ما هو fine tuning في الذكاء الاصطناعي؟

fine tuning دفعة صغيرة فوق نموذج ضخم

يصلك نموذج اللغة وهو مُدرَّب بالفعل. التدريب المسبق قرأ مجموعة نصوص تضم تريليونات الرموز؛ أعلنت Meta عن أكثر من 15 تريليون رمز لنموذج Llama 3. بعد ذلك، دربه ما بعد التدريب ليصبح مساعدًا. صفحة ما هو نموذج اللغة الكبير تغطي المرحلتين.

fine tuning هو مرحلة ثالثة، أصغر بكثير، تقوم أنت بتشغيلها. تعطي النموذج من بضع مئات إلى بضعة آلاف من الأمثلة على المُدخل والمُخرج الدقيقين اللذين تريدهما، وتدربه قليلًا أكثر عليها. يقول دليل OpenAI لـ fine tuning إن التحسينات الواضحة تظهر عادة بدءًا من 50 إلى 100 مثال. تتحرك المعلمات قليلًا نحو إنتاج نوع إجابتك بشكل افتراضي.

فرق الحجم هو القصة كلها. خمسة عشر تريليون رمز مقابل بضع مئات من الأمثلة: لا يستطيع fine tuning إضافة معرفة ذات معنى، لأن الكمية غير كافية لتحريك ما يعرفه النموذج. ما يمكنه فعله هو تحريك طريقة استجابة النموذج، لأن صيغة ثابتة مُكرَّرة بضع مئات من المرات هي بالضبط نمط الدفعة الصغيرة التي يلتقطها هذا التدريب.

fine tuning يغيّر طريقة إجابة النموذج، لا يغيّر أبدًا ما يعرفه

الخط الفاصل يُرسم بين السلوك والمعرفة.

الفشل الذي يقع فيه الناس هو الصف الرابع. يطبّقون fine tuning على مركز المساعدة الخاص بهم، متوقعين نموذجًا يعرف منتجهم. فيحصلون على نموذج يكتب بصوت مركز المساعدة ويختلق حقائق المنتج بطلاقة، لأن التدريب علّمه شكل الإجابات لا جوهرها. مهمة المعرفة تعود للاسترجاع، وصفحة ما هو RAG تشرح كيف يعمل ذلك.

لماذا يُطبَّق fine tuning على نماذج رخيصة عمدًا

لا أحد يطبّق fine tuning على أغلى نموذج في العائلة من أجل عمل ضيق. الهدف هو جعل نموذج صغير ورخيص يؤدي مهمة واحدة بجودة النموذج المتقدم مع برومبت طويل، ثم تشغيل النموذج الرخيص ملايين المرات.

الأرقام فوق كل طرف هي درجات مؤشر الذكاء من Artificial Analysis، قُرئت في 2026-09-17، والخط هو فرق السعر لكل مليون رمز. يحصل Llama 4 Maverick العام الغرض على 9 مقابل 38 لـ Claude Sonnet 5؛ رهان fine tuning هو أن هذه الفجوة البالغة 29 نقطة يمكن سدها في مهمة ضيقة واحدة مقابل توفير 127 ضعفًا. بأسعار قائمة OpenRouter المُستقاة في 2026-08-20، تكلف إجابة قياسية من 1,000 رمز إدخال و500 رمز إخراج $0.0006 على Maverick و$0.007 على Sonnet 5، وفق مؤشر تكلفة نماذج الذكاء الاصطناعي، فمصنّف دعم يعمل 100,000 مرة شهريًا يكلف $60 بالنموذج الأول و$700 بالثاني. إذا طابق Maverick المُعدَّل أداء Sonnet في تلك المهمة الواحدة، يعوّض التعديل تكلفته في الشهر الأول. هذا الحساب، لا جودة النموذج بشكل عام، هو ما يُستخدم fine tuning من أجله.

الطريقة التي جعلت هذا رخيصًا هي LoRA، المنشورة عام 2021، والتي تدرب مجموعة صغيرة من المعلمات المضافة بدلًا من النموذج بأكمله. ومع خليفتها ذات 4 بت QLoRA (Dettmers وآخرون، 2023)، يمكن ضبط نموذج بسبعة مليارات معلمة على بطاقة رسومات استهلاكية واحدة بسعة 24 جيجابايت. أما fine tuning الكامل لنفس النموذج فيعني تحديث كل معلمة عبر عدة وحدات معالجة رسومية في مراكز بيانات.

برومبت أو استرجاع أو نموذج مختلف يحل معظم الحالات قبل أي تدريب

fine tuning هو الخيار الأخير، لا الأول، لأن كلًا من هذه الحلول يعالج الحالات الشائعة بجزء يسير من الجهد ويمكن تغييره في دقيقة واحدة.

1. برومبت أفضل مع أمثلة. ثلاثة أمثلة على المُخرج الذي تريده داخل البرومبت تحقق معظم فوائد الصيغة والنبرة التي يحققها fine tuning دون أي تدريب. صفحة هندسة البرومبت للمبتدئين تغطي هذا النمط.
2. الاسترجاع. إذا كانت الفجوة معرفية، فلا كمية من fine tuning تسدها. ارفع المستندات أو فعّل البحث.
3. نموذج مختلف. تختلف النماذج في نبرتها الافتراضية. نموذج يكتب بالفعل بالطريقة التي تريدها يتفوق على تعديل نموذج لا يفعل ذلك؛ ومساحة عمل متعددة النماذج تجعل هذا اختبارًا بنقرة واحدة.

الجأ إلى fine tuning عندما يكبر البرومبت ليصبح صفحة كاملة من القواعد التي ينساها النموذج باستمرار، أو عندما يعمل المهمة بحجم يجعل طول البرومبت مالًا حقيقيًا، أو عندما تحتاج إلى إعادة صيغة موثوقة عشرة آلاف مرة دون انحراف واحد. هذه احتياجات حقيقية، وهي أيضًا نادرة.

هل يمكنك تطبيق fine tuning داخل منتج محادثة؟

بشكل عام لا، و Whizi ليس استثناءً. منتجات المحادثة الاستهلاكية، بما فيها Whizi، لا تقدّم fine tuning؛ إنها ميزة للمطورين على واجهات برمجة مزودي الخدمة والنماذج مفتوحة الأوزان. أقرب ما يوجد داخل تطبيق محادثة هو التعليمات الدائمة. في Whizi، تعيش هذه التعليمات على مستوى المشروع: تنطبق تعليمات مخصصة لكل مشروع على كل محادثة داخل ذلك المشروع، وهذه هي طريقة الحصول على نبرة وصيغة متسقتين عبر مجموعة من الأعمال دون تدريب أي شيء. صفحة كيفية استخدام المشاريع تشرح الإعداد.

هذا هو الخيار الصحيح لمعظم الناس. تعليمات المشروع هي برومبت تكتبه مرة واحدة وتعدّله كلما تغيّرت القواعد. أما fine tuning فهو نموذج تعيد تدريبه كلما تغيّرت القواعد. لكل من لا يشغّل مهمة ضيقة بحجم كبير، يفوز البرومبت من حيث التكلفة وسرعة التغيير وحقيقة أنه يمكنك قراءته.

قاعدة القرار: طبّق fine tuning عندما تعمل المهمة الضيقة نفسها بحجم يجعل توفير نموذج رخيص أمرًا مهمًا. في كل مكان آخر، اكتب التعليمات فحسب.