---
title: "کیا LLM کو فائن ٹیون کرنا ضروری ہے؟ تیاری کی چیک لسٹ"
description: "کب پرامپٹنگ، RAG یا evaluation مسئلہ حل کر دیتے ہیں اور فائن ٹیوننگ ضروری نہیں، کیسا ٹریننگ ڈیٹا چاہیے، اور فائن ٹیون مانگنے سے پہلے اسے کیسے جانچیں۔"
url: https://broadrouter.com/ur/blog/fine-tuning-readiness/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/fine-tuning-readiness/) (اپ ڈیٹ: 2026-11-16).

# فائن ٹیوننگ سے پہلے: حل کرنے والا مسئلہ طے کریں

BroadNet Inference ٹیم · 7 منٹ کی پڑھائی · شائع شدہ 2026-11-15 · اپ ڈیٹ 2026-11-16

فائن ٹیون تبھی کریں جب evaluation میں کوئی بار بار ہونے والی ناکامی دکھے جسے بہتر پرامپٹس، مثالیں، retrieval اور توثیق ٹھیک نہ کر پائے ہوں۔ غائب معلومات کے لیے عام طور پر retrieval چاہیے، اور فارمیٹ کی غلطیوں کے لیے structured output اور جانچ۔ کسٹم ماڈل مانگنے سے پہلے ایسی لیبل شدہ مثالیں جمع کریں جنہیں آپ قانونی طور پر استعمال کر سکیں، ایک ٹیسٹ سیٹ الگ رکھیں، اور ہرانے والا اسکور درج کریں۔

## اہم نکات

-   eval set سے شروع کریں۔ baseline اسکور کے بغیر آپ نہیں بتا سکتے کہ فائن ٹیون سے مدد ملی یا نہیں۔
-   غائب یا بدلتے حقائق retrieval کا مسئلہ ہیں۔ فائن ٹیوننگ بدلتے حقائق کے مقابلے میں رویہ اور انداز زیادہ قابلِ اعتماد طریقے سے سکھاتی ہے۔
-   OpenAI کی اپنی گائیڈ evals اور prompt engineering کو فائن ٹیوننگ سے پہلے رکھتی ہے، اور کہتی ہے کہ پرامپٹنگ "may be all you need" (ترجمہ: شاید یہی کافی ہو)۔
-   ٹریننگ ڈیٹا کو حقوق، یکسانیت اور ایک الگ رکھا ٹیسٹ سیٹ چاہیے جو کبھی ٹریننگ میں نہ آئے۔ ایک مختصر اسکرپٹ duplicates، تضادات اور leaks پکڑ لیتا ہے۔
-   BroadNet کے سیلف سرو API میں کوئی فائن ٹیوننگ endpoint نہیں۔ اس کے عربی فائن ٹیونز درخواست پر، پرائیویٹ اینڈپوائنٹ پر پرائیویٹ ماڈل ID کے ساتھ ملتے ہیں۔

**اس صفحے پر**

1.  آپ کون سا مسئلہ حل کرنا چاہتے ہیں؟
2.  کیسے ثابت کریں کہ ناکامی بار بار ہوتی ہے؟
3.  پہلے کون سی سادہ تبدیلیاں ٹیسٹ کریں؟
4.  کون سا ڈیٹا چاہیے، اور کیا آپ کو اسے استعمال کرنے کا حق ہے؟
5.  فائن ٹیون کی منصفانہ جانچ کیسے کریں؟
6.  جب آپ ہوسٹڈ ماڈلز فائن ٹیون نہیں کر سکتے تو کیا بدلتا ہے؟
7.  BroadNet Inference کہاں فٹ ہوتا ہے

جب ماڈل کچھ غلط کرتا ہے تو لوگ اکثر سب سے پہلے فائن ٹیوننگ کی طرف ہاتھ بڑھاتے ہیں، اور اکثر یہ غلط علاج ہوتا ہے۔ اس میں ڈیٹا جمع کرنے، لیبلنگ، ٹریننگ رنز اور ایک ایسے ماڈل کا خرچ آتا ہے جسے اب آپ کو سنبھالنا ہے۔ کئی ناکامیاں واضح پرامپٹ، درست دستاویز کے retrieval، یا آؤٹ پٹ پر ایک کوڈ چیک سے غائب ہو جاتی ہیں۔ یہ پوسٹ یہ طے کرنے کے بارے میں ہے کہ آپ کس صورت میں ہیں، اور اگر واقعی کسٹم ماڈل چاہیے تو کیا تیار کرنا ہے۔

## آپ کون سا مسئلہ حل کرنا چاہتے ہیں؟

علاج کا نام لینے سے پہلے ناکامی کا نام لیں۔ LLM کی زیادہ تر ناکامیاں چند پیٹرنز میں آتی ہیں، اور ہر ایک کا ایک سستا پہلا قدم ہے:

| علامت | پہلے آزمائیں | فائن ٹیوننگ تب مدد کرتی ہے جب |
| --- | --- | --- |
| غلط یا پرانے حقائق | آپ کی دستاویزات پر [Retrieval (RAG)](https://broadrouter.com/ur/glossary/rag/) | شاذ و نادر؛ بدلتے حقائق کو ویسے بھی retrieval چاہیے |
| غلط فارمیٹ، ٹوٹا JSON | [Structured output](https://broadrouter.com/ur/glossary/structured-output/)، schema چیکس، ایک retry | فارمیٹ غیر معمولی ہو اور پرامپٹ میں مثالیں کافی نہ ہوں |
| غیر یکساں لیبلز یا زمرے | واضح تعریفیں اور [few-shot مثالیں](https://broadrouter.com/ur/glossary/few-shot-prompting/) | لیبل سیٹ بڑا یا باریک ہو اور مثالیں پرامپٹ میں نہ سمائیں |
| غلط لہجہ یا انداز | [سسٹم پرامپٹ](https://broadrouter.com/ur/glossary/system-prompt/) میں مثالوں کے ساتھ اسٹائل گائیڈ | ہزاروں آؤٹ پٹس میں ایک ہاؤس اسٹائل برقرار رہنا چاہیے |
| شعبے کے الفاظ غلط سنے یا غلط لکھے گئے | پرامپٹ میں الفاظ کی فہرست، کوڈ میں بعد کی درستی | اسپیچ ماڈلز وہی نام، کوڈز یا نمبر بار بار غلط سنتے ہیں |
| بڑے پیمانے پر بہت سست یا مہنگا | چھوٹا ماڈل، [prompt caching](https://broadrouter.com/ur/blog/prompt-structure-for-caching/)، چھوٹے پرامپٹس | ایک چھوٹا فائن ٹیون شدہ ماڈل کسی محدود ٹاسک پر بڑے ماڈل کی برابری کر سکے |
| غلط زبان یا لہجہ | درست زبان میں ہدایات؛ [عربی prompt engineering](https://broadrouter.com/ur/blog/arabic-prompt-engineering/) دیکھیں | ماڈل سمجھتا ہے لیکن آپ کی ضرورت والے لہجے میں نہیں لکھتا |

OpenAI کی اپنی گائیڈ یہی ترتیب بتاتی ہے: پہلے evals لکھیں، پھر پرامپٹس پر بار بار کام کریں، اور کچھ use cases کے لیے فائن ٹیون کریں۔ وہ کہتی ہے کہ prompt engineering کا عمل “may be all you need in order to get great results.” (ترجمہ: شاندار نتائج کے لیے شاید یہی کافی ہو۔) وہ گنواتی ہے کہ فائن ٹیوننگ پرامپٹنگ پر کیا اضافہ کرتی ہے: ایک پرامپٹ میں سمانے سے زیادہ مثالیں، ٹوکن بچانے والے چھوٹے پرامپٹس، ایسے ڈیٹا پر ٹریننگ جسے آپ ہر درخواست میں نہیں بھیجنا چاہتے، اور ایک چھوٹے ماڈل کو کسی ایک ٹاسک میں اچھا بنانا۔

## کیسے ثابت کریں کہ ناکامی بار بار ہوتی ہے؟

eval set سے۔ معلوم درست آؤٹ پٹس والے 100 سے 200 اصل ان پٹس جمع کریں، جیسا [ماڈل بدلنے سے پہلے LLM کی جانچ](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/) میں ہے۔ اپنے موجودہ پرامپٹ کو اسکور کریں۔ پھر ہر ناکامی کو ایک مختصر زمرے سے لیبل کریں: `wrong_label`، `missing_field`، `dialect`، `hallucinated_fact` وغیرہ۔

کوئی پیٹرن فائن ٹیوننگ کا امیدوار تبھی ہے جب تینوں باتیں درست ہوں:

1.  **وہ بار بار ہوتا ہے۔** ناکامیوں میں اس کا معقول حصہ ہے، صرف ایک دو عجیب معاملات نہیں۔
2.  **وہ سستے علاجوں کے بعد بھی بچا رہتا ہے۔** آپ نے واضح ہدایات، مثالیں، retrieval اور توثیق آزمائیں، اور زمرہ پھر بھی موجود ہے۔
3.  **وہ یکساں ہے۔** لوگ درست جواب پر متفق ہیں۔ اگر آپ کے اپنے دو جائزہ کار ایک ہی معاملے کو الگ الگ لیبل کرتے ہیں تو ان کے لیبلز پر ٹرین ہونے والا ماڈل ان کا اختلاف سیکھ لے گا۔

نتیجے کو ایک مختصر جملے میں لکھیں، جیسے یہ فرضی مثال: “ہمارے 200 معاملات والے عربی سپورٹ سیٹ پر بہترین پرامپٹ 18% بلنگ ٹکٹس کو ڈیلیوری لیبل کر دیتا ہے؛ few-shot مثالوں سے یہ 15% ہوا۔” یہی جملہ فائن ٹیون کا بریف ہے، اور یہی ہرانے والا عدد۔

## پہلے کون سی سادہ تبدیلیاں ٹیسٹ کریں؟

انہیں لاگت کی ترتیب سے چلائیں، اور ہر ایک کے بعد دوبارہ اسکور کریں:

1.  **ہدایات۔** ہر لیبل یا فیلڈ کی تعریف دیں۔ بتائیں کہ غیر یقینی ہونے پر کیا کرنا ہے۔
2.  **مثالیں۔** تین سے دس اصل مثالیں شامل کریں، مشکل معاملات سمیت۔
3.  **Retrieval۔** اگر جوابات کے لیے حقائق چاہییں تو متعلقہ اقتباس retrieve کریں۔ آپشنز [عربی RAG search](https://broadrouter.com/ur/blog/arabic-rag-search/) اور [لمبا کانٹیکسٹ بمقابلہ RAG](https://broadrouter.com/ur/blog/long-context-vs-rag/) میں ہیں۔
4.  **پابندیاں۔** جہاں ماڈل سپورٹ کرے، structured output استعمال کریں، اور آؤٹ پٹ کو کوڈ میں جانچیں۔ ایرر کے ساتھ ایک بار دوبارہ پوچھیں۔
5.  **دوسرا ماڈل۔** ہو سکتا ہے کوئی دوسرا بنیادی ماڈل پہلے سے وہ کرتا ہو جو آپ کو چاہیے۔ وہی eval set آپ کو ایک گھنٹے میں بتا دے گا۔

ہر قدم میں ہفتے نہیں، گھنٹے لگتے ہیں، اور ہر قدم آپ کو ایک بہتر baseline دیتا ہے، جسے اگر پھر بھی ضرورت ہو تو فائن ٹیون کو ہرانا ہوگا۔

## کون سا ڈیٹا چاہیے، اور کیا آپ کو اسے استعمال کرنے کا حق ہے؟

معیار سے پہلے حقوق جانچیں۔ ٹریننگ ڈیٹا اکثر گاہکوں کی گفتگو، دستاویزات یا کال ریکارڈنگز سے آتا ہے۔ آپ کو قانونی بنیاد چاہیے اور اکثر رضامندی، یا ایسی معاہداتی شق جو ٹریننگ کو شامل کرے۔ اپنا پرائیویسی نوٹس اور گاہکوں کے معاہدے جانچیں، اور جو ذاتی ڈیٹا ضروری نہیں، اسے ہٹا دیں۔ یہ نہ سمجھیں کہ آپ کا API فراہم کنندہ آپ کے لیے اسے جمع کر رہا ہے: مثال کے طور پر، BroadNet کا پرائیویسی بیان کہتا ہے کہ وہ inference کا مواد نہیں رکھتا اور inference ڈیٹا کو ماڈلز کی ٹریننگ، فائن ٹیوننگ یا جانچ میں استعمال نہیں کرتا۔

پھر معیار جانچیں۔ یہ اسکرپٹ عام chat JSONL فارمیٹ (ہر سطر میں ایک `{"messages": [...]}`، assistant کے جواب پر ختم) میں ایک ٹریننگ فائل اور ایک eval فائل پڑھتا ہے اور وہ مسائل بتاتا ہے جو خاموشی سے فائن ٹیونز بگاڑ دیتے ہیں: ٹوٹی قطاریں، duplicates، ایک ہی ان پٹ کے مختلف جوابات، ٹریننگ میں لیک ہوئے eval آئٹمز، لیبلز کا توازن اور ممکنہ ذاتی ڈیٹا۔

```python
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))
```

ہم نے اسے عربی، انگریزی اور ہسپانوی سپورٹ ٹکٹس والی سات سطروں کی ایک toy فائل پر چلایا۔ اسے ایک قطار بغیر assistant جواب کے ملی، دو duplicate ان پٹس (ایک میں فرق صرف ایک اعراب کا تھا، جسے normaliser ہٹا دیتا ہے، جیسا [عربی متن کی normalization](https://broadrouter.com/ur/blog/arabic-text-normalization-search/) میں ہے)، ایک ان پٹ جو `billing` اور `other` دونوں لیبل والا تھا، ایک eval آئٹم جو ٹریننگ میں بھی تھا، اور ایک فون نمبر۔ ان میں سے ہر ایک فائن ٹیون کو اصل سے بہتر یا بدتر دکھاتا۔

عربی کے لیے normalisation اہم ہے۔ اس کے بغیر “متأخر” اور “متأخِّر” الگ ان پٹس گنے جاتے ہیں، اور کسی ٹیسٹ آئٹم کی تقریباً نقل ٹریننگ میں گھس سکتی ہے۔

## فائن ٹیون کی منصفانہ جانچ کیسے کریں؟

وہی الگ رکھا ٹیسٹ سیٹ استعمال کریں جو baseline کے لیے کیا تھا، اور اسے ٹریننگ سے باہر رکھیں۔ پھر موازنہ کریں:

-   **بہترین پرامپٹ سے، پہلے والے سے نہیں۔** کمزور پرامپٹ کو ہرانے والا فائن ٹیون کچھ ثابت نہیں کرتا۔
-   **ہر زمرے اور ہر زبان کے حساب سے۔** مجموعی فائدہ انگریزی کے بہتر ہونے کے بیچ عربی کی گراوٹ چھپا سکتا ہے۔ ہر ایک کی رپورٹ دیں۔
-   **عمومی رویے پر۔** 20 سے 50 ایسی عام درخواستیں شامل کریں جنہیں ماڈل پہلے اچھی طرح سنبھالتا تھا۔ محدود ٹریننگ ٹاسک کے باہر کا رویہ بگاڑ سکتی ہے۔
-   **لاگت اور latency پر۔** فائن ٹیون اکثر اس بنیاد پر درست ٹھہرتا ہے کہ ایک چھوٹا ماڈل کام کر دے۔ ہر درخواست کے ٹوکن اور وقت بھی ناپیں۔

اعداد دیکھنے سے پہلے پاس ہونے کا اصول طے کریں، جیسا eval والی پوسٹ میں ہے: مثلاً، “بلنگ لیبلز پر کم از کم 5 پوائنٹ بہتر، کوئی زمرہ 2 پوائنٹ سے زیادہ بدتر نہیں، عربی اور انگریزی دونوں پاس۔”

## جب آپ ہوسٹڈ ماڈلز فائن ٹیون نہیں کر سکتے تو کیا بدلتا ہے؟

جتنا آپ سوچتے ہیں، اس سے کم ہوسٹڈ APIs سیلف سرو فائن ٹیوننگ دیتے ہیں۔ OpenAI کا deprecations صفحہ اس کے سیلف سرو فائن ٹیوننگ پلیٹ فارم پر ایک اپ ڈیٹ درج کرتا ہے: 7 مئی 2026 سے جن اداروں نے فائن ٹیوننگ نہیں چلائی تھی وہ اب jobs نہیں بنا سکتے؛ 2 جولائی 2026 سے وہ ادارے بھی نہیں بنا سکتے جنہوں نے پچھلے 60 دنوں میں کسی فائن ٹیون شدہ ماڈل پر inference نہیں چلایا تھا؛ اور 6 جنوری 2027 سے فعال موجودہ گاہک بھی نئی فائن ٹیوننگ jobs نہیں بنا سکیں گے۔ موجودہ فائن ٹیون شدہ ماڈلز inference کے لیے تب تک دستیاب رہیں گے جب تک ان کے بنیادی ماڈلز deprecate نہیں ہوتے۔

عام متبادل ایک [open-weight ماڈل](https://broadrouter.com/ur/glossary/open-weight-model/) ہے، جسے [LoRA](https://broadrouter.com/ur/glossary/lora/) جیسے parameter-efficient طریقے سے ٹرین کیا جائے۔ LoRA پیپر (Hu et al.) بتاتا ہے کہ Adam کے ساتھ GPT-3 175B کی مکمل فائن ٹیوننگ کے مقابلے میں LoRA ٹرین ہونے والے پیرامیٹرز 10,000 گنا اور GPU میموری کی ضرورت 3 گنا کم کر سکتا ہے۔ پھر آپ کو نتیجے کو سرو کرنے کی جگہ چاہیے، یا تو آپ کا اپنا ہارڈویئر یا کوئی فراہم کنندہ جو کسٹم weights ہوسٹ کرے۔ یہ سمجھوتہ [open-weight بمقابلہ closed ماڈلز](https://broadrouter.com/ur/blog/open-weight-vs-closed-models/) میں ہے۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadRouter، BroadNet کی اپنی سائٹ ہے۔ BroadNet Inference کے سیلف سرو API میں کوئی فائن ٹیوننگ endpoint نہیں: اس کا [API ریفرنس](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-fine-tuning-readiness&utm_content=body) صرف chat completions اور آڈیو ٹرانسکرپشن کو دستاویزی شکل دیتا ہے۔ وہی صفحہ کہتا ہے: “private endpoints, our Arabic fine-tunes and other models on request are reached with a private ID issued with the endpoint.” (ترجمہ: پرائیویٹ اینڈپوائنٹس، ہمارے عربی فائن ٹیونز اور درخواست پر ملنے والے دوسرے ماڈلز تک اینڈپوائنٹ کے ساتھ جاری کردہ پرائیویٹ ID سے پہنچا جاتا ہے۔) BroadNet کے ماڈل صفحات شور والے آڈیو میں نمبروں، تاریخوں اور ناموں کے لیے Cohere Transcribe Arabic کے ایک BroadNet فائن ٹیون کو درخواست پر دستیاب بتاتے ہیں، ہر گاہک کے لیے پرائیویٹ ماڈل ID کے ساتھ، اور کہتے ہیں کہ Gemma 4 VL 26B پرائیویٹ اینڈپوائنٹ پر “including our Arabic fine-tunes” (ترجمہ: ہمارے عربی فائن ٹیونز سمیت) دستیاب ہے۔ یہ [رابطے کے صفحے](https://broadrouter.com/ur/contact/#private) کے ذریعے استفسارات ہیں، ایسی چیز نہیں جسے آپ خود خرید یا ٹرین کر سکیں؛ کیا بھیجنا ہے، یہ [پرائیویٹ اینڈپوائنٹ کی منصوبہ بندی](https://broadrouter.com/ur/blog/private-endpoint-planning/) میں ہے۔

اس قدم سے پہلے کی ہر چیز کے لیے، یعنی اپنا eval set اور baseline بنانے کے لیے، عوامی ماڈلز کافی ہیں: [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) اور [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) structured output دستاویزی شکل میں دیتے ہیں، [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) $5 کے ابتدائی کریڈٹ پر چلتا ہے، اور [BroadNet Transcribe Arabic](https://broadrouter.com/ur/models/cohere-transcribe-arabic/) $0.0042 فی منٹ پر آواز سنبھالتا ہے۔ inference کا مواد نہیں رکھا جاتا؛ ضروری اکاؤنٹ، بلنگ اور سکیورٹی میٹا ڈیٹا BroadNet کے پرائیویسی بیان کے مطابق رکھا جاتا ہے۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[فائن ٹیوننگ (fine-tuning)](https://broadrouter.com/ur/glossary/fine-tuning/)

فائن ٹیوننگ پہلے سے تربیت یافتہ لینگویج ماڈل کو کسی چھوٹے، کام کے لحاظ سے مخصوص ڈیٹاسیٹ، جیسے مثالی گفتگو، پر مزید تربیت دینے کا عمل ہے، تاکہ اس کے ویٹس بدلیں اور وہ ہر پرامپٹ میں لمبی ہدایات یا مثالوں کے بغیر وہ کام یا انداز زیادہ بھروسے سے انجام دے۔

[Eval (LLM ایویلیوایشن)](https://broadrouter.com/ur/glossary/eval/)

Eval (evaluation کا مخفف) کسی لینگویج ماڈل یا پرامپٹ کا دہرایا جا سکنے والا ٹیسٹ ہے: ان پٹس کا ایک مقررہ سیٹ، اچھے آؤٹ پٹ کی وضاحت، اور ایک گریڈر (کوڈ، انسان یا دوسرا ماڈل) جو ہر آؤٹ پٹ کو اسکور کرتا ہے، تاکہ مختلف ورژنز کا موازنہ ہو سکے۔

[اسٹرکچرڈ آؤٹ پٹ (structured output)](https://broadrouter.com/ur/glossary/structured-output/)

اسٹرکچرڈ آؤٹ پٹ LLM API کا ایک فیچر ہے جو ماڈل کے جواب کو ڈویلپر کے طے کردہ فارمیٹ، عموماً JSON Schema، تک محدود کرتا ہے، تاکہ کوڈ اسے قابلِ اعتماد طریقے سے پارس کر سکے۔ یہ JSON mode سے زیادہ سخت ہے، جو درست JSON کی ضمانت دیتا ہے، لیکن کسی خاص ساخت کی نہیں۔

[پرامپٹ انجینئرنگ (prompt engineering)](https://broadrouter.com/ur/glossary/prompt-engineering/)

پرامپٹ انجینئرنگ، لینگویج ماڈل کو دی جانے والی ہدایات کو لکھنے، ترتیب دینے اور ٹیسٹ کرنے کا عمل ہے، تاکہ ماڈل مسلسل آپ کی ضروریات کے مطابق آؤٹ پٹ دے۔ اس میں رول پیغامات، واضح ہدایات، مثالیں، فارمیٹنگ اور ٹیسٹ کیسز پر نتائج کی پیمائش شامل ہے۔

[LoRA (low-rank adaptation)](https://broadrouter.com/ur/glossary/lora/)

LoRA (low-rank adaptation) ایک پیرامیٹر کفایتی fine-tuning طریقہ ہے جو پہلے سے تربیت یافتہ ماڈل کے weights کو منجمد کر دیتا ہے اور منتخب layers کے لیے چھوٹی low-rank میٹرکس کا ایک جوڑا تربیت دیتا ہے۔ سیکھی گئی تبدیلی چھوٹے adapter کے طور پر رکھی جا سکتی ہے یا weights میں ملائی جا سکتی ہے، انفرنس latency بڑھائے بغیر۔

[RAG (retrieval-augmented generation)](https://broadrouter.com/ur/glossary/rag/)

RAG (retrieval-augmented generation) ایک طریقہ ہے جس میں ایپلیکیشن پہلے کسی بیرونی اسٹور، جیسے سرچ یا ویکٹر انڈیکس، سے سوال سے متعلقہ حصے نکالتی ہے، اور پھر انہیں پرامپٹ میں جوڑتی ہے، تاکہ لینگویج ماڈل صرف اپنی یادداشت کے بجائے اس متن سے جواب دے سکے۔

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[لیٹنسی (latency)](https://broadrouter.com/ur/glossary/latency/)

لینگویج ماڈل API کے لیے لیٹنسی وہ وقت ہے جو کسی درخواست کے بھیجے جانے سے آخری آؤٹ پٹ ٹوکن موصول ہونے تک لگتا ہے۔ یہ پہلے ٹوکن تک کے وقت اور جنریشن ٹائم کا مجموعہ ہے، اور عموماً اوسط کے بجائے p50 اور p95 جیسے پرسنٹائلز میں بتائی جاتی ہے۔

## عام سوالات

### مجھے فائن ٹیون کرنا چاہیے یا RAG استعمال کرنا چاہیے؟

جب ماڈل کے پاس حقائق نہ ہوں، خاص طور پر بدلتے حقائق (دستاویزات، قیمتیں، پالیسیاں)، تو retrieval استعمال کریں۔ فائن ٹیوننگ پر تب غور کریں جب ماڈل کے پاس معلومات ہوں لیکن وہ مسلسل ایک ہی طرح غلط رویہ دکھائے، جیسے فارمیٹ، لہجہ، لیبلز یا شعبے کی اصطلاحات، اور مثالوں والے پرامپٹس سے وہ ٹھیک نہ ہوا ہو۔

### کیسے پتا کروں کہ prompt engineering کافی ہے؟

ناپیں۔ اصل ان پٹس سے eval set بنائیں، موجودہ پرامپٹ کو اسکور کریں، پھر واضح ہدایات، few-shot مثالیں، structured output اور توثیق آزمائیں۔ اگر اسکور آپ کے ہدف تک پہنچ جائے تو رک جائیں۔ اگر ان تبدیلیوں کے بعد بھی کوئی ایک قسم کی ناکامی برقرار رہے تو وہ فائن ٹیوننگ کی امیدوار ہے۔

### فائن ٹیون کرنے کے لیے کتنا ڈیٹا چاہیے؟

کوئی عالمگیر عدد نہیں۔ یہ ٹاسک، بنیادی ماڈل اور طریقے پر منحصر ہے۔ اتنی لیبل شدہ، یکساں مثالیں جمع کریں کہ آپ کی فکر والا ہر معاملہ آ جائے، ساتھ میں ایک الگ رکھا ٹیسٹ سیٹ، اور جانچیں کہ ڈیٹا شامل کرنے پر اسکور اب بھی بڑھ رہا ہے یا نہیں۔

### کیا میں BroadNet Inference پر ماڈل فائن ٹیون کر سکتا ہوں؟

سیلف سرو طریقے سے نہیں۔ BroadNet کا API ریفرنس chat completions اور آڈیو ٹرانسکرپشن کو دستاویزی شکل دیتا ہے، کوئی ٹریننگ endpoint نہیں۔ BroadNet عربی فائن ٹیونز، جیسے ٹیون شدہ Cohere Transcribe Arabic، کو درخواست پر ملنے والے ماڈلز کے طور پر درج کرتا ہے، جو پرائیویٹ اینڈپوائنٹ پر پرائیویٹ ماڈل ID کے ساتھ سرو ہوتے ہیں۔

### کیا BroadNet میری API ٹریفک پر ٹریننگ کرتا ہے؟

BroadNet کا پرائیویسی بیان کہتا ہے کہ وہ inference ڈیٹا کو ماڈلز کی ٹریننگ، فائن ٹیوننگ یا جانچ میں استعمال نہیں کرتا، اور inference کا مواد نہیں رکھتا۔ اگر آپ اپنی ٹریفک پر فائن ٹیون کرنا چاہتے ہیں تو وہ ڈیٹا آپ کو خود جمع اور محفوظ کرنا ہوگا، اسے استعمال کرنے کے حق کے ساتھ۔

## مزید پڑھیں

-   [فراہم کنندہ بدلنے سے پہلے LLM کی جانچ کیسے کریں](https://broadrouter.com/ur/blog/evaluate-llm-before-switching/)
-   [عربی پرامپٹ انجینئرنگ: register، RTL، ہندسے اور ملا جلا متن](https://broadrouter.com/ur/blog/arabic-prompt-engineering/)
-   [عربی RAG: normalisation، chunking اور retrieval جو واقعی کام کرے](https://broadrouter.com/ur/blog/arabic-rag-search/)
-   [لانگ کانٹیکسٹ بمقابلہ RAG: کب 1M ٹوکن ویکٹر DB کی جگہ لیتے ہیں](https://broadrouter.com/ur/blog/long-context-vs-rag/)
-   [JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/blog/structured-output-json-schema/)
-   [کاروبار کے لیے open-weight بمقابلہ closed AI ماڈلز: لاگت، کنٹرول، خطرہ](https://broadrouter.com/ur/blog/open-weight-vs-closed-models/)
-   [پرائیویٹ اینڈپوائنٹ کا آغاز واضح ورک لوڈ سے ہوتا ہے](https://broadrouter.com/ur/blog/private-endpoint-planning/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [گائیڈ: عربی speech-to-text API، قدم بہ قدم](https://broadrouter.com/ur/guides/arabic-speech-to-text-api/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-fine-tuning-readiness&utm_content=page-cta) ·

**ذرائع**

-   [OpenAI، Model optimization گائیڈ: evals، prompt engineering اور فائن ٹیوننگ (جانچا گیا 2026-11-15)](https://platform.openai.com/docs/guides/fine-tuning)
-   [OpenAI، Deprecations: سیلف سرو فائن ٹیوننگ پر اپ ڈیٹ، بتاریخ 7 مئی 2026، 2 جولائی 2026 اور 6 جنوری 2027 (جانچا گیا 2026-11-15)](https://platform.openai.com/docs/deprecations)
-   [Hu et al., LoRA: Low-Rank Adaptation of Large Language Models, arXiv 2106.09685 (جانچا گیا 2026-11-15)](https://arxiv.org/abs/2106.09685)
-   [BroadNet Inference API ریفرنس: endpoints، اور پرائیویٹ ID سے ملنے والے "our Arabic fine-tunes" (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-fine-tuning-readiness&utm_content=sources)
-   [BroadNet ماڈل صفحہ، Cohere Transcribe Arabic کا BroadNet فائن ٹیون: درخواست پر، ہر گاہک کے لیے پرائیویٹ ID (جانچا گیا 2026-11-15) (انگریزی میں)](https://www.broadnet.ai/inference/models/cohere-transcribe-arabic-broadnet)
-   [BroadNet ماڈل صفحہ، Gemma 4 VL 26B: پرائیویٹ اینڈپوائنٹ "including our Arabic fine-tunes" (جانچا گیا 2026-11-15) (انگریزی میں)](https://www.broadnet.ai/inference/models/gemma-4-vl-26b)
-   [BroadNet Inference پرائیویسی بیان: inference ڈیٹا ماڈلز کی ٹریننگ، فائن ٹیوننگ یا جانچ میں استعمال نہیں ہوتا (جانچا گیا 2026-11-15) (انگریزی میں)](https://www.broadnet.ai/inference-privacy)
