-->

⏱️ الوقت المقدر للقراءة: 10 دقائق

هل تبحث عن طريقة لبدء الضبط الدقيق للنماذج اللغوية الكبيرة (LLM) مجاناً وبسهولة؟ دفاتر Unsloth توفر الحل المثالي من خلال أكثر من 100 دفتر Jupyter تمكّن الضبط الدقيق المجاني لنماذج لغوية كبيرة مختلفة على Google Colab وKaggle.

ما هي دفاتر Unsloth؟

دفاتر Unsloth هو مشروع مفتوح المصدر حصل على اهتمام في مجتمع تطوير الذكاء الاصطناعي مع 2k نجمة و282 فورك. يوفر هذا المستودع دفاتر موجهة للضبط الدقيق لأحدث النماذج اللغوية الكبيرة بطرق مختلفة، بما في ذلك خط الأنابيب الكامل من تحضير البيانات إلى تدريب النموذج والتقييم والحفظ.

الميزات الرئيسية

مجاني تماماً: يستخدم وحدات معالجة الرسوميات المجانية من Google Colab وKaggle أكثر من 100 دفتر: يوفر دفاتر مخصصة لنماذج وحالات استخدام مختلفة هيكل موجه: إرشاد خطوة بخطوة يمكن للمبتدئين اتباعه بسهولة تحديثات مستمرة: إضافة أحدث النماذج باستمرار رخصة LGPL-3.0: متاح مجاناً كمصدر مفتوح

النماذج الرئيسية المدعومة

🤖 أحدث النماذج المحادثية

سلسلة Qwen3

تمثل عائلة Qwen3 قدرات الذكاء الاصطناعي المحادثي المتطورة:

Qwen3 (14B): نموذج كبير بقدرات تفكير محادثي ممتازة Qwen3-Base (4B): يدعم GRPO (تحسين السياسة النسبية الجماعية) نماذج معترف بها لقدرات التفكير المتفوقة وجودة المحادثة

Google Gemma 3 (4B)

أحدث نموذج مفتوح المصدر من Google يقدم أداءً فعالاً نسبة إلى حجمه وتحسيناً للمهام المحادثية.

سلسلة Meta Llama 3.2

Llama 3.2 (3B): نموذج خفيف للمهام المحادثية Llama 3.2 Vision (11B): يدعم المعالجة متعددة الوسائط (نص+صورة) Llama 3.1 (8B): يدعم الضبط الدقيق بتنسيق Alpaca

Microsoft Phi-4 (14B)

أحدث نموذج لغوي صغير من Microsoft يتميز بقدرات تفكير ممتازة وكفاءة.

DeepSeek-R1

نموذج مفتوح المصدر بارز من الصين مع دعم تحسين GRPO.

🎨 النماذج ذات الأغراض الخاصة

نماذج الرؤية

Llama 3.2 Vision (11B): يعالج الصور والنص معاً Qwen2.5 VL (7B): مهام الرؤية واللغة متعددة الوسائط Qwen2 VL (7B): نموذج الرؤية من الإصدار السابق

النماذج المتعلقة بالصوت

Spark TTS (0.5B): تحويل النص إلى كلام Sesame CSM (1B): نموذج تركيب الكلام Whisper: التعرف على الكلام والنسخ

التصنيف حسب طرق الضبط الدقيق

📝 المحادثة

الضبط الدقيق للمحادثات الطبيعية مع المستخدمين يتضمن تدريب النماذج للانخراط في حوار شبيه بالبشر مع فهم السياق المناسب وتوليد الاستجابات.

🦙 تنسيق Alpaca

التنسيق القياسي من مشروع Stanford Alpaca يوفر تنسيق تعليمات-إدخال-إخراج منظم أصبح مُعتمداً على نطاق واسع في مجتمع الضبط الدقيق.

🎯 GRPO (تحسين السياسة النسبية الجماعية)

تقنية تحسين متقدمة قائمة على التعلم التعزيزي تحسن بشكل كبير من جودة استجابة النموذج من خلال نمذجة المكافآت المتطورة وتحسين السياسة.

👁️ الرؤية

الضبط الدقيق متعدد الوسائط الذي يعالج النص والصور معاً، مما يمكّن النماذج من فهم والاستجابة للمحتوى البصري إلى جانب المعلومات النصية.

طرق الاستخدام العملية

البدء مع Google Colab

تتضمن العملية عدة خطوات مباشرة:

اختيار الدفتر: اختر الدفاتر المطابقة للنموذج وحالة الاستخدام المرغوبة فتح في Colab: انقر على زر “فتح في Colab” إعداد وقت التشغيل: اختر وقت تشغيل GPU (T4 أو مواصفات أعلى) التنفيذ خطوة بخطوة: تشغيل خلايا الدفتر بالترتيب

التشغيل على Kaggle

بيئة Kaggle تقدم نفس الدفاتر مع مزايا إضافية:

وقت تنفيذ أطول: 30 ساعة من استخدام GPU المجاني أسبوعياً مساحة تخزين أكثر: قدرة تخزين بيانات الإخراج 20GB التعاون الجماعي: مشاركة الدفاتر والتعاون مع أعضاء الفريق

حالات الاستخدام المتقدمة

🧠 تعزيز التفكير

الضبط الدقيق لسلسلة التفكير (CoT) لحل مسائل CodeForces يُظهر قدرات التفكير المتقدمة من خلال نهج حل المشاكل المنظم.

🛠️ استدعاء الأدوات

تدريب النماذج لاستدعاء واجهات برمجة التطبيقات الخارجية أو الدوال يمكّن التكامل مع الأنظمة الخارجية والخدمات، مما يوسع قدرات النموذج بما يتجاوز توليد النص.

🎨 Unsloth Studio

بيئة بدون كود/قليلة الكود للضبط الدقيق البديهي للنماذج توفر واجهات يمكن الوصول إليها للمستخدمين بدون خلفيات برمجية واسعة.

نصائح تحسين الأداء

كفاءة الذاكرة

يستخدم Unsloth تقنيات تحسين توفير الذاكرة بما في ذلك:

LoRA (التكيف منخفض الرتبة): يدرب مجموعة فرعية من المعاملات فقط بدلاً من النموذج الكامل نقاط تفتيش التدرج: يوفر استخدام الذاكرة أثناء التدريب التدريب بدقة مختلطة: يحسن سرعة التدريب والكفاءة

تحضير مجموعة البيانات

تحضير مجموعة البيانات الفعال للضبط الدقيق الناجح يتضمن إنشاء مجموعات بيانات عالية الجودة مع تعليمات واضحة ومعلومات سياق ذات صلة واستجابات دقيقة ومفيدة.

المجتمع والمساهمة

كيفية المساهمة

المساهمة في مشروع دفاتر Unsloth تتضمن:

استخدام القوالب: البدء بملف Template_Notebook.ipynb اتباع اصطلاحات التسمية:

  • دفاتر النماذج اللغوية الكبيرة: <اسم النموذج>-<النوع>.ipynb
  • دفاتر الرؤية: <اسم النموذج>-Vision.ipynb التحديثات التلقائية: تشغيل python update_all_notebooks.py تقديم Pull Requests: مشاركة التغييرات مع المجتمع

المجتمع النشط

يستفيد المشروع من 12 مساهماً أساسياً يطورون المشروع باستمرار وتحديثات منتظمة تضيف أحدث النماذج ووثائق شاملة متاحة في الوثائق الرسمية.

سيناريوهات التطبيق في العالم الحقيقي

🏢 التطبيقات المؤسسية

روبوتات المحادثة لخدمة العملاء: الضبط الدقيق مع البيانات الخاصة بالشركة تلخيص الوثائق الداخلية: تعلم وثائق الشركة للتلخيص التلقائي أدوات مراجعة الكود: روبوتات المراجعة المصممة خصيصاً لأنماط البرمجة لفريق التطوير

🎓 التعليم والبحث

المعلمون الشخصيون: شروحات مصممة خصيصاً لمستويات المتعلمين تحليل الأوراق البحثية: أدوات تحليل مدربة على أوراق خاصة بالمجال مساعدو تعلم اللغة: معلمو ذكاء اصطناعي متخصصون لتعلم لغة محددة

🎨 الأنشطة الإبداعية

مساعدو كتابة الروايات: دعم إبداعي مصمم خصيصاً لأنواع أو أنماط محددة توليد السيناريوهات: أدوات لإنشاء سيناريوهات الأفلام أو الألعاب توليد نسخ التسويق: كتابة النسخ المصممة خصيصاً لنبرة وطريقة العلامة التجارية

قائمة تحقق ما قبل البدء

متطلبات البيئة

المتطلبات الأساسية تتضمن:

  • ✅ حساب Google (لاستخدام Colab)
  • ✅ حساب Kaggle (لاستخدام Kaggle)
  • ✅ معرفة Python الأساسية
  • ✅ مجموعة بيانات محضرة للضبط الدقيق

تسلسل التعلم الموصى به

المبتدئ: البدء بـ Llama 3.2 (3B) المحادثي المتوسط: التقدم إلى Qwen3 (14B) التفكير لتعلم التفكير المعقد المتقدم: استكشاف نماذج الرؤية للتجربة متعددة الوسائط الخبير: التحقيق في GRPO أو استدعاء الأدوات للميزات المتقدمة

منهجيات التدريب المتقدمة

تكامل التعلم التعزيزي

تُظهر الدفاتر تكامل تقنيات التعلم التعزيزي مع نهج الضبط الدقيق التقليدية، مما يمكّن تطوير النماذج التي يمكنها التعلم من التغذية الراجعة وتحسين استجاباتها مع الوقت.

استراتيجيات التدريب متعدد الوسائط

تُظهر الدفاتر المدعومة بالرؤية نهجاً متطوراً لتدريب النماذج التي يمكنها معالجة وفهم المعلومات النصية والبصرية، مما يفتح إمكانيات لتطبيقات ذكاء اصطناعي أكثر شمولية.

التحسين الخاص بالمجال

تتضمن المجموعة دفاتر متخصصة لمجالات مختلفة، مما يُظهر كيفية تكييف النماذج ذات الأغراض العامة لصناعات وحالات استخدام ومتطلبات تطبيق محددة.

ضمان الجودة والتقييم

تقييم أداء النموذج

تتضمن الدفاتر أطر تقييم شاملة تقيّم أداء النموذج عبر مقاييس مختلفة، مما يضمن أن النماذج المضبوطة بدقة تلبي معايير الجودة وتوقعات الأداء.

التحليل المقارن

تقدم العديد من الدفاتر تحليلاً مقارناً بين نهج تدريب مختلفة، مما يساعد المستخدمين على فهم المقايضات بين استراتيجيات الضبط الدقيق المختلفة واختيار النهج الأمثل لاحتياجاتهم المحددة.

التحسين المستمر

يدعم الإطار عمليات التحسين التكرارية، مما يمكّن المستخدمين من تحسين نماذجهم بناءً على تغذية راجعة الأداء والمتطلبات المتطورة.

الخلاصة

دفاتر Unsloth تمثل مورداً ممتازاً يقلل بشكل كبير من حواجز الضبط الدقيق للنماذج اللغوية الكبيرة. من خلال أكثر من 100 دفتر مجاني، يمكنك تجربة نماذج الذكاء الاصطناعي المتطورة، والهيكل الموجه يجعل من السهل على المبتدئين البدء.

القدرة على استخدام وحدات معالجة الرسوميات المجانية من Google Colab وKaggle بدون عبء التكلفة هي أكبر جاذبية، مما يسمح لك بتجربة نماذج عالية الأداء. إذا كنت تريد إنشاء نموذج ذكاء اصطناعي متخصص خاص بك، ابدأ بدفاتر Unsloth الآن!

الإضافة المستمرة للنماذج الجديدة والتحديثات المنتظمة تضمن أن المورد يبقى حديثاً مع أحدث التطورات في تقنية الذكاء الاصطناعي، مما يجعله منصة تعلم وتطوير قيمة طويلة المدى.

💡 التوصية: نوصي بالبدء بالنماذج المحادثية البسيطة والتقدم تدريجياً إلى المهام المعقدة. كل دفتر يمكن تشغيله بشكل مستقل، لذا يمكنك أيضاً البدء مباشرة بالنماذج التي تهمك.

مشروع دفاتر Unsloth يمثل جهداً تعاونياً لدمقرطة الوصول إلى تقنيات التدريب المتقدمة للذكاء الاصطناعي، مما يجعل الضبط الدقيق المتطور للنماذج اللغوية الكبيرة في متناول المطورين والباحثين في جميع أنحاء العالم.

참고