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)
إصدارAPI / منتج · جاهز للعملX: @Shoumya23→ المصدر

مشروع MiniMind مفتوح المصدر يتيح تدريب نموذج لغوي من الصفر مقابل 0,42 دولار على RTX 3090

MiniMind مشروع تعليمي مفتوح المصدر (67,9 ألف نجمة على GitHub) يُدرَّب فيه نموذج لغوي (LLM) من الصفر، بدلاً من الاعتماد على نموذج جاهز عبر API. وبحسب كاتب المنشور على منصة X، تبلغ تكلفة التشغيل 0,42 دولار على بطاقة RTX 3090 استهلاكية واحدة. كُتبت الشيفرة بلغة PyTorch الخالصة، ولذلك يمكن فتح كل مرحلة وتفكيكها ودراستها. وهو بالنسبة إلى الفرق ميدان تجريب رخيص لفهم كيف يتحول النموذج إلى مساعد.

معالج بواسطة الذكاء الاصطناعي من X: @Shoumya23؛ بتحرير Hamidun News
مشروع MiniMind مفتوح المصدر يتيح تدريب نموذج لغوي من الصفر مقابل 0,42 دولار على RTX 3090
المصدر: X: @Shoumya23. كولاج: Hamidun News.
استمع للمقال
بطاقة الحقائق والأرقام
المعيارالتفاصيل
المصدر الأصليX: @Shoumya23 ↗
رئيس التحرير
المسار كاملاًالتدريب المسبق وSFT وLoRA وDPO وGRPO واستدعاء الأدوات
التقطيرنموذج صغير يتعلم من نموذج كبير؛ والتشغيل عبر Ollama
حقيقة رئيسية #3الرقم 0,42 دولار ادعاء من كاتب المنشور، وسيتعين عليك إعادة حساب المبلغ وفق ظروفك

يتعامل معظم المطورين مع النماذج اللغوية (LLM) على أنها صندوق أسود: يرسلون طلباً إلى API ويتلقون الرد. أما كيف يتدرّب النموذج، ومن أين تأتي «شخصيته»، ولماذا يجيب فجأة وفق التعليمات بدلاً من أن يكتفي بمتابعة النص، فلم يشاهد ذلك عملياً سوى قلة. يسدّ مشروع MiniMind مفتوح المصدر هذه الفجوة: يمكنك فيه أن تقطع بنفسك مسار بناء نموذج لغوي كاملاً. ويعرض شومّيا فيشواكارما، كاتب المنشور على منصة X، الفكرة هكذا: يمكن تدريب نموذج خاص من الصفر مقابل 0,42 دولار على بطاقة RTX 3090 واحدة. وهذه بطاقة ألعاب عادية، وليست عنقوداً حاسوبياً بملايين الدولارات. وقد جمع المستودع على GitHub نحو 67,9 ألف نجمة، أي أن الاهتمام بهذا الأسلوب كبير جداً.

بالنسبة إلى مستودع تعليمي، هذا عدد نجوم مرتفع للغاية. وهو يدل على وجود طلب على أمثلة واضحة قابلة للتفكيك بدلاً من الأطر الضخمة المعقدة.

ماذا يوجد بالداخل: بنداً بنداً

تُظهر القائمة الواردة في المنشور أن MiniMind يغطي تقريباً كامل دورة التدريب الحديثة.

التدريب المسبق (pretraining). يقرأ النموذج من الصفر مجموعة ضخمة من النصوص ويتعلم التنبؤ بالكلمة التالية. وهذه أغلى مرحلة في المختبرات الكبيرة، لكنها هنا مضغوطة إلى مقياس بطاقة رسومية واحدة.

SFT (supervised fine-tuning). تدريب إضافي على أزواج «سؤال — إجابة جيدة». وفي هذه الخطوة تحديداً يتحول «متنبّئ الكلمات» إلى مساعد يجيب عن الأسئلة.

LoRA. تدريب إضافي مخفَّف: فبدلاً من تعديل جميع أوزان النموذج، تُدرَّب مصفوفات إضافية صغيرة. وبهذه الطريقة يمكن تكييف النموذج مع مهمتك على عتاد متواضع.

DPO. طريقة لمواءمة الإجابات مع تفضيلات البشر دون نموذج تقييم منفصل معقد: تُعرض على الخوارزمية أزواج «إجابة أفضل — إجابة أسوأ».

GRPO. طريقة تعلّم تعزيزي شائعة في النماذج القادرة على الاستدلال. يولّد النموذج عدة صيغ للإجابة، ويحصل على تقييم، ويعزّز الصيغ التي أدّت أداءً أفضل.

استخدام الأدوات (Tool use). تدريب على استدعاء أدوات خارجية: البحث والآلة الحاسبة وواجهات API. وهذا أساس أي وكلاء ذكيين.

التقطير (Distillation). نقل المعرفة من نموذج كبير إلى نموذج صغير: يكرّر «التلميذ» إجابات «المعلّم» فيحصل على جزء من جودته بحجم صغير.

لماذا يتسع كل شيء لبطاقة واحدة

هناك نقطتان عمليتان في القائمة لا تقلان أهمية. الأولى: التنفيذ مكتوب بلغة PyTorch الخالصة. لا توجد طبقات تجريد مثل «المدرّبات» الجاهزة التي يختبئ خلفها المنطق. يمكنك فتح الملف ورؤية كيف تُحسب دالة الخسارة (loss، وهي رقم يوضح مقدار خطأ النموذج)، وكيف تُبنى حلقة التدريب، وأين يُربط LoRA. وهذا أثمن في اختبار الأفكار من واجهة مريحة لكنها غير شفافة.

والثانية: كل شيء مصمَّم لبطاقة RTX 3090 واحدة. وهذا عتاد استهلاكي يملكه كثير من الهواة ويمكن استئجاره بمبلغ صغير. لذلك يبدو الرقم 0,42 دولار معقولاً: فهو بحجم تكلفة استئجار قصير لوحدة GPU، وليس ميزانية مختبر. المبلغ مأخوذ من المنشور. وعليك أن تعيد حسابه بنفسك وفق ظروفك، فأسعار الاستئجار وسرعة التدريب تختلف.

ويُكمل دعم Ollama الدورة. إذ يمكن تشغيل النموذج المدرَّب محلياً بالأداة نفسها التي يستخدمها كثيرون أصلاً مع Llama أو Qwen، واختباره فوراً في الاستخدام الفعلي.

ماذا نتوقع وماذا لا نتوقع

ينبغي النظر إلى الحجم بواقعية. فالنموذج المدرَّب بدولار واحد على بطاقة واحدة سيكون صغيراً جداً مقارنة بالنماذج اللغوية التجارية. ولن يحلّ محل أنظمة فئة GPT ولن يصلح للإنتاج الجاد. قيمته في أمر آخر: إنه مختبر يمكن فيه إجراء التجارب بسرعة. مثلاً، ملاحظة كيف يتغير السلوك بعد DPO، أو مقارنة SFT وLoRA على بياناتك الخاصة.

ماذا تفعل عملياً:

  • إذا كنت تبني وكلاء، فاقطع مرحلة استخدام الأدوات على نموذج صغير: بهذه الطريقة يسهل فهم مصدر أخطاء استدعاء الدوال.
  • إذا كنت مدير منتج أو مؤسساً، فاستخدم المشروع لتقدير التكلفة الفعلية لتخصيص نموذج: ستكون رتبة السعر عند البداية أقل مما تبدو.
  • إذا كنت تدرّب فريقاً، فقدّم له المستودع كمرجع تعليمي: كل مرحلة من التدريب معزولة، ويمكن فهمها في أمسية واحدة.

لا يَعِد MiniMind بثورة في جودة النماذج. فالمشروع يخفض عتبة الدخول إلى تدريب النماذج اللغوية من «تحتاج إلى عنقود حاسوبي» إلى «تكفي بطاقة ألعاب». وبالنسبة إلى صناعة أصبح فيها فهم بواطن النماذج ميزة تنافسية، فهذا سبب كافٍ للتجربة.

القصة

أسئلة وأجوبة حول الخبر

ما أبرز التفاصيل حول ماذا يوجد بالداخل: بنداً بنداً؟

تُظهر القائمة الواردة في المنشور أن MiniMind يغطي تقريباً كامل دورة التدريب الحديثة. التدريب المسبق (pretraining). يقرأ النموذج من الصفر مجموعة ضخمة من النصوص ويتعلم التنبؤ بالكلمة التالية. وهذه أغلى مرحلة في المختبرات الكبيرة، لكنها هنا مضغوطة إلى مقياس بطاقة رسومية واحدة. SFT (supervised fine-tuning). تدريب إضافي على أزواج «سؤال — إجابة جيدة». وفي هذه الخطوة تحديداً يتحول «متنبّئ الكلمات» إلى مساعد يجيب عن الأسئلة. LoRA. تدريب إضافي مخفَّف: فبدلاً من تعديل جميع أوزان النموذج، تُدرَّب مصفوفات إضافية صغيرة.

ما أبرز التفاصيل حول لماذا يتسع كل شيء لبطاقة واحدة؟

هناك نقطتان عمليتان في القائمة لا تقلان أهمية. الأولى: التنفيذ مكتوب بلغة PyTorch الخالصة. لا توجد طبقات تجريد مثل «المدرّبات» الجاهزة التي يختبئ خلفها المنطق. يمكنك فتح الملف ورؤية كيف تُحسب دالة الخسارة (loss، وهي رقم يوضح مقدار خطأ النموذج)، وكيف تُبنى حلقة التدريب، وأين يُربط LoRA. وهذا أثمن في اختبار الأفكار من واجهة مريحة لكنها غير شفافة. والثانية: كل شيء مصمَّم لبطاقة RTX 3090 واحدة. وهذا عتاد استهلاكي يملكه كثير من الهواة ويمكن استئجاره بمبلغ صغير.

ما أبرز التفاصيل حول ماذا نتوقع وماذا لا نتوقع؟

ينبغي النظر إلى الحجم بواقعية. فالنموذج المدرَّب بدولار واحد على بطاقة واحدة سيكون صغيراً جداً مقارنة بالنماذج اللغوية التجارية. ولن يحلّ محل أنظمة فئة GPT ولن يصلح للإنتاج الجاد. قيمته في أمر آخر: إنه مختبر يمكن فيه إجراء التجارب بسرعة. مثلاً، ملاحظة كيف يتغير السلوك بعد DPO، أو مقارنة SFT وLoRA على بياناتك الخاصة. ماذا تفعل عملياً: إذا كنت تبني وكلاء، فاقطع مرحلة استخدام الأدوات على نموذج صغير: بهذه الطريقة يسهل فهم مصدر أخطاء استدعاء الدوال.

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…