ما هو الضبط الدقيق؟ الفرق عن RAG والبيانات والتكاليف وشروط البدء

«أريد تخصيص الذكاء الاصطناعي لشركتي». أحد الخيارات هو الضبط الدقيق: تدريب إضافي لـ نموذج لغوي كبير مدرّب مسبقًا على بيانات تناسب استخدامًا محددًا. تختلف متطلبات البيانات والتكاليف والخدمات المتاحة، لذا حدّد أولًا أداءً مرجعيًا تقيس به التحسن. يشرح دليل المبتدئين هذا وظيفة الضبط الدقيق، ونقاط قوته، ومقارنته بـ RAG وصياغة التعليمات، وأهم أساليبه، وما تحتاجه للبدء.

1. ما هو الضبط الدقيق؟

الضبط الدقيق هو تدريب نموذج ذكاء اصطناعي مدرّب بالفعل (النموذج الأساسي) تدريبًا إضافيًا على بيانات خاصة باستخدامك، لتعديل أنماط استجاباته. من أمثلته الإجابة بأسلوب شركتك، أو استخدام صيغة إخراج معينة، أو التكيف مع مصطلحات متخصصة. الهدف هو تعليم هذه الأنماط للنموذج نفسه.

تخيّله مثل تدريب موظف جديد. حتى الموظف الكفء، أي النموذج الأساسي، لا يعرف إجراءات شركتك. يهدف التدريب على أمثلة من الشركة إلى تكييف الاستجابات معها، ويسمح بتقييم ما إذا كانت تعليمات أقصر ستكفي. يحدّث الضبط الدقيق أوزان النموذج (المعاملات) أو مهايئات إضافية.

«نموذج مخصص» لا يعني أنك تملك النموذج الأساسي. ميّز بين نموذج تستخدمه عبر API وآخر تتعامل مع أوزانه بنفسك، وتحقّق من ترخيص النموذج الأساسي وشروط توزيعه.

2. نقاط القوة والحدود

قد يؤدي سوء فهم الغرض إلى الإخفاق. الضبط الدقيق خيار لتعديل أنماط الاستجابة، مثل الأسلوب والتصنيف واتباع التعليمات؛ لكنه ليس آلية لإدراج المعلومات التي تظهر بعد التدريب تلقائيًا.

إذا كان الهدف التعامل بدقة مع المعلومات الحديثة أو البيانات الداخلية، فإن RAG (استرجاع المعلومات وإضافتها إلى السياق) أنسب من الضبط الدقيق. أما الضبط الدقيق فهو خيار لتقريب الاستجابات من نبرة أو صيغة مرغوبة. وإذا احتجت صيغة مثل JSON، فقارن أيضًا بالمخرجات المنظّمة في النماذج الداعمة لها. يميّز دليل OpenAI للمخرجات المنظّمة بين الالتزام بالصيغة والصحة الدلالية للقيم، ويشرح التعامل مع حالات الرفض.

3. الاختيار بين RAG والتعليمات والضبط الدقيق

هذه الأساليب الثلاثة الشائعة لتخصيص الذكاء الاصطناعي لها أدوار وعوامل تكلفة مختلفة. يقدّم الجدول نظرة عامة.

قاعدة عملية مفيدة: «RAG للحقائق والمعرفة؛ والضبط الدقيق للسلوك والأنماط؛ والتعليمات أولًا». في الإنتاج، يمكن الجمع بين RAG لتوفير المستندات والضبط الدقيق لتعديل الاستجابات، لكن ليس كل نظام بحاجة إلى الاثنين. يرتبط هذا بـ هندسة السياق.

4. الأساليب الرئيسية: الضبط الكامل وLoRA وQLoRA

يتعلم SFT من المخرجات المرغوبة. يستخدم DPO تفضيلات الاستجابات، بينما يستخدم RFT إشارات مثل درجات التقييم. أما الضبط الكامل وLoRA وQLoRA أدناه فتصنيف مختلف: يتعلق بالمعاملات التي تُحدّث والدقة العددية. لا تتيح خدمات API بالضرورة حرية اختيار التنفيذ الداخلي. راجع دليل OpenAI لأساليب التدريب.

للضبط الدقيق عدة أساليب. ينبغي للمبتدئ أولًا فهم هذه الثلاثة.

تشرح وثائق PEFT الرسمية والورقتان الأصليتان لـ LoRA وQLoRA آليات العمل. النتائج التجريبية فيهما ليست ضمانًا لكل نموذج.

اختر الضبط الكامل أو LoRA أو QLoRA وفق الموارد المتاحة ونتائج التقييم. إخفاق أسلوب لا يثبت أن الأساليب الأخرى ستخفق. ومع نموذج لغوي محلي، قد تستطيع إجراء تجربة صغيرة على حاسوبك أيضًا.

5. البيانات والتكاليف والأدوات

متطلبات البيانات: الحد الأدنى المقبول لا يساوي المقدار اللازم لجودة مفيدة

يشير دليل OpenAI لـ SFT إلى تحسن باستخدام 50–100 مثال، ويوصي بمراجعة المهمة أو التعليمات إن لم تحسّن 50 مثالًا الأداء. هذه إرشادات تخص SFT لدى OpenAI، وليست دليلًا على أن كل أسلوب يتطلب 500 مثال. استيفاء الحد الأدنى للإرسال وتحقيق جودة مفيدة مسألتان مختلفتان.

قبل زيادة العدد، تحقّق من مشابهة الأمثلة للمدخلات الفعلية، وصحة الإجابات، وتوازن الفئات المناسب، ووجود تكرار أو تناقضات. افصل بيانات التدريب عن التقييم حتى لا تظهر صيغ مختلفة للسؤال نفسه في المجموعتين فتضخّم النتائج. تعليم إجابة صحيحة عندما يفتقر المدخل إلى معلومات تسمح باستنتاجها قد يشجّع تخمينات بلا سند. راجع إرشادات OpenAI لجودة البيانات وفصل بيانات التقييم.

التسعير: احسب الاستخدام المستمر، لا التدريب فقط

للفوترة بالرموز، ابدأ بـ «رموز التدريب القابلة للفوترة ÷ مليون × سعر الوحدة»؛ وللفوترة بالوقت استخدم «الوقت القابل للفوترة × السعر بالساعة». تحقّق مما يُحتسب من الرموز أو الوقت وكيف يعالج المزوّد الإخفاقات وإعادة المحاولة. وللتدريب الذي تديره بنفسك، قدّر أيضًا عدد المرورات على البيانات وطول المدخل وعدد وحدات GPU ووقت التشغيل.

المثالان التاليان يستخدمان أسلوبين ووحدتي فوترة مختلفتين، مأخوذتين من أسعار Standard في جدول OpenAI الرسمي للأسعار، الذي تحقّقنا منه في 10 أكتوبر 2026. ذكرهما لا يعني إمكانية التسجيل للمستخدمين الجدد؛ راجع شروط الإتاحة أدناه.

من المقرر إيقاف o4-mini ونسخته المضبوطة الواردين في مثال الأسعار هذا في 23 أكتوبر 2026. تحقّق من إشعار OpenAI الرسمي بالإيقاف قبل اختيار النموذج.

هذه أسعار الضبط الدقيق والاستدلال عبر API، وليست أسعار اشتراك ChatGPT. قد تكون للمعالجة المجمّعة ومشاركة البيانات أسعار منفصلة، لذا ليس «$25–$100 لكل مليون رمز» سعرًا موحدًا لجميع الأساليب. أدرج شروط المشاركة وأسعار الاستدلال في تقديرك.

إذا كان الهدف توفير المال، فقِس ما إذا كانت تكلفة الطلب تنخفض فعليًا بعد التدريب. قسمة تكلفة التنفيذ على الوفر لكل طلب تعطي حجم استخدام تقريبيًا للتعادل، ولكن فقط عندما تكون جودة الاستجابات متقاربة ويكون الوفر موجبًا. في المهام قليلة الاستخدام، قد لا تعوّض وفورات الاستدلال تكلفة الإعداد.

الإتاحة: الإنهاء التدريجي لدى OpenAI والتدريب المُدار ذاتيًا

المصدر: تغييرات إتاحة الضبط الدقيق بالخدمة الذاتية لدى OpenAI، تحقّقنا منها في 10 أكتوبر 2026. بقاء جدول أسعار أو دليل استخدام منشورًا لا يثبت أن جهتك تستطيع البدء.

للتدريب المُدار ذاتيًا باستخدام نموذج تستطيع الوصول إلى أوزانه، يُعدّ SFTTrainer من Hugging Face TRL أحد الخيارات. تحقّق من تراخيص النموذج والبيانات وذاكرة GPU وطول المدخل وأساليب التدريب المدعومة ووجهات التخزين. ولخدمة مُدارة لدى مزوّد آخر، تحقّق كذلك من النماذج والمناطق المدعومة وشروط العقد ووحدات الفوترة في المواصفات الحالية.

6. تجربة صغيرة لتقرير اعتماد التقنية

ما يلي خطة توضيحية لتصنيف الاستفسارات إلى «الشحن» أو «الإرجاع» أو «أخرى». وهي ليست تقريرًا عن تدريبات أُجريت أو أداء قيس أو فواتير نتجت عن هذا المقال.

1. حدّد معايير القبول: سجّل دقة التصنيف ومعالجة الحالات غير المؤكدة وزمن الاستجابة وتكلفة الطلب. تابع أخطاء التصنيف الجسيمة بصورة منفصلة عن متوسط الأداء.
2. قِس الأداء المرجعي: رتّب التعليمات والأمثلة وقيّم على بيانات لن تُستخدم في التدريب. ميّز بين نقص التعليمات ونقص المعلومات وحكم النموذج.
3. اختر أسلوبًا يعالج السبب: إذا غابت المواد المرجعية، فراجع نظام الاسترجاع. وإذا كانت المشكلة في معايير القرار أو أنماط الاستجابة، فأدخل الضبط الدقيق في المقارنة. ليس من الضروري دائمًا تجربة RAG أولًا.
4. تحقّق من شروط التنفيذ: راجع الإتاحة والنموذج والميزانية وأذونات استخدام البيانات والإرسال الخارجي والتخزين قبل التخطيط لتدريب صغير.
5. قارن بالتقييم نفسه: وجّه الأسئلة نفسها للنموذج الأساسي والنموذج المضبوط. أدرج مدخلات جديدة ولغات أخرى ونصوصًا طويلة وطلبات ينبغي رفضها.
6. قرّر الاعتماد أو التعديل أو التأجيل: قارن تحسن الجودة والتكلفة والزمن وأعباء التشغيل. إن لم يتحسن الأداء، فراجع البيانات أو الإعدادات بدل استبدال نظام الإنتاج فورًا. احتفظ بنسخة تستطيع الرجوع إليها.

بعد التدريب، واصل مراقبة الجوانب التي ازدادت فيها الأخطاء وتحديثات المعلومات وإيقاف النماذج الأساسية. أداء التدريب وحده لا يبيّن كيفية التعامل مع مدخلات جديدة. توصي إرشادات OpenAI للتقييم أيضًا بفصل بيانات التدريب والاختبار.

الخلاصة

ثلاث نقاط ينبغي تذكرها عن الضبط الدقيق:

• ما هو: تدريب إضافي لنموذج مدرّب مسبقًا لتعديل أنماط الاستجابة عبر تحديث الأوزان أو المهايئات الإضافية.
• كيف تختار: حدّد هل تتعلق المشكلة بالمعلومات المرجعية أم التعليمات أم أنماط الاستجابة، ثم قارن الأساليب في الظروف نفسها.
• كيف تبدأ: تحقّق من الإتاحة والميزانية وأذونات استخدام البيانات. تختلف متطلبات البيانات والتكاليف باختلاف الأسلوب والنموذج والاستخدام.

الضبط الدقيق خيار للتحسين ينبغي إثبات فاعليته بالتقييم. إكمال مهمة تدريب وتحسين الجودة في العمل الفعلي يتطلبان تحققًا منفصلًا. يساعد دليلا RAG وهندسة السياق على فهم الصورة الأوسع لتخصيص الذكاء الاصطناعي. ومن التقنيات ذات الصلة لتقليل حجم النماذج تقطير النماذج.

الأسئلة الشائعة