نموذج يتحدث بصوتك، وبصوتك وحدك.
للفرق التي تحتاج نبرة خاصة، أو صيغة مخرجات ثابتة، أو مفردات قطاعها، أو تكلفة تشغيل أقل على نطاق واسع. نضبط ونقطّر ونقيّم، ونقول لك بصراحة متى لن يحل الضبط مشكلتك.
الضبط الدقيق يعلّم النموذج نبرتك وصيغتك ومفردات قطاعك، لا حقائقك. للحقائق التي تتغير، كالأسعار والسياسات، الاسترجاع هو الأداة الصحيحة وهو أرخص عادةً. نقيس النموذج الأساسي مع موجّهات جيدة واسترجاع أولاً، ونقول لك أيهما تحتاج فعلاً قبل أن نقدّم عرضاً لأي منهما. بياناتك تبقى ملكك، مكتوباً في العقد.
آخر تحديث نوفمبر 2026
الضبط الدقيق ملاذ أخير. وحين يكون الأداة الصحيحة، يغيّر كل شيء.
معظم الفرق التي تطلب ضبطاً دقيقاً لا تحتاجه فعلاً. تحتاج موجّهات أفضل، أو استرجاعاً أفضل، أو تقييماً أفضل، ونقول ذلك قبل أن تنفق المال على جولات تدريب. وحين يكون الضبط هو الجواب، لنبرة محددة على نطاق واسع، أو صيغة خاصة، أو معرفة متخصصة لا تجيدها النماذج الأساسية، أو خفض التكلفة بالتقطير، نبني خط العمل كاملاً.
الضبط من دون تقييم تخمين. نصمّم إطار التقييم أولاً: السلوكيات التي تريد تحسينها، والسلوكيات التي يجب ألا تتراجع. نقيس قبل التدريب، وبعد كل جولة، وفي الإنتاج. الضبط عملية تكرارية، لا ضربة واحدة.
نعمل مع الضبط الدقيق لدى OpenAI، والتقطير لدى Anthropic، وHugging Face، والنماذج مفتوحة المصدر مثل Llama وMistral وQwen وPhi. نختار النموذج الأساسي وطريقة التدريب بحسب متطلبات السرعة والخصوصية والتكلفة لديك، لا بحسب ما هو رائج.
ما نفعله.
الضبط الدقيق الموجَّه (SFT)
تدريب على أمثلة عالية الجودة لتعليم صيغ ونبرات ومعرفة متخصصة وسلوكيات لا يُظهرها النموذج الأساسي بثبات.
توليد بيانات اصطناعية
توليد أمثلة تدريب عالية الجودة بنموذج معلّم، للمهام التي تكون فيها البيانات الحقيقية المصنّفة نادرة أو مكلفة أو سرية.
تدريب LoRA وQLoRA الموفّر
تكييف منخفض الرتبة لتكرار سريع على وحدات معالجة أصغر، ومحوّلات جاهزة للإنتاج تُحمَّل فوق نماذج أساسية مضغوطة لتشغيل أقل تكلفة.
تقطير النماذج
نقل مخرجات نموذج كبير مكلف إلى نموذج أصغر وأسرع وأرخص تستطيع تشغيله على نطاق واسع، مدرَّب ليطابق النموذج الكبير في مهامك أنت.
تكرار يقوده التقييم
نبني مجموعات التقييم قبل التدريب، ونقيس التراجع بعد كل جولة، ونكرر إلى أن تثبت السلوكيات المستهدفة، لا إلى أن تتحسن قليلاً عن البداية فقط.
نشر خاص أو داخلي
نماذج مضغوطة تعمل على بنيتك في AWS أو GCP أو Azure، في منطقة داخل الخليج إن لزم، عبر vLLM أو TensorRT-LLM، مع قياس السرعة على حِملك الفعلي.
الضبط الدقيق للأسلوب، لا للمعرفة.
أكثر الأخطاء المكلفة شيوعاً في مشاريع الذكاء الاصطناعي. وهذا هو التمييز الذي يجنّبك إياه.
| تريد من النموذج أن… | ضبط دقيق؟ | الحل الأفضل |
|---|---|---|
| يكتب بأسلوب علامتك | نعم | هذا ما وُجد الضبط لأجله |
| يُرجع دائماً بنية JSON نفسها | نعم | صيغة موثوقة |
| يعرف أسعارك الحالية | لا | الاسترجاع، فالأسعار تتغير |
| يعرف سياساتك | لا | الاسترجاع، ويستطيع أن يستشهد بها |
| يستخدم مفردات قطاعك | نعم | تحسّن حقيقي |
| يتوقف عن اختلاق الأشياء | لا | الاستناد إلى بياناتك، لا التدريب |
كيف نقترب منه.
أرخص، ويمكن تحديثه، ويستشهد بالمصدر. نجرّبه قبل أن نقترح أي ضبط.
لا تستطيع أن تعرف إن كان الضبط قد ساعد من دون مجموعة اختبار كُتبت مسبقاً.
مكتوب في العقد، بما في ذلك أنها لا تُستخدم لتدريب أي شيء مشترك.
متى يستحق الضبط الدقيق.
صيغة مخرجات يجب ألا تنكسر
أنظمة تستقبل مخرجات النموذج مباشرةً وتحتاج البنية نفسها في كل مرة، لا في تسع مرات من عشر.
نبرة علامة على نطاق واسع
آلاف الأوصاف أو الردود التي يجب أن تبدو كأنها كُتبت في مكان واحد، حيث لا يكفي الموجّه وحده للثبات.
تكلفة تشغيل صارت مشكلة
حجم كبير على نموذج كبير. نموذج أصغر مقطَّر قد يؤدي المهمة نفسها بتكلفة أقل، ونقيس ذلك على مهمتك لا نفترضه.
لا تشترِ هذا إذا كنت تريد أن يعرف النموذج حقائقك
الأسعار والسياسات والمخزون تتغير، والضبط يجمّدها في لحظة التدريب. ما تحتاجه حينها استرجاع من وثائقك، وهو أرخص ويستشهد بالمصدر. سنقول لك ذلك قبل أي عرض.
كيف نعمل.
نتحقق من الحاجة
نقيس النموذج الأساسي مع موجّهات محسّنة واسترجاع أولاً. إذا كان الضبط مبرَّراً، نحدد السلوكيات التي يجب تحسينها بالضبط.
نصمّم التقييم
نصمّم إطار التقييم قبل لمس بيانات التدريب: السلوكيات المستهدفة، والسلوكيات التي يجب ألا تتراجع، والمقاييس التي نتتبّعها في كل جولة.
نجهّز البيانات
نجمع بيانات التدريب وننظّفها ونرتّبها. وإذا كانت البيانات الحقيقية شحيحة، نولّد أمثلة اصطناعية بنموذج معلّم ونتحقق منها مقابل مجموعة التقييم.
ندرّب ونقيّم
ندرّب على النموذج الأساسي المختار، ونقيس بعد كل جولة، ونكرر إلى أن تصبح السلوكيات المستهدفة موثوقة من دون أن يتراجع غيرها.
ننشر
ننشر النموذج على بنيتك مع طبقة تشغيل (vLLM أو TensorRT-LLM أو Ollama)، وقياسات للسرعة، ولوحة لتكلفة التشغيل.
ضبط نماذج اللغة الكبيرة المخصصة
6 أسئلة مع إجاباتها. لديك سؤال آخر؟ تواصل معنا.
لمهمة ضيقة، قد يكفي عدد صغير نسبياً من الأمثلة عالية الجودة لتغيير سلوك النموذج بشكل ملموس. أما التغييرات الأوسع فتحتاج أكثر بكثير. نساعدك على تحديد الحجم الصحيح لمهمتك بعد مراجعة البيانات، ونستطيع توليد بيانات اصطناعية لسد الفجوات.
سبع فئات. أكثر من 40 خدمة.
أخبرنا بما تبنيه، ونريك الأقرب إليه مما أنجزناه.
ردّ خلال يوم عمل واحد، من الأشخاص الذين سيعملون على مشروعك.