كثيرًا ما يكون الضبط الدقيق أول علاج يلجأ إليه الناس حين يخطئ النموذج، وكثيرًا ما يكون العلاج الخطأ. فهو يكلّف جمع بيانات وتصنيفها، وجولات تدريب، ونموذجًا يصبح عليك صيانته. وكثير من حالات الفشل تختفي بأمر أوضح، أو باسترجاع المستند الصحيح، أو بفحص برمجي للناتج. يتناول هذا المقال كيف تقرّر في أي حالة أنت، وما الذي تجهّزه إذا كنت تحتاج فعلًا إلى نموذج مخصّص.
ما المشكلة التي تحاول حلّها؟
سمِّ الفشل قبل أن تسمّي العلاج. معظم حالات فشل نماذج LLM تقع في أنماط قليلة، ولكل منها خطوة أولى أرخص:
| العَرَض | جرّب أولًا | يفيد الضبط الدقيق حين |
|---|---|---|
| حقائق خاطئة أو قديمة | الاسترجاع (RAG) من مستنداتك | نادرًا؛ فالحقائق المتغيّرة تحتاج إلى الاسترجاع على أي حال |
| صيغة خاطئة أو JSON معطوب | المخرجات المنظَّمة، وفحوص المخطط، وإعادة محاولة واحدة | تكون الصيغة غير مألوفة ولا تكفي الأمثلة في الأمر |
| تصنيفات أو فئات غير متسقة | تعريفات واضحة وأمثلة قليلة | تكون مجموعة التصنيفات كبيرة أو دقيقة ولا تتسع الأمثلة في الأمر |
| نبرة أو أسلوب خاطئ | دليل أسلوب في أمر النظام مع أمثلة | يجب أن يصمد أسلوب المؤسسة عبر آلاف المخرجات |
| مصطلحات المجال تُسمع أو تُكتب خطأً | قائمة مفردات في الأمر، وتصحيح لاحق في الشيفرة | تخطئ نماذج الكلام في سماع الأسماء أو الرموز أو الأرقام نفسها مرارًا |
| بطء أو تكلفة مرتفعة على نطاق واسع | نموذج أصغر، والتخزين المؤقت للأوامر، وأوامر أقصر | يمكن لنموذج صغير مضبوط أن يضاهي نموذجًا كبيرًا في مهمة ضيقة |
| لغة أو لهجة خاطئة | تعليمات باللغة الصحيحة؛ راجع هندسة الأوامر بالعربية | يفهم النموذج لكنه لا يكتب باللهجة التي تحتاجها |
يصف دليل OpenAI نفسه الترتيب ذاته: اكتب التقييمات أولًا، ثم حسّن الأوامر تكراريًا، واستخدم الضبط الدقيق لبعض حالات الاستخدام. ويقول إن عملية هندسة الأوامر “may be all you need in order to get great results” (الترجمة: قد تكون كل ما تحتاجه للحصول على نتائج ممتازة). ويُدرج ما يضيفه الضبط الدقيق على هندسة الأوامر: أمثلة أكثر مما يتسع له أمر واحد، وأوامر أقصر توفّر الرموز (التوكنات)، والتدريب على بيانات لا تريد إرسالها في كل طلب، وجعل نموذج أصغر بارعًا في مهمة واحدة.
كيف تثبت أن الفشل متكرر؟
بمجموعة تقييم. اجمع من 100 إلى 200 مدخل حقيقي مع مخرجات جيدة معروفة، كما في مقال تقييم نموذج LLM قبل الانتقال إليه. قيّم أمرك الحالي. ثم صنّف كل فشل بفئة قصيرة: wrong_label، missing_field، dialect، hallucinated_fact، وهكذا.
لا يكون النمط مرشّحًا للضبط الدقيق إلا إذا تحققت الشروط الثلاثة:
- أنه متكرر. يمثّل نسبة معتبرة من حالات الفشل، لا حالة أو حالتين شاذتين.
- أنه يصمد أمام الحلول الرخيصة. جرّبت تعليمات أوضح وأمثلة واسترجاعًا وتحققًا، ولا تزال الفئة موجودة.
- أنه متسق. يتفق الناس على الإجابة الصحيحة. فإذا صنّف اثنان من مراجعيك الحالة نفسها تصنيفين مختلفين، فإن النموذج المدرَّب على تصنيفاتهما سيتعلّم الخلاف.
دوّن النتيجة في عبارة قصيرة، مثل هذا المثال المختلَق: «على مجموعة دعم عربية من 200 حالة، يخطئ أفضل أمر في تصنيف 18% من تذاكر الفوترة على أنها تذاكر توصيل؛ وخفّضت الأمثلة القليلة ذلك إلى 15%». هذه العبارة هي موجز الضبط الدقيق، والرقم الذي يجب التفوّق عليه.
ما التغييرات الأبسط التي تختبرها أولًا؟
شغّلها بحسب تكلفتها، وأعد التقييم بعد كل منها:
- التعليمات. عرّف كل تصنيف أو حقل. وقل ما يجب فعله عند الشك.
- الأمثلة. أضِف من ثلاثة إلى عشرة أمثلة حقيقية، بما فيها الحالات الصعبة.
- الاسترجاع. إذا كانت الإجابات تحتاج إلى حقائق، فاسترجع المقطع ذا الصلة. ويتناول مقالا البحث بالاسترجاع (RAG) بالعربية والسياق الطويل مقابل RAG الخيارات.
- القيود. استخدم المخرجات المنظَّمة حيث يدعمها النموذج، وافحص الناتج برمجيًا. وأعد السؤال مرة واحدة مع رسالة الخطأ.
- نموذج آخر. قد يفعل نموذج أساسي مختلف ما تحتاجه بالفعل. ومجموعة التقييم نفسها تخبرك بذلك خلال ساعة.
كل خطوة تكلّف ساعات لا أسابيع، وكل منها يتركك بخط أساس أفضل يجب أن يتفوّق عليه الضبط الدقيق إن ظللت تحتاج إليه.
ما البيانات التي تحتاجها، وهل يحق لك استخدامها؟
قبل الجودة، تحقّق من الحقوق. كثيرًا ما تأتي بيانات التدريب من محادثات العملاء أو المستندات أو تسجيلات المكالمات. تحتاج إلى أساس قانوني، وغالبًا إلى موافقة أو بند تعاقدي يشمل التدريب. راجع إشعار الخصوصية لديك وعقود عملائك، واحذف البيانات الشخصية التي لا تحتاج إليها. ولا تفترض أن مزود الـAPI يجمعها لك: فبيان الخصوصية لدى BroadNet، مثلًا، يقول إنها لا تحتفظ بمحتوى الاستدلال ولا تستخدم بيانات الاستدلال لتدريب النماذج أو ضبطها أو تقييمها.
ثم تحقّق من الجودة. يقرأ هذا النص البرمجي ملف تدريب وملف تقييم بصيغة JSONL الشائعة للمحادثات ({"messages": [...]} واحد في كل سطر، ينتهي بإجابة المساعد)، ويبلّغ عن مشكلات تفسد الضبط الدقيق بصمت: صفوف معطوبة، وتكرارات، والمدخل نفسه بإجابات مختلفة، وعناصر تقييم تسرّبت إلى التدريب، وتوازن التصنيفات، وبيانات شخصية محتملة.
import json, re, sys
from collections import Counter
DIAC = re.compile(r"[ً-ٰٟـ]") # tashkeel, dagger alef, tatweel
PII = {"email": re.compile(r"[\w.+-]+@[\w-]+\.[\w.]+"),
"phone": re.compile(r"(?:\+|00)\d[\d\s-]{7,}\d")}
def norm(s: str) -> str:
s = DIAC.sub("", s.lower())
s = re.sub("[إأآٱ]", "ا", s).replace("ى", "ي")
return " ".join(s.split())
def load(path):
rows, errors = [], []
for i, line in enumerate(open(path, encoding="utf-8"), 1):
try:
ex = json.loads(line)
roles = [m["role"] for m in ex["messages"]]
if roles[-1] != "assistant" or "user" not in roles:
raise ValueError(f"roles {roles}")
rows.append(ex)
except (ValueError, KeyError, IndexError, TypeError) as e:
errors.append(f"line {i}: {e}")
return rows, errors
def key(ex): # the input side, normalised: what the model sees
return norm(" ".join(m["content"] for m in ex["messages"] if m["role"] != "assistant"))
def check(train_path, eval_path):
train, errs = load(train_path)
evals, eval_errs = load(eval_path)
keys = Counter(key(e) for e in train)
labels = Counter(e["messages"][-1]["content"].strip() for e in train)
leaked = {key(e) for e in evals} & set(keys)
pii = Counter(k for e in train for m in e["messages"] for k, rx in PII.items() if rx.search(m["content"]))
conflicts = Counter()
seen = {}
for e in train:
k, a = key(e), e["messages"][-1]["content"].strip()
if k in seen and seen[k] != a:
conflicts[k] += 1
seen.setdefault(k, a)
return {"train_examples": len(train), "parse_errors": errs + eval_errs,
"duplicate_inputs": sum(n - 1 for n in keys.values() if n > 1),
"same_input_different_answer": len(conflicts),
"eval_items_also_in_train": len(leaked),
"answer_distribution": labels.most_common(5),
"examples_with_possible_pii": dict(pii)}
if __name__ == "__main__":
print(json.dumps(check(sys.argv[1], sys.argv[2]), ensure_ascii=False, indent=1))
شغّلناه على ملف تجريبي من سبعة أسطر يضم تذاكر دعم بالعربية والإنجليزية والإسبانية. وجد صفًا واحدًا بلا إجابة من المساعد، ومدخلين مكررين (اختلف أحدهما بحركة تشكيل فقط، يزيلها التوحيد، كما في مقال توحيد النص العربي للبحث)، ومدخلًا واحدًا مصنّفًا billing وother معًا، وعنصر تقييم ظهر أيضًا في التدريب، ورقم هاتف واحدًا. وكل واحد من هذه كان سيجعل الضبط الدقيق يبدو أفضل أو أسوأ مما هو عليه.
والتوحيد مهم للعربية. فبدونه تُحتسب «متأخر» و«متأخِّر» مدخلين مختلفين، وقد تتسلل نسخة شبه مطابقة من عنصر اختبار إلى التدريب.
كيف تقيّم نموذجًا مضبوطًا بإنصاف؟
استخدم مجموعة الاختبار المحجوزة نفسها التي استخدمتها لخط الأساس، وأبقِها خارج التدريب. ثم قارن:
- بأفضل أمر، لا بأول أمر. الضبط الدقيق الذي يتفوّق على أمر ضعيف لا يثبت شيئًا.
- لكل فئة ولكل لغة. قد يخفي المكسب الإجمالي تراجعًا في العربية بينما تتحسّن الإنجليزية. أبلغ عن كلٍّ منهما.
- في السلوك العام. أضِف من 20 إلى 50 طلبًا عاديًا كان النموذج يتعامل معها جيدًا من قبل. فالتدريب الضيق قد يُضعف السلوك خارج المهمة.
- في التكلفة وزمن الاستجابة. كثيرًا ما يكون مبرّر الضبط الدقيق أن نموذجًا أصغر يؤدي المهمة. قِس الرموز والوقت لكل طلب أيضًا.
حدّد قاعدة النجاح قبل أن ترى الأرقام، كما في مقال التقييم: مثلًا «أفضل بـ5 نقاط على الأقل في تصنيفات الفوترة، ولا تتراجع أي فئة بأكثر من نقطتين، وتنجح العربية والإنجليزية كلتاهما».
ما الذي يتغيّر حين لا تستطيع ضبط النماذج المستضافة؟
عدد واجهات API المستضافة التي تقدّم ضبطًا دقيقًا ذاتي الخدمة أقل مما قد تتوقع. تسجّل صفحة الإيقافات لدى OpenAI تحديثًا لمنصة الضبط الدقيق ذاتية الخدمة: فمنذ 7 مايو 2026 لم تعد المؤسسات التي لم تشغّل ضبطًا دقيقًا من قبل قادرة على إنشاء مهام؛ ومنذ 2 يوليو 2026 لم تعد قادرة على ذلك أيضًا المؤسسات التي لم تشغّل استدلالًا على نموذج مضبوط ضبطًا دقيقًا خلال الأيام الستين الماضية؛ ومن 6 يناير 2027 لن يتمكّن العملاء الحاليون النشطون من إنشاء مهام ضبط دقيق جديدة. وتبقى النماذج المضبوطة الموجودة متاحة للاستدلال حتى إيقاف نماذجها الأساسية.
البديل المعتاد هو نموذج مفتوح الأوزان يُدرَّب بطريقة فعّالة في المعاملات مثل LoRA. وتذكر ورقة LoRA (Hu وآخرون) أنه، مقارنة بالضبط الدقيق الكامل لنموذج GPT-3 175B باستخدام Adam، يمكن لـLoRA تقليل عدد المعاملات القابلة للتدريب 10,000 مرة ومتطلبات ذاكرة GPU ثلاث مرات. وتحتاج بعدها إلى مكان لتقديم النتيجة، إما عتادك الخاص وإما مزود يستضيف أوزانًا مخصّصة. ويتناول مقال النماذج مفتوحة الأوزان مقابل المغلقة هذه المقايضة.
أين يأتي دور BroadNet Inference؟
BroadRouter هو موقع BroadNet نفسها. لا تتضمّن واجهة BroadNet Inference ذاتية الخدمة نقطة نهاية للضبط الدقيق: يوثّق المرجع التقني لواجهتها chat completions والتفريغ الصوتي فقط. وتقول الصفحة نفسها: “private endpoints, our Arabic fine-tunes and other models on request are reached with a private ID issued with the endpoint.” (الترجمة: يُوصل إلى نقاط الوصول الخاصة ونماذجنا العربية المضبوطة والنماذج الأخرى المتاحة عند الطلب بمعرّف خاص يصدر مع نقطة الوصول). وتُدرج صفحات النماذج لدى BroadNet نسخة مضبوطة من Cohere Transcribe Arabic لدى BroadNet للأرقام والتواريخ والأسماء في الصوت المشوّش، متاحة عند الطلب بمعرّف نموذج خاص لكل عميل، وتقول إن Gemma 4 VL 26B متاح على نقطة وصول خاصة “including our Arabic fine-tunes” (الترجمة: بما فيها نماذجنا العربية المضبوطة). هذه استفسارات عبر صفحة التواصل، لا شيء يمكنك شراؤه أو تدريبه بنفسك؛ ويتناول مقال التخطيط لنقطة وصول خاصة ما ترسله.
ولكل ما يسبق تلك الخطوة، تكفي النماذج العامة لبناء مجموعة التقييم وخط الأساس: يوثّق Qwen3.8 27B وGLM 5.3 المخرجات المنظَّمة، ويعمل Gemma 4 VL 26B على الرصيد الابتدائي $5، ويتولّى BroadNet Transcribe Arabic الكلام بسعر $0.0042 للدقيقة. لا يُحتفظ بمحتوى الاستدلال؛ ويُحتفظ ببيانات الحساب والفوترة والأمان الوصفية الضرورية كما يبيّن بيان الخصوصية لدى BroadNet.
