AWS تتيح لك كتابة حلقة تدريب LLM بنفسك والدفع مقابل التوكنات لا مقابل ساعات استئجار GPU
لضبط نموذج لغوي (LLM) على نحو خاص بك، عادةً ما يتعين عليك تشغيل عنقود من وحدات معالجة الرسومات (GPU) بنفسك. تقترح Amazon SageMaker AI طريقة مختلفة: تكتب حلقة التدريب بلغة Python على جهازك، وتتولى AWS وحدات GPU والأعطال والتشغيل الموزّع. يُدفع مقابل التوكنات المعالَجة، لا مقابل ساعات الاستئجار: فبينما يتحقق كودك من الإجابات طوال 10 ثوانٍ، لا تُحتسب وحدات GPU. هذا مناسب إذا كنت بحاجة إلى دالة مكافأة خاصة بك أو دالة خسارة غير قياسية دون إدارة العتاد.
معالج بواسطة الذكاء الاصطناعي من AWS Machine Learning Blog؛ بتحرير Hamidun News
تخيّل أنك تضبط نموذجًا لغويًا (LLM) وتحتاج إلى دالة مكافأة خاصة بك: كود يشغّل إجابات النموذج مقابل اختبارات الوحدة ويضع لها تقييمًا. الخدمات المُدارة الجاهزة لا تدعم ذلك، ما يعني أن عليك تشغيل عنقود من وحدات معالجة الرسومات (GPU) بنفسك، وإعداد الأطر البرمجية، ومراقبة النظام كي لا ينهار في منتصف الليل. تقدّم Amazon SageMaker AI الآن خيارًا ثالثًا: واجهات برمجة جلسات التدريب (training session APIs). تكتب حلقة التدريب بنفسك بلغة Python، وتتولى AWS استئجار موارد الحوسبة وصيانتها.
ما الذي تخفيه AWS بالضبط
كانت الخدمات المُدارة سابقًا تخفي عن المستخدم الخوارزمية نفسها: تختار النموذج، وترفع البيانات، وتحدد المعاملات الفائقة. أما هنا فالمخفي هو الحوسبة، وتبقى الخوارزمية بيدك. تحوّلت عمليات التدريب الأساسية إلى استدعاءات API: تحسب forward_backward() كيف ينبغي تغيير الأوزان، وتطبّق optim_step() هذا التغيير، وتولّد sample() إجابات النموذج. من هذه اللبنات تركّب أي إجراء تشاء: الضبط الدقيق المعتاد على أمثلة موسومة (SFT)، أو تحسين التفضيلات، أو التعلّم المعزَّز (RL)، أو طريقة جديدة نُشرت الأسبوع الماضي.
يعمل الكود على جهازك، بينما تذهب الاستدعاءات إلى جلسة حية على GPU حُمّل فيها النموذج الأساسي ومهايئ LoRA (إضافة صغيرة هي ما يجري تدريبه). يبقى النموذج في الذاكرة بين الخطوات. وتتولى الخدمة التشغيل الموزّع، ومزامنة التدرّجات، والتعافي من الأعطال، وعزل العملاء بعضهم عن بعض. إضافة إلى ذلك، تتيح الجلسة النشطة نقطة وصول (endpoint) متوافقة مع OpenAI chat completions، لذا يمكن توجيه كود العميل الحالي إلى النموذج قيد التدريب.
يضم SageMaker Python SDK ثلاثة عملاء. يحتفظ ServiceClient بإعدادات المنصة: دور الوصول، ومكان حفظ النتائج في S3، وعند الحاجة مفتاح KMS وإعدادات VPC. وهو ينشئ TrainingClient للتدريب وحفظ نقاط الفحص (checkpoints)، وهذا بدوره ينشئ SamplingClient لتوليد الإجابات وتقييمها.
كيف يبدو ذلك على مسألة رياضيات مدرسية
تشرح AWS مثالًا مصغّرًا على GSM8K. هذه مجموعة من نحو 8500 مسألة نصية في الرياضيات المدرسية، لكل منها إجابة رقمية واحدة. على سبيل المثال: باعت ناتاليا مشابك ورق إلى 48 صديقًا في أبريل، وفي مايو نصف هذا العدد، فكم باعت في المجموع؟ الإجابة: 72. يُدرَّب مهايئ LoRA لنموذج GPT-OSS 20B بطريقة GRPO. يولّد النموذج لكل سؤال عدة صيغ للإجابة، وتُفحص كل منها للتأكد من صحتها، وتُثبَّت تلك التي تتفوق على متوسط المجموعة.
تتألف خطوة الحلقة من أربعة أجزاء. أولًا تُولَّد الإجابات على GPU. ثم يقيّمها كودك على الحاسوب المحمول: 1 إذا طابق الرقم المرجع، وإلا 0. بعد ذلك يُنفَّذ forward_backward وoptim_step على GPU. وفي النهاية يُحدَّث المولّد كي تأخذ الخطوة التالية الإجابات من النموذج المحسَّن. تبقى البيانات وإدارة الحلقة والمكافأة لديك، بينما تتولى SageMaker كل ما يتطلب وحدات GPU.
تصلح المجموعة نفسها من العمليات لـ SFT المعتاد: تحذف التوليد والمكافأة، وتحسب cross_entropy على الأمثلة الموسومة. وأصدرت AWS مع الخدمة cookbook، وهو مجموعة وصفات جاهزة لـ SFT وRL. وأكثرها دلالة يعلّم النموذج حل مسائل البرمجة الأولمبية: يُشغَّل الكود المولَّد مقابل اختبارات الوحدة، وتصبح النتيجة هي المكافأة.
التكلفة ولمن هذا مناسب
أهم تفصيل عملي يتعلق بالدفع. يُدفع مقابل التوكنات المعالَجة، لا مقابل ساعات تشغيل GPU. فإذا استغرقت دالة المكافأة عشر ثوانٍ في فحص دفعة على جهازك، فلا تُحتسب وحدات GPU خلال هذه المدة. لا وجود لوقت خامل في الفاتورة: تحميل البيانات والتسجيل (logging) وتصحيح الأخطاء كلها مجانية على ميزانية GPU. تعتمد التكاليف على حجم البيانات والتوليد، لا على الوقت المنقضي ولا على حجم العنقود، لذا يسهل التنبؤ بها ومقارنة التجارب. ويكون ذلك أكثر جدوى حيث تكثر الحوسبة المحلية: نماذج المكافأة المعقدة، والتشغيلات الوكيلية (agentic) بأدوات متعددة، والتحقق البشري.
الخدمة موجهة إلى باحثي ما بعد التدريب، والفرق التي تعتمد دالة خسارة غير قياسية أو خط معالجة متعدد المراحل، ومطوري RL الوكيلي، ومهندسي ML الذين تجاوزوا الوصفات القائمة على ملفات الإعداد لكنهم لا يريدون إدارة العناقيد. وللتحكم الكامل بالعتاد تبقى SageMaker Training Jobs وHyperPod.
وهناك قيود أيضًا. يجري التدريب عبر مهايئات LoRA، ويجب الاطلاع على قائمة النماذج والمناطق المدعومة في الوثائق، ووصف الخدمة مقدَّم من AWS نفسها دون قياسات مستقلة. وإذا كنت تحتاج ببساطة إلى وصفة قياسية، فالتخصيص المُدار أبسط. أما إذا كانت العقبة أمامك خوارزميتك الخاصة لا العتاد، فهذا النهج جدير بالتجربة.
- 21 نوفمبر 2026AG-UI 1.0 يمنح وكلاء الذكاء الاصطناعي لغة موحدة للتواصل مع التطبيق: 31 نوعًا من الأحداث
- 21 نوفمبر 2026OpenAI تطلق ChatGPT Wallet: وكلاء الذكاء الاصطناعي يشترون دون أن يروا رقم البطاقة
- 21 نوفمبر 2026الولايات المتحدة أنفقت 70.7 مليون دولار على إعلانات ChatGPT في أكتوبر — بزيادة 127% عن أبريل
- 21 نوفمبر 2026ONNX Runtime يختفي من GitHub: مايكروسوفت تُخفي المستودعات بعد اختراق إحدى الحزم
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي تخفيه AWS بالضبط؟
كانت الخدمات المُدارة سابقًا تخفي عن المستخدم الخوارزمية نفسها: تختار النموذج، وترفع البيانات، وتحدد المعاملات الفائقة. أما هنا فالمخفي هو الحوسبة، وتبقى الخوارزمية بيدك. تحوّلت عمليات التدريب الأساسية إلى استدعاءات API: تحسب forward_backward() كيف ينبغي تغيير الأوزان، وتطبّق optim_step() هذا التغيير، وتولّد sample() إجابات النموذج. من هذه اللبنات تركّب أي إجراء تشاء: الضبط الدقيق المعتاد على أمثلة موسومة (SFT)، أو تحسين التفضيلات، أو التعلّم المعزَّز (RL)، أو طريقة جديدة نُشرت الأسبوع الماضي.
ما أبرز التفاصيل حول كيف يبدو ذلك على مسألة رياضيات مدرسية؟
تشرح AWS مثالًا مصغّرًا على GSM8K. هذه مجموعة من نحو 8500 مسألة نصية في الرياضيات المدرسية، لكل منها إجابة رقمية واحدة. على سبيل المثال: باعت ناتاليا مشابك ورق إلى 48 صديقًا في أبريل، وفي مايو نصف هذا العدد، فكم باعت في المجموع؟ الإجابة: 72. يُدرَّب مهايئ LoRA لنموذج GPT-OSS 20B بطريقة GRPO. يولّد النموذج لكل سؤال عدة صيغ للإجابة، وتُفحص كل منها للتأكد من صحتها، وتُثبَّت تلك التي تتفوق على متوسط المجموعة. تتألف خطوة الحلقة من أربعة أجزاء. أولًا تُولَّد الإجابات على GPU.
ما أبرز التفاصيل حول التكلفة ولمن هذا مناسب؟
أهم تفصيل عملي يتعلق بالدفع. يُدفع مقابل التوكنات المعالَجة، لا مقابل ساعات تشغيل GPU. فإذا استغرقت دالة المكافأة عشر ثوانٍ في فحص دفعة على جهازك، فلا تُحتسب وحدات GPU خلال هذه المدة. لا وجود لوقت خامل في الفاتورة: تحميل البيانات والتسجيل (logging) وتصحيح الأخطاء كلها مجانية على ميزانية GPU. تعتمد التكاليف على حجم البيانات والتوليد، لا على الوقت المنقضي ولا على حجم العنقود، لذا يسهل التنبؤ بها ومقارنة التجارب.
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.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.