعرّف من التوثيق.

أيّهما تختار#

إذا كنت تملك 128 GB أو أكثر ولديك فضول، شغّل الأوزان في المنزل واستمتع بالتحكم. إذا كنت تبني agent يستهلك ملايين الـ tokens يوميًا، أو خدمة ينتظر فيها المستخدمون الإجابة، استخدم الـ API واحتفظ بالإعداد المحلي للتجارب. تبقى الشفرة نفسها في الحالتين، لذا يمكنك البدء بأحدهما والانتقال إلى الآخر لاحقًا. لمزيد عن جانب الاستضافة الذاتية، راجع ماذا يعني DeepInfer للاستضافة الذاتية؛ لتجربة DeepSeek عبر الـ API، راجع نماذج DeepSeek على CheapTokens.