لماذا نضبط نماذج اللغة الكبيرة؟

النماذج المدربة مسبقاً مثل Llama و Mistral و Qwen قادرة بشكل مذهل مباشرة. فلماذا تقضي الوقت والموارد الحسابية لضبطها؟

حدود النماذج المدربة مسبقاً

نماذج اللغة الكبيرة المدربة مسبقاً هي عموميات. تعرف الكثير عن كل شيء، لكنها قد لا تعرف ما يكفي عن مجالك المحدد:

التحدي	مثال
مفردات المجال	مصطلحات طبية أو قانونية أو صناعية متخصصة
معرفة الشركة	العمليات الداخلية، أسماء المنتجات، السياسات
تخصص المهمة	صيغ إخراج محددة، أنماط برمجة
النبرة والأسلوب	صوت العلامة التجارية، رسمي مقابل غير رسمي

متى يكون الضبط الدقيق منطقياً

الضبط الدقيق هو الخيار الصحيح عندما تحتاج:

1. خبرة المجال

درّب نموذجاً على وثائقك الخاصة، أوراق البحث، أو قاعدة المعرفة المتخصصة.

مدرب مسبقاً: "المشبك هو تقاطع بين الخلايا العصبية."
مضبوط (طبي): "المشبك هو التقاطع المتخصص حيث يحدث إطلاق
الناقلات العصبية عبر الإخراج الخلوي المعتمد على الكالسيوم،
مع تأخير مشبكي نموذجي 0.5-1 مللي ثانية..."

2. صيغة إخراج ثابتة

تأكد أن النموذج يستجيب دائماً بهيكل محدد—JSON أو XML أو صيغتك المخصصة.

3. تخصص المهمة

أنشئ نماذج محسّنة لمهام محددة مثل:

• توليد الكود بمكدسك التقني
• دعم العملاء لمنتجك
• تحليل المستندات القانونية
• تلخيص الأوراق العلمية

4. تقليل التكلفة

نموذج مضبوط أصغر 7B يمكن أن يتفوق على نموذج عام 70B في مهمتك المحددة—بعُشر تكلفة الاستدلال.

عائد الاستثمار من الضبط الدقيق

المقياس	قبل الضبط الدقيق	بعد الضبط الدقيق
دقة المهمة	65-75%	90-95%
تكلفة الاستدلال	$10/مليون توكن	$1/مليون توكن (نموذج أصغر)
اتساق الاستجابة	متغير	متسق جداً
معرفة المجال	عامة	متخصصة

ما ستتعلمه في هذه الدورة

بنهاية هذه الدورة، ستكون قادراً على:

1. اختيار طريقة الضبط الدقيق المناسبة لحالة استخدامك
2. إعداد مجموعات بيانات تدريب عالية الجودة
3. ضبط النماذج باستخدام LoRA و QLoRA بأقل العتاد
4. استخدام Unsloth للتدريب أسرع مرتين مع 70% أقل من VRAM
5. محاذاة النماذج باستخدام DPO (التحسين المباشر للتفضيلات)
6. نشر نماذجك المضبوطة على Ollama

لنبدأ بفهم أنواع الضبط الدقيق المختلفة المتاحة. :::