BroadRouter
ابدأ الآن

الضبط الدقيق (Fine-tuning)

آخر تحديث

الضبط الدقيق (fine-tuning) هو مواصلة تدريب نموذج لغوي مدرَّب مسبقًا على مجموعة بيانات أصغر خاصة بمهمة، مثل محادثات نموذجية، فتتغير أوزانه ويؤدي تلك المهمة أو ذلك الأسلوب بموثوقية أكبر دون الحاجة إلى تعليمات أو أمثلة طويلة في كل أمر.

يُسمّى أيضًا: الضبط الدقيق، التدريب الدقيق، الضبط الدقيق الموجّه، فاين تيونينغ، fine-tuning، finetuning، supervised fine-tuning، SFT، model fine-tuning

كتابة الأوامر تخبر النموذج بما يفعله في كل مرة. أما الضبط الدقيق فيغيّر النموذج ليعرف ذلك مسبقًا.

كيف يعمل

تبدأ من نموذج مدرَّب وتجري تدريبًا إضافيًا على أمثلتك. في الضبط الدقيق الموجّه (SFT)، يكون كل مثال محادثة تحمل الإجابة التي تريدها. ويستخدم دليل OpenAI صيغة JSONL، أي “one complete JSON structure on every line” (ترجمة: بنية JSON كاملة في كل سطر)، بتنسيق المحادثة:

{"messages": [{"role": "user", "content": "Classify: 'card charged twice'"}, {"role": "assistant", "content": "billing"}]}

تعدّل مهمة التدريب الأوزان لتصبح تلك الإجابات أرجح، وتُرجع معرّف نموذج جديدًا. وتضع OpenAI الحد الأدنى عند 10 أمثلة، وتوصي بالبدء بـ 50 والتقييم قبل إضافة المزيد.

الضبط الدقيق الكامل يحدّث كل الأوزان، وهو مكلف للنماذج الكبيرة. وتصف ورقة LoRA التي كتبها Hu وزملاؤه نشر نسخ منفصلة مضبوطة من GPT-3، “each with 175B parameters” (ترجمة: كل منها بـ 175 مليار معامل)، بأنه باهظ التكلفة إلى حد يمنعه. أما الأساليب الموفّرة للمعاملات مثل LoRA فتدرّب إضافة صغيرة بدلًا من ذلك. والتقطير فكرة قريبة: ضبط نموذج صغير على مخرجات نموذج أكبر.

لماذا يهم

  • أوامر أقصر. السلوك الذي كان يحتاج إلى أمر بأمثلة قليلة طويل يمكن نقله إلى الأوزان، فتقل رموز الإدخال في كل استدعاء.
  • الاتساق. من الاستخدامات المناسبة: التصنيف، وأسلوب مخرجات ثابت، والترجمة في مجال متخصص، وتصحيح إخفاقات اتباع التعليمات.
  • الصيانة. النموذج المضبوط مرتبط بنموذج أساس واحد. وحين يُسحب الأساس، تعيد التدريب. ويقول دليل OpenAI الآن إنها توقف منصة الضبط الدقيق تدريجيًا، وهي مغلقة أمام المستخدمين الجدد، مع استمرار خدمة النماذج المضبوطة حتى إيقاف نماذج الأساس الخاصة بها.
  • القياس أولًا. ابنِ تقييمًا قبل التدريب، وإلا فلن تعرف إن كان النموذج المضبوط أفضل.

الضبط الدقيق طريقة سيئة لإضافة حقائق تتغير. الاسترجاع يُبقيها محدّثة.

في BroadNet Inference

لا يوثّق مرجع API لدى BroadNet واجهة للضبط الدقيق، ولا مهام تدريب، ولا رفع أوزانك الخاصة. لكنه يذكر أن “our Arabic fine-tunes and other models on request” (ترجمة: نماذجنا العربية المضبوطة ونماذج أخرى عند الطلب) يُوصل إليها بمعرّف نموذج خاص يُصدر مع نقطة النهاية. وتدرج BroadNet نموذجًا واحدًا من هذا النوع عند الطلب: نسخة مضبوطة من Cohere Transcribe Arabic للأرقام والتواريخ والأسماء في الصوت المشوّش. أما نموذج التفريغ الصوتي العربي العام، فراجع دليل تحويل الكلام العربي إلى نص. وإن احتجت إلى تدريب نموذجك الخاص، فإن النموذج مفتوح الأوزان هو نقطة البداية المعتادة؛ والموازنات مشروحة في النماذج مفتوحة الأوزان مقابل المغلقة.

أسئلة شائعة

كم مثالًا أحتاج للضبط الدقيق لنموذج لغوي؟

يضع دليل OpenAI حدًا أدنى من 10 أمثلة، ويقترح البدء بـ 50 مثالًا جيد الإعداد ثم القياس. وإذا لم تغيّر 50 مثالًا جيدًا شيئًا، فأعد التفكير في المهمة قبل إضافة المزيد.

الضبط الدقيق أم RAG لمعرفة الشركة؟

الاسترجاع عادةً. فالضبط الدقيق يعلّم السلوك والتنسيق جيدًا، لكن الحقائق المتغيرة يسهل إبقاؤها محدّثة في مستندات تسترجعها وقت الطلب.

هل يمكنني إجراء ضبط دقيق لنموذج على BroadNet Inference؟

لا تذكر وثائق BroadNet واجهة للضبط الدقيق. لكنها تشير إلى نماذج BroadNet العربية المضبوطة، المتاحة عبر نقاط نهاية خاصة عند الطلب.

اقرأها بصيغة Markdownاسأل ChatGPTاسأل Claudeاسأل Perplexity