Unsloth تحوّل Qwen3.5-4B إلى مصنِّف لـ10 نوايا على وحدة T4 واحدة

لا يحتاج النموذج اللغوي الكبير دائماً إلى المحادثة. ففي كثير من المنتجات يُنتظر منه نتيجة أكثر واقعية: تحديد نية العميل، أو اختيار الأداة التالية، أو البتّ في تمرير الرسالة إلى الجهة التالية. قد يولّد النموذج اللغوي التقليدي شرحاً، بينما يحتاج النظام إلى إجابة قصيرة واحدة، مثل «الاستعلام عن الرصيد» مع درجة ثقة.

عرض موقع Machine Learning Mastery كيفية بناء مصنِّف كهذا على أساس النموذج المفتوح Qwen3.5-4B. يعتمد الحل على Unsloth وLoRA بدقة 4 بت ومجموعة CLINC150. يُشغَّل العرض في Google Colab على Tesla T4 بذاكرة فيديو 14.6 جيجابايت، ويحصر المهمة في عشر نوايا. وهو ليس نموذجاً صناعياً جاهزاً، بل نقطة انطلاق واضحة للمطوّر الذي يريد استبدال سلسلة من الموجّهات بآلية اختيار مستقلة.

النموذج يختار ولا يؤلّف

لنتخيل الرسالة: «اعرض لي رصيد حسابي الادخاري». يمكن للنموذج التوليدي أن يكتب تعليمات، أو يستوضح اسم البنك، أو يبدأ في الاستدلال. أما المصنِّف فعليه أن يفعل شيئاً آخر: أن يختار النية balance من مجموعة محددة مسبقاً ويعيد درجة الثقة.

في Unsloth تتولى ذلك FastDecisionModel. يُضاف إلى النموذج اللغوي الأساسي رأس متخصص يقيّم الخيارات المسموحة. وبدلاً من توليد الرموز تباعاً، يقارن النظام بين قرارات ثابتة. ويدعم اختيار خيار واحد، والإجابة بـ«نعم أو لا»، والتقييم على مقياس مرتّب.

يناسب هذا الشكل توجيه الطلبات والإشراف على المحتوى وتحديد النبرة وسيناريوهات الوكلاء. فمثلاً يمكن وضع نموذج صغير قبل النموذج اللغوي الرئيسي ليقرر وجهة الطلب: البحث، أو قاعدة المعرفة، أو خدمة الدفع، أو موظف بشري. والمخرج مقيَّد بمخطط، ولذلك يسهل فحصه وتمريره إلى المكوّن التالي.

كيف يجري التدريب

يحمّل الكاتب Qwen3.5-4B بوضع أربعة بت ويضيف LoRA بالرتبة 16. تبقى معظم المعاملات الأصلية مجمّدة، ويقتصر التدريب على المحوّلات الصغيرة ورأس اتخاذ القرار. كما تقلّل نقاط تفتيش التدرجات استهلاك الذاكرة أكثر.

ويجب أيضاً إعادة بناء البيانات. يتضمن كل سجل ثلاثة أجزاء: نص المستخدم، ووصف القرارات المتاحة، والخيار الصحيح. وفي المثال المأخوذ من CLINC150 تُختار عشوائياً 10 نوايا من أصل 150، من بينها التاريخ والوقت والمسار واستبدال أحد المكونات وتشغيل السيارة ببطارية خارجية. ثم تبقى الأمثلة المتعلقة بها فقط.

وقائمة الخيارات هي ما يجعل المهمة قابلة للضبط: فالمطوّر يحدد مسبقاً الإجراءات المسموح بها للنظام. لكن هنا أيضاً يظهر الثمن. فكلما زاد عدد الخيارات طال المُدخل وثقل التدريب. وعشرة أصناف على T4 لا تثبت أن التهيئة نفسها ستتعامل دون تغيير مع الفئات الـ150 كلها أو مع رسائل العملاء الحقيقية.

أين ينتهي العرض التوضيحي

لا يتضمن المقطع المتاح دقة نهائية ولا مصفوفة أخطاء ولا مقارنة بمصنِّف تقليدي. لذلك لا يمكن الجزم بأن Qwen3.5-4B يتفوق بالفعل على نماذج أرخص. كما لم تُعرض جودة التعرف على الطلبات الواقعة خارج المجموعة المدعومة، مع أن CLINC150 يحتوي على أمثلة منفصلة لمثل هذه الطلبات.

وللإنتاج لا تكفي ثقة النموذج وحدها. يجب معايرتها على عينة مستبعدة، واختيار عتبة للرفض، وفحص الأخطاء بين النوايا المتشابهة. فإذا اختلف إجراءان في تفصيل واحد فقط، مثل «تجميد البطاقة» و«إغلاق البطاقة»، فقد تفوق كلفة القرار الخاطئ كلفة التأخير الناتج عن طلب توضيح إضافي.

والخلاصة العملية بسيطة: تبرز أهمية FastDecisionModel بوصفها وسيلة لتحويل نموذج لغوي مفتوح إلى موجّه محدود بصرامة. ينبغي البدء بمجموعة صغيرة من الإجراءات الواضحة التمايز، وفئة إلزامية «لا أعرف»، وسجل للأخطاء. وبعد ذلك فقط تُقارن الحلول مع مصنِّف BERT مدمج، وقواعد، واستدعاء نموذج أكبر. فالمهم هنا ليس أناقة البنية، بل نسبة القرارات الصحيحة بزمن استجابة وكلفة مقبولين.