ورشة مجانية 21–22.11ورشة مجانية لمدة يومين في Vibecoding يومي 21–22 نوفمبر الساعة 16:00 بتوقيت موسكو · الدفعة 3 تبدأ 23.11سجّل مجاناً ←الدفعة 3 (23.11)
بنية تحتيةكود / SDK · جاهز للعملAWS Machine Learning Blog→ المصدر

Amazon SageMaker تطلق الضبط الدقيق الكامل لنماذج LLM: 90% من الحلول البرمجية صحيحة

أضافت Amazon إلى SageMaker AI الضبط الدقيق الكامل (FFT): يُعاد تدريب النموذج بأكمله بدلًا من الاكتفاء بمحوّلات LoRA الصغيرة، ولا حاجة إلى إعداد وحدات GPU أو عناقيد. على نموذج Qwen3-4B وعلى 110 آلاف زوج «مهمة — حل» في البرمجة، حقق FFT نسبة 90% من الحلول الصحيحة بحسب تقييم نموذج الحَكَم Amazon Nova Pro. إذا بلغت LoRA سقف أدائها على مجموعة بيانات كبيرة، فيمكن اختبار FFT بتغيير سطر واحد في SDK. لكن هذه النتائج مستمدة من مهمة واحدة، كما أن المدونة كتبتها AWS نفسها.

معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
Amazon SageMaker تطلق الضبط الدقيق الكامل لنماذج LLM: 90% من الحلول البرمجية صحيحة
المصدر: AWS Machine Learning Blog. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليAWS Machine Learning Blog ↗
رئيس التحرير
حقيقة رئيسية #1التبديل بين FFT وLoRA في SDK يتطلب سطرًا واحدًا: TrainingType.FULL ← LORA
حقيقة رئيسية #2مجموعة البيانات Magicoder-Evol-Instruct-110K: 99 ألف مثال للتدريب، و5.5 ألف للتحقق، و5.5 ألف للاختبار
حقيقة رئيسية #3استغرقت التجربة الواحدة، من الإطلاق حتى التقييم، بضع ساعات

لنفترض أنك تضبط نموذجًا صغيرًا ليكتب الشيفرة البرمجية لمشاريعك. عادةً يُستخدم لهذا الغرض LoRA: فهي لا تمسّ الأوزان الأساسية، بل تضيف إليها مصفوفات صغيرة قابلة للتدريب تُسمّى المحوّلات (adapters)، ولذلك تحتاج إلى قدر قليل من ذاكرة الفيديو. لكن هذا الأسلوب يصل إلى سقف في الجودة عند المهام المعقدة ومجموعات البيانات الكبيرة.

وتقدّم Amazon الآن مخرجًا: ففي خدمة SageMaker AI Serverless Model Customization ظهر الضبط الدقيق الكامل (Full Fine-Tuning, FFT)، الذي تُحدَّث فيه جميع معاملات النموذج. وعلى مجموعة بيانات من 110 آلاف مهمة برمجية، ومع 100 ألف مثال تدريبي أو أكثر، حصل FFT على 90% في مقياس LLM-as-Judge، أي أن نموذجًا آخر يؤدي دور الحَكَم عدّ 90% من الحلول صحيحة من الناحية المنطقية. ولا حاجة إلى تجهيز GPU ولا عنقود ولا إعداد تدريب موزّع.

كيف يختلف FFT عن LoRA

تحتاج الشركات إلى الضبط الدقيق لسببين. أولًا، يصبح النموذج أدق في حل المهمة المحددة. ثانيًا، يمكن لنموذج صغير متخصص أن يضاهي نموذجًا كبيرًا عامًا أو يتفوق عليه في مهمتك، بتكلفة أقل بكثير لكل توكن. ومع ملايين الطلبات يتراكم هذا الفارق.

تجمّد LoRA أوزان النموذج المدرَّب مسبقًا وتضيف أزواجًا من المصفوفات الصغيرة منخفضة الرتبة. وهذا كافٍ للتكييفات البسيطة. لكن بحسب بيانات AWS، عندما تزداد المهمة تعقيدًا وتتجاوز الأمثلة عشرات الآلاف، تصل LoRA إلى مرحلة استقرار: فزيادة الرتبة، أي عدد المعاملات القابلة للتدريب، لا تقلّص الفجوة مع الضبط الدقيق التقليدي. ويستنتج المؤلفون أن المسألة لا تتعلق بعدد المعاملات، بل بما يسمّونه «قصور الرتبة»: فالتحديث منخفض الرتبة لا ينقل كامل تعقيد التغييرات في الأوزان. أما FFT فيغيّر مصفوفات الأوزان بالكامل ودون التشوهات المحلية التي تتسم بها الأساليب منخفضة الرتبة.

كيف أُجري الاختبار

استخدمت AWS النموذج الأساسي Qwen3-4B ومجموعة البيانات Magicoder-Evol-Instruct-110K، وتضم 110 آلاف زوج «تعليمة — إجابة» في الخوارزميات وتصحيح الأخطاء وهياكل البيانات وبرمجة الأنظمة. قُسّمت البيانات بنسبة 90/5/5: 99 ألف سجل للتدريب، و5.5 ألف للتحقق، و5.5 ألف أخرى كعيّنة اختبار مستبقاة. وتلقّت الطريقتان المطالبات (prompts) نفسها والمراجع نفسها وشيفرة التقييم نفسها.

قيس مستوى الجودة بثلاث طرق مدمجة:

  • LLM-as-Judge: يقرأ نموذج Amazon Nova Pro المطالبة والشيفرة المولَّدة ويقرر ما إذا كان الحل صحيحًا؛
  • PRIMECODE: مقارنة مع الشيفرة المرجعية وفق مقاييس BLEU وROUGE-1/2/L وF1؛
  • MMLU: اختبار للمعرفة العامة في 57 مادة، ويعمل كحماية من النسيان. فالضبط الدقيق على الشيفرة قد يمحو قدرات النموذج العامة، ويُظهر MMLU قبل الضبط وبعده ما اضطُرّ النموذج إلى التضحية به.

في المخطط الراداري، يبدو النموذج الأساسي ضعيفًا بصورة ثابتة، وتتفوق LoRA عليه بوضوح، بينما يمضي FFT أبعد على جميع المحاور، خصوصًا في BLEU وROUGE-2. ويرى المؤلفون أن هذا لا يدل على أفضلية في مقياس واحد، بل على أثر عام للتحسين كامل الرتبة.

ماذا نفعل بهذا عمليًا

تتيح الخدمة تجريب خيارات كثيرة بسرعة. ففي وقت قصير أجرى الفريق عشرات التجارب على النماذج Qwen3-4B وDeepSeek-R1-1.5B وNemotron-30B وGemma-4-26B، مغيّرًا معدل التعلم وحجم الدفعة (batch) ونسبة الإحماء وعدد الحقب (epochs) وحجم مجموعة البيانات. واستغرق كل تشغيل، من الإطلاق حتى النتائج، بضع ساعات، وكانت النماذج الجاهزة تُسجَّل تلقائيًا في SageMaker Model Registry كحزم ذات إصدارات.

يتطلب التبديل بين الطريقتين في Python SDK تعديلًا واحدًا: ففي SFTTrainer يُستبدل المعامل TrainingType.FULL بالمعامل TrainingType.LORA، ويبقى باقي الشيفرة كما هو. وفي مثال FFT حُدّد معدل التعلم عند 2e-5، والدفعة العامة عند 8، وعدد الحقب عند اثنتين، ونسبة الإحماء عند 0,1. وهذه قيم أولية، وليست وصفة عامة.

معدل التعلم في FFT مهم على نحو خاص: فهو يحدد مدى قوة تحديث كل وزن. وعلى عكس LoRA، التي لا تتغير فيها سوى محوّلات صغيرة، فإن القيمة المرتفعة أكثر مما ينبغي في الضبط الدقيق الكامل تمحو المعرفة المدرَّبة مسبقًا بصورة لا رجعة فيها. لذلك ينبغي، إلى جانب المقياس المستهدف، متابعة MMLU أيضًا.

والخلاصة للقارئ كالتالي. إذا كانت البيانات قليلة أو المهمة ضيقة، فتبقى LoRA بداية أرخص وأكثر أمانًا. أما إذا توافرت لديك مجموعة بيانات كبيرة عالية الجودة ومهمة معقدة وبلغت LoRA سقفها، فيستحق FFT التجربة. تنبيه: المدونة كتبتها AWS نفسها، والنتائج مستمدة من مهمة واحدة هي توليد الشيفرة. وفي المجالات الأخرى سيلزم التحقق من الأرقام من جديد.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول كيف يختلف FFT عن LoRA؟

تحتاج الشركات إلى الضبط الدقيق لسببين. أولًا، يصبح النموذج أدق في حل المهمة المحددة. ثانيًا، يمكن لنموذج صغير متخصص أن يضاهي نموذجًا كبيرًا عامًا أو يتفوق عليه في مهمتك، بتكلفة أقل بكثير لكل توكن. ومع ملايين الطلبات يتراكم هذا الفارق. تجمّد LoRA أوزان النموذج المدرَّب مسبقًا وتضيف أزواجًا من المصفوفات الصغيرة منخفضة الرتبة. وهذا كافٍ للتكييفات البسيطة.

ما أبرز التفاصيل حول كيف أُجري الاختبار؟

استخدمت AWS النموذج الأساسي Qwen3-4B ومجموعة البيانات Magicoder-Evol-Instruct-110K، وتضم 110 آلاف زوج «تعليمة — إجابة» في الخوارزميات وتصحيح الأخطاء وهياكل البيانات وبرمجة الأنظمة. قُسّمت البيانات بنسبة 90/5/5: 99 ألف سجل للتدريب، و5.5 ألف للتحقق، و5.5 ألف أخرى كعيّنة اختبار مستبقاة. وتلقّت الطريقتان المطالبات (prompts) نفسها والمراجع نفسها وشيفرة التقييم نفسها.

ما أبرز التفاصيل حول ماذا نفعل بهذا عمليًا؟

تتيح الخدمة تجريب خيارات كثيرة بسرعة. ففي وقت قصير أجرى الفريق عشرات التجارب على النماذج Qwen3-4B وDeepSeek-R1-1.5B وNemotron-30B وGemma-4-26B، مغيّرًا معدل التعلم وحجم الدفعة (batch) ونسبة الإحماء وعدد الحقب (epochs) وحجم مجموعة البيانات. واستغرق كل تشغيل، من الإطلاق حتى النتائج، بضع ساعات، وكانت النماذج الجاهزة تُسجَّل تلقائيًا في SageMaker Model Registry كحزم ذات إصدارات.

ZK
جمال حميدون — مدير المنتجات في Alpina Digital ومدير منتج AlpinaGPT. يبني منتجات الذكاء الاصطناعي منذ 2019. بدأ Hamidun News كمشروع شخصي ثم أصبح مُجمِّعًا إنتاجيًا بأكثر من 6000 قارئ.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
ما رأيك؟
جارٍ تحميل التعليقات…