Key Takeaways
- Unsloth — 75.0 ألف نجمة على GitHub، برخصة Apache-2.0. يذكر ملف التعريف الخاص به دعم إعدادات تعدد المعالجات الرسومية، ومعالجات NVIDIA وAMD وIntel، والمعالجات المركزية، وخلفية Vulkan، على Windows وLinux وWSL وmacOS، مع إصدارات سطح مكتب. وتعدد المعالجات ليس خلف جدار دفع في المشروع مفتوح المصدر.
- Axolotl — 12.4 ألف نجمة، برخصة Apache-2.0. الوحيد بين الثلاثة الذي يوثّق التدريب متعدد العقد (عبر Torchrun وRay) والتوازي متعدد الأبعاد الذي يجمع توازي السياق وتوازي الموترات وتوازي البيانات المجزأة بالكامل داخل العقدة الواحدة وعبر عدة عقد.
- MLX-LM — 6.8 ألف نجمة، برخصة MIT، من منظمة `ml-explore` التابعة لآبل، والتي يصف ملفها التعريفي عملها بأنه «by Apple». يدعم LoRA والضبط الكامل، والنماذج المكمّمة، والاستدلال والضبط الموزّعين عبر `mx.distributed`.
- Together.ai — الضبط الخاضع للإشراف بطريقة LoRA بسعر 0.48 دولار لكل مليون رمز تدريب حتى 16 مليار معامل، و1.50 دولار في نطاق 17–69 مليارًا، و2.90 دولار في نطاق 70–100 مليار. أما الضبط الكامل الخاضع للإشراف فأغلى بكثير: 1.20 و3.75 و7.25 دولار في النطاقات نفسها. ويُطبَّق حد أدنى قدره 4.00 دولارات لكل مهمة.
- Fireworks.ai — الضبط بطريقة LoRA ابتداءً من 0.50 دولار لكل مليون رمز حتى 16 مليار معامل، ويرتفع إلى 10.00 دولارات فوق 300 مليار؛ ويبلغ الضبط الكامل بطريقة DPO في الشريحة العليا 40.00 دولارًا لكل مليون. وتقول صفحة أسعارها بوضوح: «Serve fine-tuned models for the same price as base models.»
- لم تعد Predibase منتجًا مستقلًا. أعلنت Rubrik الاستحواذ في 25 يونيو 2025، وحتى 28 أغسطس 2026 يعيد predibase.com إعادة توجيه من نوع HTTP 301 إلى صفحة Agent Cloud لدى Rubrik. لا ترسل أحدًا إلى صفحة تسجيل لم تعد قائمة.
- لا يوجد لدى Together.ai ولا Fireworks.ai برنامج عمولة أو إحالة علني تمكّنا من العثور عليه حتى أغسطس 2026، ولا تظهر أي منهما في القوائم الرئيسية لبرامج العمولة. جميع روابط هذه الصفحة غير مدفوعة.
🏆 الخيار الأنسب لحالتك
الفارق الجوهري هو ما إذا كنت ستشغّل مهمة التدريب بنفسك أم تدفع لغيرك ليشغّلها. اقرأ القائمة وتوقف عند أول سطر ينطبق عليك.
- تملك معالجًا رسوميًا قادرًا وتريد أقصر طريق إلى ضبط ناجح ← Unsloth. مجاني وبرخصة Apache-2.0، ويغطي الآن تعدد المعالجات والعتاد غير التابع لـNVIDIA، بحيث تلاشى إلى حد بعيد السبب القديم للانتقال عنه.
- لم يعد تدريبك يتّسع في جهاز واحد ← Axolotl. التدريب متعدد العقد عبر Torchrun وRay إضافةً إلى التوازي متعدد الأبعاد هو خط الفصل الحقيقي بينه وبين Unsloth في 2026.
- تعمل على حاسوب Mac بمعالج من سلسلة M ← MLX-LM إن أردت المسار الأخف والأقرب إلى MLX، غير أن Unsloth صار يعمل على macOS أيضًا، فصار ذلك تفضيلًا لا خيارًا وحيدًا كما كان.
- تحتاج إلى DPO أو ORPO أو KTO أو GRPO أو نمذجة المكافأة ← Axolotl. مجموعة الطرق الموثقة لديه هي الأوسع بين الثلاثة بفارق واضح.
- لا تملك معالجًا رسوميًا ولا ترغب في استئجار واحد ← Together.ai لأسعار الرموز الشفافة، أو Fireworks.ai إن كنت ستقدّم النموذج المضبوط لاحقًا وتريد تجنّب رسوم استضافة إضافية.
الضبط محليًا أم في السحابة؟
اضبط محليًا إن كان لديك معالج رسومي قادر وتتوقع التكرار؛ واستخدم واجهة سحابية إن لم تكن تملك عتادًا، أو إن كنت تضبط النموذج بندرة تكفي لأن تكون الفوترة لكل مهمة أرخص من وقت الإعداد لديك. يسبق هذا السؤال سؤال «أي إطار عمل»، لأنه يحدد أي نصف من هذه الصفحة يعنيك.
والصيغة الصادقة للمقايضة هي أن التدريب المحلي رخيص لكل تشغيل ومكلف لكل ساعة من انتباهك، بينما تعكس الواجهة السحابية هذه المعادلة. فمن يضبط نموذجًا مرة كل ربع سنة يكسب فعلًا حين لا يضطر إلى تتبّع تعارض في المشغّلات عند الحادية عشرة ليلًا. ومن يكرّر مرتين أسبوعيًا على المجموعة نفسها سيرى الفوترة بالرموز تتجاوز تكلفة العتاد سريعًا.
اضبط محليًا حين تملك معالجًا رسوميًا قادرًا وتكرّر كثيرًا، واستخدم واجهة ضبط سحابية حين لا تملك عتادًا أو تضبط بندرة تكفي لأن يكلّف سعر المهمة أقل من وقت الإعداد لديك.
امتلاك العتاد يجعل كل تشغيل شبه مجاني لكنه يكلّفك الإعداد. واستئجار الخدمة يكلّف بضعة دولارات لكل تشغيل لكنك تبدأ خلال دقائق. وأيهما أرخص يتوقف كليًا على وتيرة تدريبك.
- درّب محليًا إن كان لديك بطاقة من فئة RTX 3090/4090 أو أفضل، أو كنت تكرّر أسبوعيًا على المجموعة نفسها، أو كانت بيانات التدريب لا يجوز أن تغادر جهازك لأسباب تتعلق بالخصوصية أو الملكية الفكرية.
- استخدم واجهة سحابية إن لم تكن تملك معالجًا رسوميًا، أو احتجت نموذجًا أكبر مما يتسع له عتادك حتى بدقة أربع بتات، أو أردت تقديمًا مُدارًا مرفقًا بالتدريب.
- كلاهما يفي بالغرض إن كنت تضبط نموذجًا بسبعة مليارات معامل شهريًا: عند هذه الوتيرة يكون فارق التكلفة صغيرًا بما يكفي ليحسم الأمرَ عاملُ الراحة.
مقارنة الأطر المحلية الثلاثة
تُعد Unsloth وAxolotl وMLX-LM أطر العمل المحلية الثلاثة الجديرة بالاستخدام في 2026، وقد تحركت الحدود بينها. كانت Unsloth ذات يوم خيار المعالج الرسومي الواحد على CUDA وصارت اليوم الأوسع تغطية؛ وحجة Axolotl هي العمق في التدريب الموزّع لا مجرد تعدد المعالجات؛ وتبقى MLX-LM الأخف على Apple Silicon لكنها لم تعد الخيار الوحيد على أجهزة Mac. والثلاثة مجانية ومفتوحة المصدر، ولا يشترط أي منها أن تغادر بيانات تدريبك مكانها.
قُرئت أعداد النجوم والتراخيص من واجهة GitHub البرمجية في 28 أغسطس 2026. أما ما يتعلق بالقدرات فمصدره ملف التعريف الخاص بكل مشروع.
| المعيار | Unsloth | Axolotl | MLX-LM |
|---|---|---|---|
| نجوم GitHub | 75.0 ألف | 12.4 ألف | 6.8 ألف |
| الرخصة | Apache-2.0 | Apache-2.0 | MIT |
| الأنسب لـ | أسرع طريق على عتادك الخاص | التوسّع خارج جهاز واحد | عمل خفيف أصيل على MLX في Mac |
| تعدد المعالجات | نعم، في المشروع مفتوح المصدر | نعم — FSDP1 وFSDP2 وDeepSpeed | عبر mx.distributed |
| تعدد العقد | غير موثق في ملف التعريف | نعم — Torchrun وRay | عبر mx.distributed |
| العتاد | NVIDIA وAMD وIntel ومعالجات مركزية وVulkan | حزمة تتمحور حول CUDA | Apple Silicon فقط |
| أنظمة التشغيل | Windows وLinux وWSL وmacOS | عمليًا Linux وWSL | macOS |
| صعوبة التثبيت | منخفضة — مثبّت وإصدارات سطح مكتب | متوسطة — يُدار بملفات YAML | منخفضة — pip install |
📌Note: تصف المقارنات الأقدم، ومنها المسودة التي أُعيدت كتابة هذه الصفحة عنها، تعدد المعالجات بأنه ميزة مدفوعة في Unsloth، وMLX-LM بأنه مشروع مجتمعي لا مشروع من آبل. وكلا الأمرين يناقض ملف التعريف الحالي وملف المنظمة. فإن قرأت ذلك في مكان آخر، فتحقق من تاريخه.
Unsloth: الخيار المحلي الافتراضي
من Unsloth ينبغي أن يبدأ معظم الناس، وأسباب ذلك ازدادت لا تناقصت. فهو الأكثر نجومًا بين الثلاثة بفارق واسع، ورخصته Apache-2.0، وتغطيته للعتاد وأنظمة التشغيل صارت الأوسع هنا.
Unsloth — أفضل إطار محلي إجمالًا
مجاني برخصة Apache-2.0، تعدد المعالجات مشمول، يعمل على NVIDIA وAMD وIntel والمعالجات المركزية وmacOS
يعيد Unsloth كتابة نوى الانتباه والتدرجات لخفض استهلاك ذاكرة المعالج الرسومي وتسريع التدريب بطريقتي LoRA وQLoRA، وتلك تظل جاذبيته الأساسية. ما تغيّر هو المدى. فملف التعريف الخاص به صار يذكر دعم إعدادات تعدد المعالجات على معالجات NVIDIA وAMD وIntel، والمعالجات المركزية، وخلفية Vulkan، عاملًا على Windows وLinux وWSL وmacOS، مع إصدارات سطح مكتب لكل منها. ولا شيء في ملف التعريف البالغ 22 كيلوبايت برخصة Apache-2.0 يضع أيًا من ذلك خلف باقة مدفوعة. كما توسّع المشروع متجاوزًا كونه مكتبة تدريب ليقترب من منضدة عمل محلية، بواجهة Studio ونقطة تقديم متوافقة مع OpenAI. وتوجد باقتان مدفوعتان، Pro وEnterprise، غير أن أسعارهما غير منشورة، فتعامل مع أي رقم محدد تراه مقتبسًا في مكان آخر على أنه غير موثق.
الإيجابيات
- +مجاني وبرخصة Apache-2.0، مع دعم تعدد المعالجات في المشروع مفتوح المصدر
- +أوسع تغطية للعتاد هنا: NVIDIA وAMD وIntel ومعالجات مركزية وVulkan
- +يعمل على Windows وLinux وWSL وmacOS، مع إصدارات سطح مكتب
- +أقل جهد تثبيت بين الثلاثة — مثبّت بدل شجرة إعدادات
السلبيات
- –التدريب متعدد العقد غير موثق في ملف التعريف، وAxolotl أوضح في هذه النقطة
- –أسعار Pro وEnterprise غير منشورة، فوضعها في الميزانية يستلزم التواصل مع المبيعات
- –اتساع نطاقه يعني مساحة أكبر مما يحتاجه فريق لا يريد سوى مكتبة تدريب
Axolotl: خيار التوسّع
يستحق Axolotl مكانه بفضل التدريب الموزّع واتساع الطرق، لا بفضل تعدد المعالجات وحده. وبما أن Unsloth صار يغطي عدة معالجات داخل الصندوق الواحد، فإن خط الفصل الصادق يقع عند ما يحدث حين لا يكفي صندوق واحد.
Axolotl — الأفضل للتوسّع خارج جهاز واحد
تدريب متعدد العقد عبر Torchrun وRay، وتواز متعدد الأبعاد، وأوسع مجموعة طرق
يُدار Axolotl بملفات إعدادات، وهو تحديدًا ما تريده حين يتعيّن أن يكون التدريب قابلًا لإعادة الإنتاج عبر عنقود بدل إعادة تركيبه من دفتر ملاحظات. ويوثّق ملف التعريف الخاص به تعدد المعالجات عبر FSDP1 وFSDP2 وDeepSpeed، وتعدد العقد عبر Torchrun وRay، والتوازي متعدد الأبعاد الذي يجمع توازي السياق وتوازي الموترات وتوازي البيانات المجزأة بالكامل داخل العقدة الواحدة وعبر عدة عقد. وهناك أيضًا توازي الخبراء لتدريب نماذج مزيج الخبراء الموزّع. أما قائمة طرق التدريب فهي الأوسع بين الثلاثة بفارق واضح: الضبط الكامل وLoRA وQLoRA وGPTQ والتدريب المدرك للتكميم والدقة المختلطة FP8، وضبط التفضيل بطرق DPO وIPO وKTO وORPO، والتعلم المعزّز بطريقتي GRPO وGDPO، ونمذجة المكافأة ونمذجة مكافأة العملية.
الإيجابيات
- +تدريب متعدد العقد موثق عبر Torchrun وRay
- +تواز متعدد الأبعاد يجمع توازي السياق والموترات والبيانات المجزأة
- +أوسع مجموعة طرق: DPO وIPO وKTO وORPO وGRPO وGDPO ونمذجة المكافأة
- +عمليات التشغيل المُدارة بالإعدادات قابلة لإعادة الإنتاج والمراجعة، وهو ما يهم الفرق
السلبيات
- –منحنى تعلّم أشد انحدارًا — احسب وقتًا فعليًا لقراءة التوثيق قبل أول نجاح
- –يتمحور عمليًا حول CUDA، فليس هو الجواب على عتاد AMD أو Intel أو آبل
- –آلية أثقل مما يحتاجه فعلًا شخص يضبط وحده نموذجًا بسبعة مليارات معامل
MLX-LM: خيار Apple Silicon
تُعد MLX-LM أخف وسيلة للضبط على حاسوب Mac بمعالج من سلسلة M، وهي مبنية مباشرة على إطار المصفوفات MLX من آبل لا منقولة إليه. ويجدر التدقيق في ماهيتها: فمنظمة `ml-explore` التي تصونها تصف نفسها بأنها «by Apple»، أي أن هذا عمل آبل ذاتها في تعلّم الآلة لا نقل مجتمعي غير مرتبط بها.
MLX-LM — أفضل خيار خفيف على Apple Silicon
رخصة MIT، وتكامل مع Hugging Face Hub، وتدريب موزّع عبر mx.distributed
إن MLX-LM حزمة بايثون لتوليد النصوص وضبط النماذج اللغوية على معالجات Apple Silicon باستخدام MLX. وتتكامل مع منصة Hugging Face Hub بحيث تصبح آلاف النماذج على بُعد أمر واحد، وتتيح تكميم النماذج ورفعها إلى المنصة، وتتولى الضبط منخفض الرتبة والضبط الكامل معًا، بما في ذلك على النماذج المكمّمة. كما تدعم الاستدلال والضبط الموزّعين عبر `mx.distributed`، ما يعني أن الادعاء الشائع بأنها أداة لجهاز واحد حصرًا قد صار قديمًا. أما ما ليست عليه فهو العمل عبر المنصات: فهي تعتمد على MLX وعلى الذاكرة الموحدة في Apple Silicon، ومن ثم لا تُطرح أصلًا كخيار على Windows أو Linux.
الإيجابيات
- +مبنية أصلًا على MLX وعلى الذاكرة الموحدة في Apple Silicon لا منقولة إليها
- +رخصة MIT، وهي الأكثر تساهلًا بين الثلاث
- +استدلال وضبط موزّعان عبر mx.distributed
- +تكامل مع Hugging Face Hub لجلب النماذج ونشرها معًا
السلبيات
- –Apple Silicon حصرًا — ليست خيارًا على Windows أو Linux
- –أصغر مجتمع بين الثلاثة بـ6.8 ألف نجمة، وبالتالي أمثلة عملية أقل
- –لم تعد الخيار الوحيد على Mac بعدما صار Unsloth يوفّر إصدارات macOS
المنصات السحابية والأسعار الفعلية
تتقاضى Together.ai وFireworks.ai كلتاهما على أساس رموز التدريب لا ساعات المعالج الرسومي، ما يجعل تكلفة المهمة قابلة للتقدير قبل إطلاقها. والأسعار أدناه قُرئت من صفحات التسعير العلنية لكل مزوّد في 28 أغسطس 2026. وانتبه إلى الفجوة بين LoRA والضبط الكامل، فمنها تنشأ معظم مفاجآت التكلفة.
| الشريحة والطريقة | Together.ai | Fireworks.ai |
|---|---|---|
| LoRA حتى 16 مليارًا | 0.48 دولار / مليون رمز | 0.50 دولار / مليون رمز |
| ضبط كامل حتى 16 مليارًا | 1.20 دولار / مليون رمز | 1.00 دولار / مليون رمز |
| LoRA، الشريحة الوسطى | 1.50 دولار (17–69 مليارًا) | 3.00 دولارات (16.1–80 مليارًا) |
| LoRA، الشريحة الكبرى | 2.90 دولار (70–100 مليار) | 6.00 دولارات (80–300 مليار) |
| ضبط كامل، الشريحة الكبرى | 7.25 دولار (70–100 مليار) | 12.00 دولارًا (80–300 مليار) |
| أعلى ما في القائمة المنشورة | 8.00 دولارات DPO كامل، 70–100 مليار | 40.00 دولارًا DPO كامل، فوق 300 مليار |
| الحد الأدنى لكل مهمة | 4.00 دولارات | غير منشور |
| تقديم النموذج المضبوط | يُفوتر منفصلًا بوصفه استدلالًا | السعر نفسه للنماذج الأساسية |
اختر Together.ai لأوضح بنية شرائح منشورة ولسعر الدخول الأدنى. واختر Fireworks.ai إن كنت ستقدّم النموذج لاحقًا، إذ سياستها المعلنة هي تقديم النماذج المضبوطة بأسعار النماذج الأساسية.
⚠️Warning: ثمة رقم منقول على نطاق واسع يصف الضبط الكامل لدى Together.ai بأنه 0.54 إلى 3.20 دولار لكل مليون رمز. وهذا في الحقيقة نطاق LoRA بطريقة DPO. أما الضبط الكامل الخاضع للإشراف فيتراوح بين 1.20 و7.25 دولار في الشرائح نفسها، أي أكثر من ضعف الحد الأعلى المقتبس خطأً. ضع ميزانيتك انطلاقًا من صفحة المزوّد لا من مقال مقارنة.
ماذا حلّ بـPredibase
لم تعد Predibase منصة ضبط مستقلة بالخدمة الذاتية، وأي دليل ما زال يرسلك إليها للتسجيل فهو قديم. أعلنت Rubrik الاستحواذ في 25 يونيو 2025، ونقلته حينها TechCrunch وCNBC وأكدته غرفة أخبار Rubrik نفسها.
وحتى 28 أغسطس 2026، يعيد طلب predibase.com إعادة توجيه دائمة من نوع HTTP 301 إلى صفحة منتج Agent Cloud لدى Rubrik. ولم نتمكن من قراءة تلك الوجهة مباشرة — إذ تجيب الطلبات الآلية برمز HTTP 403 — ولذلك لا تدّعي هذه الصفحة شيئًا عمّا تقدّمه حاليًا. والقابل للتحقق هو إعادة التوجيه نفسها والاستحواذ الذي وراءها. فإن احتجت خدمة ضبط مُدارة على غرار Predibase، فاسأل Rubrik عما بقي بدل افتراض أن مسار التسجيل القديم ما زال يعمل.
💡Tip: هذا تذكير مفيد لأي مقارنة بين منصات سحابية: فالمنتج الذي كان توصية متينة قبل عام ونصف قد يكون اليوم رابطًا ميتًا. أعد التحقق من حالة المزوّد عند كل تحديث بدل ترحيل توصية من الذاكرة.
كم يكلّف ضبط نموذج بسبعة مليارات فعليًا
مهمة ضبط تعليمي واقعية أرخص في السحابة مما يتوقع معظم الناس، وشبه مجانية محليًا، ولهذا يحسم الأمرَ عادةً وقتُ الإعداد لا الحوسبة. خذ عشرة آلاف مثال بمتوسط 300 رمز لكل منها: هذه ثلاثة ملايين رمز تدريب، أي نحو تسعة ملايين رمز تُعالَج عبر ثلاث دورات. والجدول أدناه حساب مباشر على الأسعار المنشورة أعلاه.
| المسار | السعر المستخدم | تكلفة تسعة ملايين رمز |
|---|---|---|
| Together.ai بطريقة LoRA | 0.48 دولار / مليون، حتى 16 مليارًا | 4.32 دولار، فلا يسري الحد الأدنى البالغ 4 دولارات |
| Together.ai ضبط كامل | 1.20 دولار / مليون، حتى 16 مليارًا | 10.80 دولارًا |
| Fireworks.ai بطريقة LoRA | 0.50 دولار / مليون، حتى 16 مليارًا | 4.50 دولارات |
| Fireworks.ai ضبط كامل | 1.00 دولار / مليون، حتى 16 مليارًا | 9.00 دولارات |
| معالج رسومي مستأجر 24 غيغابايت | إيجار بالساعة، يتفاوت بحسب المزوّد | غالبًا أقل من ساعة حوسبة، إضافةً إلى وقت الإعداد |
| معالج رسومي تملكه أصلًا | كلفة الكهرباء الحدية فقط | صفر عمليًا لكل تشغيل |
على عتاد تملكه أصلًا، يتفوق المحلي في كل تشغيل بعد الأول. وللتشغيل العَرَضي على عتاد مستأجر، قارن الإيجار مضافًا إليه وقت الإعداد بالسعر الثابت للرمز وفق الحجم الفعلي لمجموعة بياناتك.
💡Tip: مبالغ السحابة هنا صغيرة إلى حد أن العامل الحاسم في تجربة واحدة لا يكون المال تقريبًا أبدًا. المسألة هي ما إذا كنت تفضّل إنفاق أمسية على تهيئة البيئة أم خمسة دولارات. احسب وقتك بصدق وسيتضح الجواب عادةً من تلقاء نفسه.
من ينبغي أن يستخدم ماذا
يحسم الأمرَ عددُ مرات تدريبك وامتلاكك للعتاد من عدمه، لا عدد النجوم. وأربعة أنماط تغطي معظم القرّاء.
- هاوٍ يجري تجربة واحدة ← Together.ai لتجاوز البنية التحتية كليًا، أو Unsloth على معالج رسومي مستأجر. لا تشترِ عتادًا من أجل تجربة واحدة.
- مهندس تعلّم آلة يكرّر أسبوعيًا ← Unsloth على عتاد مملوك. تتراكم الفوترة بالرموز سريعًا عند وتيرة عالية، وصار Unsloth يغطي تعدد المعالجات دون باقة مدفوعة.
- فريق يدرّب عبر عدة أجهزة ← Axolotl، لتعدد العقد والتوازي متعدد الأبعاد، ولأن عمليات التشغيل المُدارة بالإعدادات قابلة لإعادة الإنتاج والمراجعة على نحو لا تتيحه دفاتر الملاحظات.
- شركة ناشئة تنقل نموذجًا مضبوطًا إلى الإنتاج ← Fireworks.ai إن كانت اقتصاديات التقديم هي الأهم، لأن النماذج المضبوطة تُقدَّم بأسعار النماذج الأساسية؛ أو Together.ai إن كنت تفضّل بنية شرائحها الأوضح. راجع أيضًا تشغيل النماذج اللغوية المحلية في الإنتاج.
الضبط الدقيق في الاتحاد الأوروبي واليابان والصين
يرفع الضبط الدقيق بيانات تدريبك إلى الجهة التي تنفّذ المهمة. وهذا يجعل الاختيار بين المحلي والسحابي قرار حوكمة بيانات في ثلاث أسواق كبرى، لا مجرد مقارنة تكاليف.
أخطاء شائعة عند اختيار حزمة الضبط الدقيق
- 1الاعتقاد بأن تعدد المعالجات يستلزم الباقة المدفوعة من Unsloth
Why it matters: تكرر هذا كثيرًا وهو يناقض ملف التعريف الحالي للمشروع، الذي يورد دعم تعدد المعالجات إلى جانب خلفيات AMD وIntel والمعالجات المركزية وVulkan دون أي جدار دفع في المستودع المرخّص بـApache-2.0. وقد تبنّت فرق إطارًا أثقل لمجرد الحصول على تعدد معالجات كان لديها أصلًا. - 2اقتباس الضبط الكامل لدى Together.ai بأنه 0.54 إلى 3.20 دولار لكل مليون رمز
Why it matters: هذا النطاق يخص LoRA بطريقة DPO لا الضبط الكامل الخاضع للإشراف، الذي يتراوح فعليًا بين 1.20 و7.25 دولار في الشرائح نفسها. وميزانية مبنية على الصف الخطأ تقلّل تقدير ضبط كامل كبير بأكثر من النصف. - 3إرسال القرّاء إلى Predibase
Why it matters: استحوذت عليها Rubrik في يونيو 2025، وصار predibase.com يعيد التوجيه بالرمز 301. وأي دليل ما زال يصف تسجيلًا ذاتيًا لدى Predibase لم يُعد التحقق منه منذ الاستحواذ. - 4معاملة MLX-LM كمشروع مجتمعي غير رسمي
Why it matters: تصف منظمة `ml-explore` عملها بأنه «by Apple». ورفضه بوصفه نقلًا مجتمعيًا يقود إلى استبعاده بحجة مخاطر صيانة لا وجود لها. - 5الضبط الدقيق حيث كان الاسترجاع هو الجواب
Why it matters: يعلّم الضبط الدقيق التنسيق والنبرة والمهارات الضيقة. وهو وسيلة رديئة ومكلفة لإدخال حقائق متغيّرة، لأن تحديثها يعني التدريب من جديد. والحقائق مكانها خط استرجاع — راجع [الاسترجاع المحلي على مستنداتك](/ar/local-llms/local-rag-2026).
تجاوز هذا إن…
إن كانت شكواك أن النموذج لا يعرف مستندات شركتك، فالضبط الدقيق هو الأداة الخطأ، وسيكلّفك دورة تدريب كاملة لتكتشف ذلك. تلك مشكلة استرجاع. فخط استرجاع مبني جيدًا يجيب انطلاقًا من مستندات يمكنك تحديثها بعد ظهر اليوم، بينما الضبط الدقيق يخبزها داخل أوزان تحتاج إلى إعادة تدريب لتصحيحها.
يستحق الضبط الدقيق عناءه حين تحتاج تنسيق إخراج ثابتًا، أو نبرة بعينها، أو مهارة ضيقة لا ينتجها التوجيه بموثوقية. فهذه تغييرات في السلوك، والسلوك هو تحديدًا ما يُحسن التدريب تغييره. جرّب أولًا موجّه نظام منظّمًا، ثم الاسترجاع، ولا تلجأ إلى دورة تدريب إلا حين يفشل كلاهما بوضوح في الأمر المحدد الذي تحتاجه.
💡Tip: اختبار عملي: إن استطعت كتابة الإجابة الصحيحة ولصقها في الموجّه، فلديك مشكلة استرجاع أو توجيه. وإن كنت تستطيع وصف شكل الإجابة الجيدة دون مضمونها، فتلك مشكلة ضبط دقيق.
الأسئلة الشائعة
ما أفضل إطار عمل لضبط النماذج اللغوية في 2026؟
أداة Unsloth لمعظم من يدرّبون على عتادهم الخاص، لأن المكتبة برخصة Apache-2.0 مجانية وتغطي الآن إعدادات تعدد المعالجات على NVIDIA وAMD وIntel والمعالجات المركزية وVulkan فوق Windows وLinux وWSL وmacOS. أما Axolotl فخيار أفضل حين يمتد التدريب عبر عدة أجهزة، إذ يوثّق التدريب متعدد العقد والتوازي متعدد الأبعاد. وMLX-LM هي الخيار الأخف على معالجات Apple Silicon.
هل Unsloth مجاني، وهل تدعم النسخة المجانية تعدد المعالجات؟
مكتبة Unsloth مجانية برخصة Apache-2.0، ويورد ملف التعريف الخاص بها دعم تعدد المعالجات دون جدار دفع في المستودع. وتوجد باقتان مدفوعتان، Pro وEnterprise، غير أن أسعارهما غير منشورة، فأي رقم محدد مقتبس في مكان آخر ينبغي أن يُعامل على أنه غير موثق. والادعاء الشائع بأن تعدد المعالجات يستلزم باقة مدفوعة يناقض التوثيق الحالي للمشروع.
كم يكلّف الضبط الدقيق السحابي لكل مليون رمز؟
لدى Together.ai، يكلّف الضبط الخاضع للإشراف بطريقة LoRA 0.48 دولار لكل مليون رمز حتى 16 مليار معامل، و1.50 دولار بين 17 و69 مليارًا، و2.90 دولار بين 70 و100 مليار، بحد أدنى 4.00 دولارات لكل مهمة. أما الضبط الكامل الخاضع للإشراف فيكلّف 1.20 و3.75 و7.25 دولار في الشرائح نفسها. ولدى Fireworks.ai يبدأ الضبط بطريقة LoRA من 0.50 دولار لكل مليون رمز حتى 16 مليارًا ويرتفع إلى 10.00 دولارات فوق 300 مليار.
هل يمكنني استخدام MLX-LM على Windows أو Linux؟
لا. فـMLX-LM مبنية على إطار MLX من آبل وعلى الذاكرة الموحدة في Apple Silicon، ولذلك لا تُطرح كخيار على منصات أخرى. استخدم Unsloth أو Axolotl على Windows أو Linux. ولاحظ أن Unsloth صار يوفّر إصدارات macOS أيضًا، فلديك على حاسوب Mac اختيار حقيقي بين الاثنين.
ماذا حلّ بـPredibase؟
أعلنت Rubrik استحواذها على Predibase في 25 يونيو 2025. وحتى 28 أغسطس 2026، يعيد predibase.com إعادة توجيه من نوع HTTP 301 إلى صفحة Agent Cloud لدى Rubrik بدل تقديم منتج مستقل. تأكد من التوافر الحالي مع Rubrik مباشرةً قبل الاعتماد عليها في مشروع جديد.
هل لدى Together.ai أو Fireworks.ai برامج عمولة؟
لم نجد أي برنامج عمولة أو إحالة علني لأي منهما حتى أغسطس 2026، ولا تظهر أي منهما في القوائم الرئيسية. وصفحات الشركاء لديهما تصف تكاملات مؤسسية لا برامج إحالة لصنّاع المحتوى. ومنصة PromptQuorum لا تكسب شيئًا من روابط هذه الصفحة.
هل الضبط الدقيق السحابي أغلى من المحلي؟
يتوقف ذلك على وتيرة تدريبك. ففي تشغيل واحد على مجموعة بيانات صغيرة تكون رسوم السحابة بضعة دولارات، وهو عادةً أقل من قيمة أمسية تُنفَق على تهيئة البيئة. أما مع التكرار المتواتر على عتاد تملكه أصلًا، فالمحلي أرخص في كل تشغيل بعد الأول لأن التكلفة الحدية للحوسبة تقارب الصفر.
هل أحتاج تعدد المعالجات لضبط نموذج بسبعة مليارات معامل؟
عادةً لا. فبطاقة واحدة من فئة 24 غيغابايت تتعامل مع نموذج بسبعة مليارات معامل بارتياح باستخدام QLoRA. ويزداد أثر تعدد المعالجات مع النماذج الأكبر أو مع الضبط الكامل دون LoRA. راجع دليل متطلبات العتاد لتقدير حجم ذاكرة المعالج الرسومي.
الخلاصة النهائية
- استخدم Unsloth إن كنت تدرّب على عتاد تملكه وتريد أقصر طريق إلى تشغيل ناجح — الخطوة التالية: ثبّته ونفّذ ضبطًا بطريقة QLoRA قبل تقييم أي شيء أثقل.
- استخدم Axolotl إن كان تدريبك يجب أن يمتد عبر عدة أجهزة أو كنت تحتاج DPO أو ORPO أو KTO أو GRPO أو نمذجة المكافأة — الخطوة التالية: اقرأ توثيق تعدد العقد قبل الالتزام، فنظام الإعدادات هو كلفة الدخول الحقيقية.
- استخدم MLX-LM إن كنت تعمل على Apple Silicon وتريد أقصر طريق إلى MLX — الخطوة التالية: قارنه بإصدار Unsloth لنظام macOS بدل افتراض أنه خيارك الوحيد.
- استخدم Together.ai أو Fireworks.ai إن كنت تفضّل ألا تمتلك معالجًا رسوميًا — الخطوة التالية: احسب مجموعة بياناتك الفعلية مقابل الشرائح المنشورة للرموز، مستخدمًا صف الضبط الكامل لا صف LoRA بطريقة DPO إن كنت ستجري ضبطًا كاملًا.
- تجاوز الضبط الدقيق إن كان النموذج ببساطة لا يعرف مستنداتك — الخطوة التالية: ابنِ خط استرجاع بدلًا من ذلك، إذ يمكنك تصحيحه دون إعادة تدريب.