Home/Local LLMs/إنشاء نماذج ⁨LLM⁩ محلية مخصصة ⁨2026⁩: الضبط الدقيق مقابل التدريب المسبق بـ ⁨Unsloth⁩ و⁨Ollama⁩

Advanced Techniques

إنشاء نماذج ⁨LLM⁩ محلية مخصصة ⁨2026⁩: الضبط الدقيق مقابل التدريب المسبق بـ ⁨Unsloth⁩ و⁨Ollama⁩

Last updated: ١٤ يونيو ٢٠٢٦·12 دقيقة للقراءة·By Hans Kuepper · Founder of PromptQuorum, multi-model AI dispatch tool · PromptQuorum

اقرأ بـ:

🇺🇸en 🇩🇪de 🇫🇷fr 🇯🇵ja 🇨🇳zh 🇪🇸es 🇧🇷pt 🇸🇦ar 🇰🇷ko

إنشاء نماذج LLM محلية مخصصة يعني الضبط الدقيق لنموذج موجود أو التدريب المسبق من الصفر. اعتباراً من أبريل 2026، الضبط الدقيق بـ LoRA عملي على العتاد الاستهلاكي: 500 مثال، 8 GB VRAM، 1–2 ساعة، 100–500 دولار. يكلّف التدريب المسبق 50 ألف–500 ألف دولار ويتطلب أكثر من 10 مليارات رمز — مبرَّر فقط للاحتياجات المملوكة الاستثنائية. يغطي هذا الدليل النهجين: مسار الضبط الدقيق بـ 7 خطوات مع Unsloth، ومصفوفة القرار بين الضبط الدقيق والتدريب المسبق وRAG، والنشر على Ollama.

العرض التقديمي: إنشاء نماذج ⁨LLM⁩ محلية مخصصة ⁨2026⁩: الضبط الدقيق مقابل التدريب المسبق بـ ⁨Unsloth⁩ و⁨Ollama⁩

تغطي الشرائح: تحليل الضبط الدقيق مقابل التدريب المسبق، مسار 7 خطوات مع Unsloth، نشر GGUF ومقاييس الجاهزية للإنتاج. نزّلها كبطاقة مرجعية للضبط الدقيق لـ LLM مخصص.

تصفّح الشرائح أدناه أو نزّلها بصيغة PDF للرجوع إليها دون اتصال. تنزيل البطاقة المرجعية (PDF)

Key Takeaways

الضبط الدقيق (موصى به): 8 GB VRAM، 500+ مثال تدريب، 1–4 ساعات. التكلفة: 100–500 دولار.
التدريب المسبق: 8+ GPU، 100B+ رمز، أسابيع من التدريب. التكلفة: 50 ألف–500 ألف دولار.
ينبغي لمعظم المؤسسات الضبط الدقيق، لا التدريب المسبق. عوائد متناقصة للتدريب المسبق المخصص.
أفضل نهج: ابدأ بالضبط الدقيق على بيانات مجالك، ثم قيّم إن كان التدريب المسبق مبرَّراً.
اعتباراً من أبريل 2026، نادراً ما يكون التدريب المسبق مبرَّراً ما لم تحتج نموذجاً مملوكاً.

الضبط الدقيق مقابل التدريب المسبق

الجانب	الضبط الدقيق	التدريب المسبق
وقت التدريب	1–4 ساعات	أسابيع–أشهر
VRAM المطلوبة	8 GB	100+ GB (متعدد GPU)
البيانات المطلوبة	500–5k مثال	100B+ رمز
التكلفة	100–500 دولار	50 ألف–500 ألف دولار
التخصيص	معرفة المجال	نموذج مملوك
متى تستخدم	99% من الحالات	احتياجات متخصصة نادرة

الضبط الدقيق (1–4 ساعات، 100–500 دولار، 8 GB VRAM) مقابل التدريب المسبق (أسابيع–أشهر، 50 ألف–500 ألف دولار، 100+ GB): مقارنة وقت التدريب والتكلفة ومتطلبات البيانات ومتى تستخدم كل نهج.

مسار الضبط الدقيق (موصى به)

1
اجمع 500–5,000 مثال خاص بالمجال (الجودة مهمة).
2
اختر النموذج الأساسي (Llama 3.3 8B، Qwen 7B، إلخ).
3
استخدم LoRA للتدريب الفعّال (أسرع بـ 4×، الجودة نفسها).
4
درّب لمدة 3–5 epochs على GPU.
5
قيّم على مجموعة الاختبار (الدقة، الاستدعاء، مقاييس مخصصة).
6
ادمج محوّل LoRA في النموذج الأساسي.
7
انشر كنموذج إنتاج.

سير عمل الضبط الدقيق بـ 7 خطوات: جمع البيانات ← اختيار النموذج الأساسي ← التدريب بـ LoRA (3–5 epochs، 8 GB VRAM) ← التقييم ← الدمج ← التحويل إلى GGUF ← النشر على Ollama. الوقت الإجمالي: 1–4 ساعات.

LoRA مقابل الضبط الدقيق الكامل: أيهما تختار؟

يحدّث LoRA (Low-Rank Adaptation) 1–2% فقط من أوزان النموذج، مما يجعله أسرع بـ 4× ويتطلب 80–90% أقل من VRAM من الضبط الدقيق الكامل. يحدّث الضبط الدقيق الكامل جميع الأوزان ويقدّم نتائج أفضل بشكل هامشي (2–5% تحسّن في الدقة) لكنه يتطلب 64+ GB VRAM وحوسبة كبيرة.

LoRA (أسرع بـ 4×، 8 GB VRAM، دقة 95–98%) مقابل الضبط الدقيق الكامل (سرعة أساسية، 64+ GB VRAM، +2–5% مكسب): مقارنة المفاضلة بين السرعة والدقة ومتطلبات VRAM.

متطلبات VRAM حسب حجم النموذج

لا تتناسب جميع النماذج مع 8 GB VRAM للضبط الدقيق بـ LoRA. إليك ما يمكنك تشغيله:

توافق VRAM للضبط الدقيق: نماذج 3B–8B ✓ تعمل على 8 GB، 13B ✓ تعمل لكن بإحكام، 32B تتطلب 64+ GB، 70B غير عملية. يضيف LoRA ~25% حملاً إضافياً للتدريب الدفعي.

نشر نموذجك المخصص على Ollama

بعد دمج محوّل LoRA، انشر على Ollama في 3 خطوات:

1
الخطوة 1 — التصدير إلى GGUF: استخدم سكربت التحويل في llama.cpp لتحويل نموذجك المدموج من صيغة PyTorch/safetensors إلى GGUF. هذا ضروري للتوافق مع Ollama وllama.cpp. ```bash python convert_hf_to_gguf.py \ --model ./merged-model \ --outfile ./my-custom-model.gguf \ --outtype q4_k_m ```
2
الخطوة 2 — إنشاء Ollama Modelfile: عرّف مطالبة النظام والمعاملات وإعدادات الاستدلال لنموذجك. ``` FROM ./my-custom-model.gguf SYSTEM "You are a [your domain] expert..." PARAMETER temperature 0.4 PARAMETER num_ctx 4096 ```
3
الخطوة 3 — التسجيل والتشغيل: حمّل نموذجك في Ollama للوصول المحلي أو عبر API. ```bash ollama create my-custom-model -f Modelfile ollama run my-custom-model ``` أصبح نموذجك المضبوط دقيقاً الآن متاحاً عبر API المتوافق مع OpenAI في Ollama على localhost:11434 — مطابق لأي نموذج Ollama قياسي. استخدمه مع Continue.dev أو Open WebUI أو تطبيقك الخاص عبر SDK من OpenAI لـ Python/Node.js.

التدريب المسبق: متى ولماذا

يعني التدريب المسبق التعلّم من بيانات خام (كتب، مستندات، كود). مبرَّر فقط إن:

1. كان لديك أكثر من 10 مليارات رمز من بيانات فريدة وقيّمة.

2. فشلت النماذج المدرَّبة مسبقاً باستمرار في مجالك.

3. كانت الميزانية أكبر من 50 ألف دولار (تكلفة واقعية).

4. كنت تحتاج نموذجاً مملوكاً (ميزة تنافسية).

مثال: شركة جينوميات بـ 500 GB من بيانات بحث خاصة قد تبرّر التدريب المسبق المخصص.

مصفوفة القرار: أي نهج تستخدم؟

توجد ثلاثة نُهُج رئيسية للنماذج المخصصة. اختر حسب بياناتك وميزانيتك ومواعيدك:

مصفوفة القرار: استخدم RAG إن لم تملك بيانات تدريب (0 دولار)، الضبط الدقيق إن ملكت 500+ مثال (100–500 دولار، 1–4 ساعات)، أو التدريب المسبق إن ملكت 100B+ رمز (50 ألف–500 ألف دولار، أسابيع–أشهر).

استراتيجيات تكييف المجال

دون إجراء تدريب مسبق كامل، حسّن أداء النموذج في مجالك:

التدريب المسبق المستمر: خذ النموذج الأساسي، درّب على بيانات مجالك (10B+ رمز). أرخص من التدريب المسبق الكامل.
الضبط الدقيق بـ LoRA: الأكثر عملية. اضبط بـ 500+ مثال.
هندسة المطالبات: صمّم مطالبات جيدة. مجانية، لكن محدودة.
RAG: استرجع المستندات، وفّر السياق. تعمل دون إعادة تدريب.
التجميع: ادمج نماذج متعددة.

مقاييس التقييم

قِس جودة النموذج:

مقاييس خاصة بالمهمة: الدقة، درجة F1، BLEU (لتوليد النص).
اختبارات المعايير: شغّل على معايير قياسية (MMLU، HumanEval).
التقييم البشري: تسجيل يدوي (يستهلك وقتاً لكنه دقيق).
مقاييس العمل: هل يحسّن النموذج نتائج العمل الحقيقية؟

الأخطاء الشائعة

التدريب المسبق دون بيانات كافية. أقل من 10B رمز حوسبة مهدورة. اضبط دقيقاً بدلاً من ذلك.
عدم التقييم بشكل صحيح. خسارة التدريب وحدها مضلّلة. اختبر ببيانات غير مرئية.
توقّع أن يضاهي النموذج المخصص GPT-4. الفجوة بين النماذج المفتوحة ونماذج الحدود كبيرة.
تجاهل تكاليف الاستدلال. نماذج مخصصة أكبر = تكاليف استدلال أعلى. وازن المفاضلة.
تخطّي خطوة التحويل إلى GGUF. بعد الضبط الدقيق بـ Unsloth أو HuggingFace، يكون نموذجك بصيغة PyTorch/safetensors. يتطلب Ollama وllama.cpp صيغة GGUF. استخدم `convert_hf_to_gguf.py` من llama.cpp للتحويل. دون هذه الخطوة، لا يمكن تشغيل نموذجك المضبوط دقيقاً على Ollama أو LM Studio أو أي محرك استدلال قائم على GGUF. كمّم دائماً أثناء التحويل (يُوصى بـ Q4_K_M) لتقليل حجم الملف بـ 3–4×.

الأسئلة الشائعة

هل يمكن للضبط الدقيق مضاهاة جودة نموذج مدرَّب مسبقاً؟

يمكن للنماذج المضبوطة دقيقاً تجاوز أداء النموذج الأساسي في مجالك المحدد، لكنها لن تبلغ اتساع معرفة نموذج مدرَّب مسبقاً أكبر. Llama 3.3 8B المضبوط دقيقاً على مستندات قانونية سيتفوق على Llama 3.3 70B في المهام القانونية، لكن أداؤه سيكون أسوأ في المعرفة العامة. اضبط دقيقاً عندما تكون الدقة الخاصة بالمجال أهم من الاتساع.

كم بياناً أحتاج للضبط الدقيق بفعالية؟

الحد الأدنى 500–1,000 مثال لنموذج قابل للاستخدام؛ 5,000+ لجودة الإنتاج. جودة البيانات أهم من الكمية — 1,000 مثال عالي الجودة يتفوق على 50,000 منخفض الجودة. استخدم LoRA لمجموعات البيانات الصغيرة (500–2,000 مثال) والضبط الدقيق الكامل فقط مع 10,000+ مثال.

ما الفرق بين LoRA والضبط الدقيق الكامل؟

يحدّث LoRA (Low-Rank Adaptation) جزءاً صغيراً فقط من الأوزان (~1–2% من حجم النموذج)، مما يجعله أسرع بـ 4× ويتطلب 80–90% أقل من VRAM. يحدّث الضبط الدقيق الكامل جميع الأوزان ويعطي نتائج أفضل بشكل هامشي (~2–5% تحسّن في الدقة) لكنه يتطلب حوسبة كبيرة. استخدم LoRA لمعظم المشاريع؛ الضبط الدقيق الكامل فقط عندما تملك الميزانية.

متى ينبغي أن أفكر في التدريب المسبق بدلاً من الضبط الدقيق؟

فقط إن: (1) كان لديك أكثر من 10 مليارات رمز من بيانات فريدة، (2) فشل الضبط الدقيق باستمرار في بلوغ هدف دقتك، (3) كانت الميزانية أكبر من 50,000 دولار، و(4) كنت تحتاج نموذجاً مملوكاً لميزة تنافسية. لـ 99% من المؤسسات، الضبط الدقيق هو الخيار الصحيح.

كيف أقيّم إن كان نموذجي المخصص جاهزاً للإنتاج؟

اختبر على 3 أبعاد: (1) مقاييس خاصة بالمهمة (الدقة، F1، BLEU)، (2) مقارنة بالمعايير (شغّل على MMLU أو HumanEval للمقارنة بالنموذج الأساسي)، (3) مقاييس العمل (هل يحسّن النتائج الحقيقية؟). إن تفوّق نموذجك المضبوط دقيقاً على النموذج الأساسي بنسبة 5–10% في مهمتك، فهو جاهز للإنتاج.

هل يمكنني دمج الضبط الدقيق مع هندسة المطالبات لنتائج أفضل؟

نعم — هذه أفضل ممارسة. يتعامل الضبط الدقيق مع التغييرات البنيوية (لغة المجال، التنسيق)؛ تتعامل هندسة المطالبات مع حالات استخدام محددة. نموذج قانوني مضبوط دقيقاً + هندسة مطالبات جيدة سيتفوق على كلٍ منهما منفرداً. ابدأ بتحسين المطالبات (مجاني)، ثم اضبط دقيقاً إن لزم.

أي إطار ينبغي أن أستخدم للضبط الدقيق؟

Unsloth (حتى 2× أسرع)، Axolotl (مرن)، وHugging Face Transformers (رسمي، الأكثر توثيقاً) هي الخيارات الرئيسية. يُوصى بـ Unsloth للسرعة؛ Axolotl لتكوينات متعددة GPU. كلها تدعم LoRA وتعمل مع Ollama للنشر.

كيف أعرف إن كان التدريب المسبق يستحق التكلفة؟

أجرِ هذا الحساب: (1) قدّر فجوة الجودة بين الضبط الدقيق والتدريب المسبق في مهمتك (مثلاً يبلغ الضبط الدقيق 85%، قد يبلغ التدريب المسبق 92%). (2) كمّ قيمة العمل لكل نقطة دقة (مثلاً +1% دقة = 10 آلاف دولار إيراد). (3) إن كانت (50 ألف دولار تكلفة التدريب المسبق) < (قيمة تحسّن 7%)، فأجرِ التدريب المسبق. وإلا، اضبط دقيقاً.

اعتبارات إقليمية للنماذج المخصصة

تطرح النماذج المخصصة آثاراً على خصوصية البيانات والامتثال التنظيمي تختلف حسب المنطقة. قبل نشر نموذج مضبوط دقيقاً أو مدرَّب مسبقاً، افهم متطلبات الامتثال في منطقتك:

أوروبا (GDPR): يتطلب الضبط الدقيق ببيانات شخصية موافقة أصحاب البيانات واتفاقيات معالجة موثقة. تقترح المادة 5 من GDPR (تقليل البيانات) الضبط الدقيق ببيانات مجهولة الهوية أو اصطناعية كلما أمكن. قد تتطلب النماذج المدرَّبة مسبقاً على بيانات خارج الاتحاد الأوروبي حوكمة إضافية قبل النشر في مناطق الاتحاد.
المكسيك (LFPDPPP): يقتضي القانون الفيدرالي لحماية البيانات الشخصية بحوزة الأطراف الخاصة موافقة صريحة للتدريب ببيانات شخصية. للنماذج في قطاعي الصحة والمال، يُوصى ببنى تحتية محلية وتوثيق غرض المعالجة.
الأرجنتين (القانون 25.326) وكولومبيا (القانون 1581): يرسي كلا تشريعي حماية البيانات مبادئ الغرض والجودة والأمن. يتطلب الضبط الدقيق ببيانات المواطنين أسساً قانونية واضحة وتسجيلاً لدى السلطة المختصة. يُوصى بالضبط الدقيق داخل المنشأة للنماذج التي تعالج بيانات حساسة.
الولايات المتحدة: لا تنظيم فيدرالي لـ LLM (اعتباراً من أبريل 2026). تختلف القواعد على مستوى الولايات؛ تركّز قوانين كاليفورنيا على شفافية الخوارزميات. للنماذج المالية أو الصحية، قد تفرض الجهات التنظيمية (SEC، FDA، CMS) متطلبات توثيق. فكّر في تدقيق التغييرات على النموذج.

المصادر

Chinchilla Scaling Laws -- التخصيص الأمثل للحوسبة للتدريب والاستدلال.
Instruction Tuning Survey -- مراجعة شاملة لنُهُج الضبط الدقيق.
LoRA: Low-Rank Adaptation -- طريقة ضبط دقيق فعّالة.
Hugging Face Fine-Tuning Guide -- الوثائق الرسمية للضبط الدقيق.

A Note on Third-Party Facts

This article references third-party AI models, benchmarks, prices, and licenses. The AI landscape changes rapidly. Benchmark scores, license terms, model names, and API prices can shift between the time of writing and the time you read this. Before making deployment or compliance decisions based on this article, verify current figures on each provider’s official source: Hugging Face model cards for licenses and benchmarks, provider websites for API pricing, and EUR-Lex for current GDPR and EU AI Act text. This article reflects publicly available information as of May 2026.

Run PromptQuorum with a local LLM, your own API keys, or both — you pick the backend.

Join the PromptQuorum Waitlist →

← Back to Local LLMs