بث مباشر 18.11 · الدفعة 318 نوفمبر، 19:00 بتوقيت موسكو — ورشة عملية مجانية لوكلاء الذكاء الاصطناعي · الدفعة 3 تبدأ 23.11ورشة 18 نوفمبر ←الدفعة 3 (23.11)
بنية تحتيةتحليل · على الرادارMarkTechPost→ المصدر

Phi-4-Mini من Microsoft: تطبيق التكميم وRAG وLoRA في دفتر Jupyter واحد

يجمع نموذج Microsoft Phi-4-mini مجمل مهام نماذج اللغة الكبيرة الحديثة في دفتر واحد. ويستعرض الدليل التعليمي مسار العمل الكامل: تكميم 4-بت للتشغيل على وحدة معالجة رسومية (GPU) محدودة الميزانية، وتوليداً متدفقاً للنص، واستدلالاً خطوة بخطوة، واستدعاءً للأدوات، وRAG فوق المستندات، وضبطاً دقيقاً بتقنية LoRA دون الحاجة إلى مجموعات حوسبة مكلفة. ويغطي هذا النموذج المدمج مهاماً كانت تتطلب في السابق أنظمة أكبر منه بعشرات المرات.

معالج بواسطة الذكاء الاصطناعي من MarkTechPost؛ بتحرير Hamidun News
Phi-4-Mini من Microsoft: تطبيق التكميم وRAG وLoRA في دفتر Jupyter واحد
المصدر: MarkTechPost. كولاج: Hamidun News.
استمع للمقال

أطلقت Microsoft نموذج Phi-4-mini ضمن سلسلة نماذجها اللغوية المدمجة، ويوضح دليل تعليمي جديد قدراته في ظروف العمل الفعلية. ففي دفتر Jupyter واحد، نفّذ الباحثون المجموعة الكاملة من سيناريوهات نماذج اللغة الكبيرة (LLM) الحديثة، بدءاً من التكميم بدقة 4-بت وصولاً إلى الضبط الدقيق للأوزان عبر LoRA.

Phi-4-mini-instruct نموذج صغير لكنه قوي من Microsoft، صُمّم مع التركيز على الاستدلال واتباع التعليمات. وعلى خلاف الأنظمة العملاقة من فئة GPT، يتسع هذا النموذج في ذاكرة الفيديو المحدودة، ومع ذلك يدعم مسارات عمل متكاملة كانت قبل عام واحد فقط تتطلب نماذج أكبر منه بعشرات المرات. ويبلغ عدد معاملاته نحو 3,8 مليار معامل، وهو حجم مدمج بمقاييس عام 2025، الذي تجاوزت فيه أبرز النماذج المفتوحة منذ وقت طويل حاجز 70 مليار معامل.

يبدأ الدليل بإعداد البيئة وتحميل النموذج بوضع التكميم 4-بت عبر مكتبة BitsAndBytes. يتيح التكميم ضغط الأوزان دون خسارة ملحوظة في الجودة، ويخفض متطلبات ذاكرة الفيديو إلى مستوى يسمح بتشغيل النموذج حتى على وحدة GPU المجانية في Google Colab. وهذا أمر بالغ الأهمية للمطورين الذين لا تتوفر لهم مجموعات حوسبة مؤسسية.

ثم ينتقل الدليل إلى التوليد المتدفق: وضع streaming الذي يظهر فيه النص تدريجياً أثناء حسابه، بدلاً من ظهوره دفعة واحدة في النهاية. وهذا حاسم لتطبيقات الدردشة التفاعلية وخدمات API ذات الواجهات الحية. بعد ذلك يأتي قسم الاستدلال: يتلقى Phi-4-mini مهام تتطلب استنتاجاً تدريجياً، أي chain-of-thought reasoning، ويتعامل معها بأداء أفضل بوضوح مما يُتوقع من نموذج بحجمه.

القسم التالي مخصص لاستدعاء الأدوات (tool use). فقد دُرّب النموذج على تحديد الحالات التي يتطلب فيها الطلب اللجوء إلى API خارجي أو آلة حاسبة أو قاعدة بيانات، وعلى صياغة استدعاء منظّم بالصيغة المطلوبة. وهذه إحدى المهارات الأساسية لبناء وكلاء ذكاء اصطناعي مستقلين قادرين على التصرف في العالم الخارجي، لا على توليد النصوص فقط.

يوضح قسم RAG كيفية ربط مخزن متجهات ودفع النموذج إلى الإجابة عن أسئلة تتعلق بمستندات غير موجودة في بيانات تدريبه. ومن السيناريوهات الشائعة: الوثائق الداخلية للشركات، وقواعد المعرفة، والتقارير التحليلية الحديثة. ويتيح RAG إثراء السياق دون إعادة تدريب النموذج بالكامل بتكلفة باهظة.

ويُخصَّص القسم الأخير للضبط الدقيق بتقنية LoRA، وهي طريقة تُحدَّث فيها جزء صغير فقط من الأوزان (محوّلات منخفضة الرتبة) بدلاً من تحديث جميع المعاملات. وهذا يجعل التخصيص لمهمة معينة متاحاً حتى على بطاقة رسومات استهلاكية واحدة. ويعرض الدليل الدورة الكاملة: إعداد مجموعة البيانات، وتدريب المحوّل، وحفظ النتيجة وتطبيقها.

هذا الدليل ليس مجرد عرض لإمكانات نموذج واحد، بل حجة على أن الحدود بين النماذج الكبيرة والصغيرة تتلاشى بسرعة. ويُظهر Phi-4-mini أن البنية المدمجة، مع الضبط الجيد، تغطي معظم سيناريوهات الإنتاج (production). وبالنسبة للفرق التي تبني منتجات ذكاء اصطناعي دون الوصول إلى موارد حوسبة مكلفة، فهو أقرب ما يكون إلى دليل عملي خطوة بخطوة.

القصة
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…