---
title: "Phi (Microsoft) — فاي"
source: "https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A"
wiki: "systems-analysis.info/int"
article: "Phi_(Microsoft)_—_فاي"
language: "ar"
categories:
  - "Category:Arabic"
  - "Category:Large language models"
  - "Category:LLM families"
  - "Category:Machine learning"
revision_id: 5620
wiki_created_at: 2026-09-06T23:51:50Z
wiki_modified_at: 2026-09-06T23:51:50Z
downloaded_at: 2026-09-07T23:09:30Z
---

# Phi (Microsoft) — فاي

**Phi** هي عائلة من نماذج اللغة الصغيرة (Small Language Models, SLM) التي طورتها Microsoft Research. تمثل هذه النماذج نقلة نوعية في تطوير الذكاء الاصطناعي، وتُظهر أن النماذج المدمجة والفعالة من حيث الحوسبة يمكن أن تحقق أداءً يضاهي الأنظمة الأكبر حجمًا بكثير. على عكس النهج التقليدي القائم على زيادة عدد المعلمات، تركز فلسفة Phi على جودة بيانات التدريب والأساليب المبتكرة في التدريب<sup>[\[1\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-1)</sup>.

تم تحسين نماذج Phi للمهام التي تتطلب استدلالًا منطقيًا عميقًا، مثل البرمجة والرياضيات وتحليل النصوص. وبفضل حجمها الصغير، فهي مثالية للنشر على الأجهزة المحلية (on-device AI)، بما في ذلك الهواتف الذكية وأجهزة الكمبيوتر المحمولة، مما يفتح آفاقًا جديدة لإضفاء الطابع الديمقراطي على الذكاء الاصطناعي<sup>[\[2\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-2)</sup>.

## الفلسفة: «الكتب المدرسية هي كل ما تحتاجه»

الفرضية المركزية التي يقوم عليها مشروع Phi هي أن جودة البيانات أهم من حجمها لتدريب نموذج عالي الأداء. طُرحت هذه الفكرة لأول مرة في ورقة بحثية بعنوان **«Textbooks Are All You Need»**<sup>[\[3\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-3)</sup>. فبدلاً من التدرب على تريليونات التوكنات من بيانات الويب غير المفلترة، يتم تدريب نماذج Phi على مجموعة بيانات منسقة بعناية ومولّدة اصطناعيًا، تشبه في جودتها الكتب المدرسية.

المبادئ الأساسية لهذا النهج:

- **بيانات بجودة «الكتب المدرسية»:** تتكون مجموعة بيانات التدريب من مواد نقية ومتسقة منطقيًا وتفسيرية، مستوحاة من كتب الأطفال.
- **البيانات الاصطناعية:** يتم توليد جزء كبير من البيانات باستخدام نماذج كبيرة (مثل GPT-4). على سبيل المثال، لتدريب **Phi-4**، تم إنشاء 400 مليار توكن من المحتوى الاصطناعي عالي الجودة عبر أكثر من 50 مسارًا مخصصًا<sup>[\[4\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-4)[\[5\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-5)</sup>.
- **التدريب التكراري:** تتم عملية إنشاء البيانات وتدريب النموذج بشكل تكراري، مما يسمح بتحسين جودة كل من البيانات والنموذج نفسه باستمرار.

يتيح هذا النهج لنماذج Phi تطوير قدرات استدلال عميقة بدلاً من مجرد حفظ الأنماط الإحصائية.

## تطور نماذج Phi

- **Phi-1 (1.3 مليار معلمة):** كان النموذج الأول، الذي تم تقديمه في يونيو 2023، يركز على البرمجة بلغة Python. وقد أظهر أداءً متفوقًا على مقاييس HumanEval وMBPP، مما أثبت فعالية النهج القائم على البيانات عالية الجودة<sup>[\[6\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-6)</sup>.

<!-- -->

- **Phi-2 (2.7 مليار معلمة):** صدر في ديسمبر 2023، ووسع Phi-2 قدراته لتشمل فهم اللغة العام مع الحفاظ على بنيته المدمجة. أظهر هذا النموذج أن نماذج اللغة الصغيرة (SLM) يمكن أن تحقق أداءً يضاهي النماذج الأكبر حجمًا بعشرات المرات<sup>[\[7\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-7)</sup>.

<!-- -->

- **Phi-3 (3.8 - 14 مليار معلمة):** كانت هذه العائلة، التي تم تقديمها في أبريل 2024، بمثابة طفرة في مجال الذكاء الاصطناعي المحمول. يستطيع **Phi-3-mini** (3.8 مليار) العمل على الهواتف الذكية، محققًا أداءً يضاهي Mixtral 8x7B وGPT-3.5<sup>[\[8\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-8)</sup>. تشمل العائلة أيضًا إصدارات **Phi-3-small** (7 مليار) و**Phi-3-medium** (14 مليار).

<!-- -->

- **Phi-3.5 (3.8 - 6.6 مليار معلمة نشطة):** أُعلن عنها في عام 2024، وتتضمن هذه العائلة ثلاثة نماذج رئيسية:
  - **Phi-3.5-mini-instruct:** إصدار محسن مع دعم متعدد اللغات مُحسَّن.
  - **Phi-3.5-MoE-instruct:** نموذج يعتمد على بنية Mixture-of-Experts مع 16 خبيرًا و6.6 مليار معلمة نشطة.
  - **Phi-3.5-Vision-instruct:** نموذج متعدد الوسائط لمعالجة النصوص والصور<sup>[\[9\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-9)</sup>.

<!-- -->

- **Phi-4 (14 مليار معلمة):** نموذج متخصص في الاستدلال الرياضي المعقد. يُظهر أداءً يضاهي Gemini-1.5-Flash وGPT-4o-mini، بحجم أصغر بكثير. يتفوق **Phi-4-reasoning** على DeepSeek-R1-Distill-Llama-70B<sup>[\[10\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-10)</sup>.
- **Phi-4-Multimodal (5.6 مليار معلمة):** أول نموذج متعدد الوسائط بالكامل في العائلة، قادر على معالجة النصوص والصور والصوت في وقت واحد. يستخدم نهجًا مبتكرًا يسمى **Mixture-of-LoRAs** لمعالجة الوسائط المختلفة بفعالية دون تداخل متبادل<sup>[\[11\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-11)</sup>.

## البنية والميزات التقنية

- **البنية:** تستخدم نماذج Phi بنية المحولات القياسية من نوع «المُفَكِّك فقط» (decoder-only) مع تحسينات رئيسية مثل **Grouped Query Attention** و**Flash Attention** لزيادة الكفاءة<sup>[\[12\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-12)</sup>.
- **النشر المحلي:** تم تحسين النماذج للعمل على الأجهزة ذات الموارد المحدودة. على سبيل المثال، يتطلب **Phi-3-mini** فقط 1.8 جيجابايت من الذاكرة مع تكميم 4-بت ويمكن تشغيله على iPhone 14<sup>[\[13\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-13)</sup>.
- **دعم أطر العمل:** تتوفر نماذج Phi عبر **Microsoft Azure AI Model Catalog** و**Hugging Face** و**Ollama** و**NVIDIA NIM microservices**، مما يضمن تكاملها الواسع وتوافرها للمطورين<sup>[\[14\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-14)</sup>.

## الأداء والمقاييس المرجعية

| النموذج          | المعلمات  | MMLU | MT-Bench | HumanEval       |
|------------------|-----------|------|----------|-----------------|
| **Phi-3-mini**   | 3.8 مليار | 69%  | 8.38     | \-              |
| **Phi-3-small**  | 7 مليار   | 75%  | 8.7      | \-              |
| **Phi-3-medium** | 14 مليار  | 78%  | 8.9      | \-              |
| **Phi-4**        | 14 مليار  | \-   | \-       | تتفوق على GPT-4 |

مقارنة أداء نماذج Phi على المقاييس المرجعية الرئيسية

يُظهر **Phi-4** نتائج استثنائية في المسائل الرياضية، بما في ذلك American Mathematics Competitions (AMC)، حيث يُظهر أداءً يضاهي Gemini-1.5-Flash<sup>[\[15\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-15)</sup>. يتفوق النموذج متعدد الوسائط **Phi-3.5-Vision** على المنافسين من نفس الحجم، محققًا 57.0% على مقياس BLINK<sup>[\[16\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-16)</sup>.

## التطبيقات المتخصصة

تُظهر نماذج Phi كفاءة عالية في المجالات المتخصصة:

- **الطب:** تُظهر الدراسات ارتباطًا معتدلًا بين إجابات Phi-3 وتقييمات الخبراء في النصوص الطبية والرياضية<sup>[\[17\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-17)</sup>.
- **اكتشاف خطاب الكراهية:** يحقق نموذج HateTinyLLM، القائم على Phi-2، دقة تزيد عن 80% في هذه المهمة باستخدام الضبط الدقيق LoRA fine-tuning<sup>[\[18\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-18)</sup>.
- **استراتيجيات الألعاب:** أظهر نموذج SC-Phi2 قدرات في التنبؤ بالاستراتيجيات في لعبة StarCraft II<sup>[\[19\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-19)</sup>.

## الذكاء الاصطناعي المسؤول والسلامة

تم تطوير عائلة Phi وفقًا لمعايير **Microsoft Responsible AI**، والتي تشمل مبادئ المساءلة والشفافية والعدالة والسلامة. تخضع النماذج لتقييم سلامة متعدد الأوجه، بما في ذلك **Supervised Fine-Tuning (SFT)** و**Direct Preference Optimization (DPO)**، بالإضافة إلى الاختبار بلغات مختلفة وضمن فئات المخاطر<sup>[\[20\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-20)</sup>.

## القيود

على الرغم من النتائج المثيرة للإعجاب، قد تكون نماذج Phi أقل أداءً من النماذج الكبيرة المتخصصة في بعض المهام المعقدة. على سبيل المثال، يُظهر **Phi-4** نتائج جيدة في الاستدلال من نوع chain-of-thought، ولكنه محدود بسبب عدم قدرته على استدعاء الدوال (function calling)<sup>[\[21\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-21)</sup>. بالإضافة إلى ذلك، على الرغم من أن **Phi-3.5** يدعم أكثر من 20 لغة، إلا أن أداءه قد يختلف، وتشير الأبحاث إلى عدم دقة في الإجابات باللغات غير الإنجليزية<sup>[\[22\]](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_note-22)</sup>.

## المراجع

- Gunasekar, S.; et al. (2023). *Textbooks Are All You Need*. <a href="https://arxiv.org/abs/2306.11644" class="external text" rel="nofollow">arXiv:2306.11644</a>.
- Gunasekar, S.; et al. (2023). *Textbooks Are All You Need II: phi‑1.5 Technical Report*. <a href="https://arxiv.org/abs/2309.05463" class="external text" rel="nofollow">arXiv:2309.05463</a>.
- Dao, T.; et al. (2022). *FlashAttention: Fast and Memory‑Efficient Exact Attention with IO‑Awareness*. <a href="https://arxiv.org/abs/2205.14135" class="external text" rel="nofollow">arXiv:2205.14135</a>.
- Zheng, S.; et al. (2023). *GQA: Training Generalized Multi‑Query Transformer Models for Faster Decoding*. <a href="https://arxiv.org/abs/2305.13245" class="external text" rel="nofollow">arXiv:2305.13245</a>.
- Feng, W.; et al. (2024). *Mixture‑of‑LoRAs: An Efficient Multitask Tuning for Large Language Models*. <a href="https://arxiv.org/abs/2403.03432" class="external text" rel="nofollow">arXiv:2403.03432</a>.
- Wu, X.; et al. (2024). *Mixture of LoRA Experts*. <a href="https://arxiv.org/abs/2404.13628" class="external text" rel="nofollow">arXiv:2404.13628</a>.
- Microsoft Research (2024). *Phi‑3 Technical Report*. <a href="https://arxiv.org/abs/2404.14219" class="external text" rel="nofollow">arXiv:2404.14219</a>.
- Abdin, M.; et al. (2024). *Phi‑4 Technical Report*. <a href="https://arxiv.org/abs/2412.08905" class="external text" rel="nofollow">arXiv:2412.08905</a>.
- Microsoft Research (2025). *Phi‑4‑reasoning Technical Report*. <a href="https://www.microsoft.com/en-us/research/wp-content/uploads/2025/04/phi_4_reasoning.pdf" class="external text" rel="nofollow">PDF</a>.
- Microsoft Research (2025). *Phi‑4‑Multimodal: Mixture‑of‑Modality‑LoRAs*. <a href="https://arxiv.org/abs/2503.01743" class="external text" rel="nofollow">arXiv:2503.01743</a>.

## ملاحظات

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-1) «The Phi-3 small language models with big potential». *Microsoft Source Features*. <a href="https://news.microsoft.com/source/features/ai/the-phi-3-small-language-models-with-big-potential/" class="external autonumber" rel="nofollow">[١]</a></span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-2) «Microsoft's Phi-3: Revolutionising AI with efficient and accessible small language models». *Landing.Jobs Blog*. <a href="https://landing.jobs/blog/microsofts-phi-3-revolutionising-ai-with-efficient-and-accessible-small-language-models/" class="external autonumber" rel="nofollow">[٢]</a></span>
3.  <span id="cite_note-3">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-3) «Textbooks Are All You Need». *Microsoft Research*. <a href="https://www.microsoft.com/en-us/research/publication/textbooks-are-all-you-need/" class="external autonumber" rel="nofollow">[٣]</a></span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-4) «Introducing Phi-4: Microsoft’s newest Small Language Model, specializing in complex reasoning». *Microsoft Tech Community*. <a href="https://techcommunity.microsoft.com/t5/ai-at-microsoft/introducing-phi-4-microsoft-s-newest-small-language-model/ba-p/4357090" class="external autonumber" rel="nofollow">[٤]</a></span>
5.  <span id="cite_note-5">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-5) «Exploring Phi-4: A Deep Dive into Microsoft's Latest Language Model». *OpenCV Blog*. <a href="https://opencv.org/blog/phi-4/" class="external autonumber" rel="nofollow">[٥]</a></span>
6.  <span id="cite_note-6">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-6) «Unlocking the Power of Small Language Models (SLMs): The Evolution of Phi». *LinkedIn*. <a href="https://www.linkedin.com/pulse/unlocking-power-small-language-models-slms-evolution-vijay-ru4xc" class="external autonumber" rel="nofollow">[٦]</a></span>
7.  <span id="cite_note-7">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-7) «Новая ИИ-модель Phi-2 от Microsoft училась по учебникам». *TechInsider*. <a href="https://www.techinsider.ru/news/news-1625165-novaya-ii-model-phi-2-ot-microsoft-uchilas-po-uchebnikam/" class="external autonumber" rel="nofollow">[٧]</a></span>
8.  <span id="cite_note-8">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-8) «Phi-3 Technical Report». *arXiv*. <a href="https://arxiv.org/abs/2404.14219" class="external autonumber" rel="nofollow">[٨]</a></span>
9.  <span id="cite_note-9">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-9) «Discover the new multi-lingual, high-quality Phi-3.5 SLMs». *Microsoft Tech Community*. <a href="https://techcommunity.microsoft.com/blog/azure-ai-services-blog/discover-the-new-multi-lingual-high-quality-phi-3-5-slms/4225280" class="external autonumber" rel="nofollow">[٩]</a></span>
10. <span id="cite_note-10">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-10) «Phi-4 Technical Report». *arXiv*. <a href="https://arxiv.org/abs/2412.08905" class="external autonumber" rel="nofollow">[١٠]</a></span>
11. <span id="cite_note-11">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-11) «Mixture-of-Modality-LoRAs: A Low-Rank Approach to Natively Multimodal Foundation Models». *arXiv*. <a href="https://arxiv.org/abs/2503.01743" class="external autonumber" rel="nofollow">[١١]</a></span>
12. <span id="cite_note-12">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-12) «Phi-3: A Tutorial on Microsoft's Small Language Models (SLMs)». *DataCamp*. <a href="https://www.datacamp.com/tutorial/phi-3-tutorial" class="external autonumber" rel="nofollow">[١٢]</a></span>
13. <span id="cite_note-13">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-13) «Unlocking the Power of Small Language Models (SLMs): The Evolution of Phi». *LinkedIn*. <a href="https://www.linkedin.com/pulse/unlocking-power-small-language-models-slms-evolution-vijay-ru4xc" class="external autonumber" rel="nofollow">[١٣]</a></span>
14. <span id="cite_note-14">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-14) «Microsoft Phi». *Microsoft Azure*. <a href="https://azure.microsoft.com/en-us/products/phi" class="external autonumber" rel="nofollow">[١٤]</a></span>
15. <span id="cite_note-15">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-15) «Exploring Phi-4: A Deep Dive into Microsoft's Latest Language Model». *OpenCV Blog*. <a href="https://opencv.org/blog/phi-4/" class="external autonumber" rel="nofollow">[١٥]</a></span>
16. <span id="cite_note-16">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-16) «Phi-3.5-vision-instruct». *Hugging Face*. <a href="https://huggingface.co/microsoft/Phi-3.5-vision-instruct" class="external autonumber" rel="nofollow">[١٦]</a></span>
17. <span id="cite_note-17">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-17) «Small But Mighty: Exploring the Capabilities of Small Language Models in Medical and Sport-Specific Applications». *arXiv*. <a href="https://arxiv.org/abs/2504.08764" class="external autonumber" rel="nofollow">[١٧]</a></span>
18. <span id="cite_note-18">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-18) «HateTinyLLMs: A Small Language Model for Hate Speech Detection». *arXiv*. <a href="https://arxiv.org/abs/2405.01577" class="external autonumber" rel="nofollow">[١٨]</a></span>
19. <span id="cite_note-19">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-19) «SC-Phi2: A Specialized Small Language Model for StarCraft II». *MDPI*. <a href="https://www.mdpi.com/2673-2688/5/4/115" class="external autonumber" rel="nofollow">[١٩]</a></span>
20. <span id="cite_note-20">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-20) «Microsoft’s Phi-3.5: a responsible, small language model». *Skymod*. <a href="https://skymod.tech/microsofts-phi-3-5-small-language-models/" class="external autonumber" rel="nofollow">[٢٠]</a></span>
21. <span id="cite_note-21">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-21) «Phi-4: A New Era of Small Language Models». *Meta-quantum.today*. <a href="https://meta-quantum.today/?p=3386" class="external autonumber" rel="nofollow">[٢١]</a></span>
22. <span id="cite_note-22">[↑](https://systems-analysis.info/int/Phi_(Microsoft)_%E2%80%94_%D9%81%D8%A7%D9%8A#cite_ref-22) «A Multi-faceted Analysis of Language-specific Bias in Large Language Models». *U.S. Securities and Exchange Commission*. <a href="https://www.sec.gov/Archives/edgar/data/789019/000119312524242883/d858775ddef14a.htm" class="external autonumber" rel="nofollow">[٢٢]</a></span>