حقائق سريعة
- 1النطاق المعتاد للأمثلة القليلة: من 2 إلى 10 أمثلة، والمكاسب تستوي عادةً بعد نحو 8
- 2الأصل: Brown وآخرون (2020)، "Language Models are Few-Shot Learners" — ورقة GPT-3 بـ175 مليار وسيط
- 3المكسب المُعلن في GPT-3: 64.3% صفري ← 71.2% بأمثلة قليلة على TriviaQA
- 4تكلفة الرموز: 5 أمثلة بنحو 120 رمزًا لكل مثال تضيف قرابة 600 رمز إدخال إلى كل طلب
- 5التخزين المؤقت للموجّه: كتلة أمثلة ثابتة قد تخفض تكلفة الإدخال المتكرر بنسبة تصل إلى 90% عبر prompt caching في Claude
- 6عتبة الاعتماد: اعتمد الأمثلة القليلة حين تضيف 10 نقاط مئوية أو أكثر على 50 حالة اختبار
ما هو التوجيه الصفري
📍 In One Sentence
التوجيه الصفري يقدّم تعليمة المهمة دون أي عروض توضيحية في السياق، معتمدًا كليًا على التدريب المسبق وضبط التعليمات في النموذج.
💬 In Plain Terms
التوجيه الصفري أن تخبر أحدهم بما يفعل وتثق أنه يعرف كيف. لا أمثلة محلولة، مجرد تعليمة.
التوجيه الصفري يطلب من النموذج إنجاز المهمة اعتمادًا على تعليمة واضحة فقط، دون أي أمثلة داخل الموجّه. يستند النموذج إلى معرفته العامة وقدرته على اتّباع التعليمات المكتسبة أثناء التدريب المسبق والمواءمة.
إعداد التوجيه الصفري سريع لأنك لست مضطرًا لتصميم أزواج أمثلة أو صيانتها. وهو يعمل جيدًا في المهام الواسعة مثل الأسئلة العامة والتصنيف البسيط والتلخيص والترجمة المباشرة، حيث تكفي التعليمة وحدها غالبًا.
ما هو التوجيه بأمثلة قليلة
📍 In One Sentence
التوجيه بأمثلة قليلة يضع قبل التعليمة مجموعة صغيرة من عروض المدخلات والمخرجات كي يستنتج النموذج النمط في السياق، دون أي تحديث للأوزان.
💬 In Plain Terms
التوجيه بأمثلة قليلة أن تعرض ثلاثة نماذج مكتملة قبل أن تطلب الرابع. والنموذج ينسخ النمط الذي يراه.
التوجيه بأمثلة قليلة يضيف إلى التعليمة عددًا صغيرًا من أزواج المدخلات والمخرجات كي يستنتج النموذج نمط المهمة من عروض ملموسة. عمليًا يعني ذلك ما بين مثالين وعشرة أمثلة.
تعمل هذه الأمثلة كمجموعة تدريب مصغّرة داخل الموجّه، وتوجّه طريقة تفسير النموذج للمهام الملتبسة أو الصيغ المتخصصة أو لغة المجال. وهي مفيدة بوجه خاص حين تحتاج إلى أسلوب أو مخطط أو سلوك دقيق لا تلتقطه التعليمات العامة.
لا يجري أي تدريب هنا. تعيش الأمثلة داخل نافذة السياق طوال استدعاء واحد ثم تُهمَل، ولهذا تسمّى التقنية تعلّمًا في السياق لا ضبطًا دقيقًا (fine-tuning).
الفروق الجوهرية: صفري مقابل أمثلة قليلة
يختلف الأسلوبان أساسًا في جهد الإعداد، والدقة في المهام المحددة، وقابلية التوسّع عبر حالات استخدام متعددة. كلاهما يعتمد النموذج نفسه، لكنهما يقايضان جهد تصميم الأمثلة بمواءمة أفضل للمهمة.
البُعد | التوجيه الصفري | التوجيه بأمثلة قليلة |
|---|---|---|
| الأمثلة داخل الموجّه | لا شيء | من 2 إلى 10+ أمثلة ممثِّلة |
| سرعة الإعداد | سريعة جدًا؛ بلا انتقاء أمثلة | أبطأ؛ يجب اختيار الأمثلة وصيانتها |
| متطلبات البيانات | لا حاجة لأمثلة موسومة | يتطلب بضعة أمثلة موسومة على الأقل |
| الدقة في المهام الضيقة | أدنى أو أعمّ في الغالب | أعلى وأكثر اتساقًا عادةً في مجالات محددة |
| التحكم في صيغة المخرجات | يعتمد على دقة وصفك للصيغة | قوي؛ الأمثلة نفسها هي مواصفة الصيغة |
| رموز الإدخال لكل استدعاء | التعليمة فقط | التعليمة وكل مثال، في كل استدعاء |
| التوسّع عبر المهام | قابل للتوسّع بسهولة، وإضافة المهام يسيرة | أقل قابلية للتوسّع؛ قد تحتاج كل مهمة أمثلتها |
متى تستخدم التوجيه الصفري
استخدم التوجيه الصفري حين تحتاج إلى السرعة، ولا تملك أمثلة موسومة، وتكون المهمة عامة إلى حد معقول. هذا النمط مناسب كمحاولة أولى أو كخط أساس.
سيناريوهات نموذجية للتوجيه الصفري:
- الأسئلة العامة والتلخيصات البسيطة وتصنيف المشاعر الأساسي.
- التجريب السريع بينما لا تزال تستكشف شكل المهمة.
- مجالات أو لغات جديدة تفتقر فيها إلى أمثلة منتقاة.
- خطوط معالجة عالية الحجم وحسّاسة للتكلفة، حيث يتضاعف كل رمز إدخال إضافي عبر ملايين الاستدعاءات.
متى تستخدم التوجيه بأمثلة قليلة
استخدم التوجيه بأمثلة قليلة حين تكون المهمة متخصصة أو حسّاسة للصيغة أو عالية المخاطر، وتستطيع تقديم أمثلة جيدة. في هذه الحالات ترفع الأمثلة الموثوقية كثيرًا مقارنة بالتعليمات وحدها.
سيناريوهات شائعة:
- التصنيف أو الاستخراج في مجال محدد (قانوني، طبي، مالي) حيث تهمّ دقة التسميات والصياغة.
- المهام ذات المخططات الصارمة، مثل استخراج JSON منظَّم من نص فوضوي.
- المهام متعددة اللغات أو التوطين، حيث تعالج بضعة أمثلة لكل لغة التعابير والأسلوب.
- أسلوب المؤسسة ونبرتها، حيث عرض "اكتب هكذا" أسهل من وصفه.
- النماذج الأصغر أو المشغّلة محليًا، التي كثيرًا ما تنحرف عن الصيغة بالتعليمات وحدها.
مثال: موجّه صفري مقابل موجّه بأمثلة قليلة
يتضح الفارق العملي بين الأسلوبين عند مقارنة موجّهين للمهمة نفسها. هنا نصنّف تذاكر الدعم حسب القصد.
موجّه سيئ – غير منظّم
"انظر إلى تذكرة الدعم هذه وأخبرني عمّا تدور."
موجّه صفري
"صنّف تذكرة الدعم التالية ضمن إحدى هذه الفئات: `billing_issue` أو `login_problem` أو `feature_request` أو `bug_report` أو `other`. التذكرة: "حاولت إعادة تعيين كلمة المرور ثلاث مرات اليوم والرابط يقول دائمًا إنه منتهي الصلاحية." أخرج اسم الفئة فقط."
موجّه بأمثلة قليلة
"صنّف كل تذكرة دعم ضمن إحدى هذه الفئات: `billing_issue` أو `login_problem` أو `feature_request` أو `bug_report` أو `other`. أخرج اسم الفئة فقط. مثال 1: التذكرة: "خصمتم مني مرتين هذا الشهر مقابل الاشتراك نفسه." التسمية: `billing_issue` مثال 2: التذكرة: "كلما ضغطت على 'تصدير التقرير' لا يحدث شيء، حتى بعد تحديث الصفحة." التسمية: `bug_report` مثال 3: التذكرة: "هل يمكنكم إضافة تصدير التقارير مباشرة إلى Google Sheets؟" التسمية: `feature_request` والآن صنّف هذه التذكرة: "حاولت إعادة تعيين كلمة المرور ثلاث مرات اليوم والرابط يقول دائمًا إنه منتهي الصلاحية."
النسخة المدعومة بالأمثلة تُظهر النمط صراحةً، وهو ما يحسّن عادةً جودة التصنيف في التذاكر الملتبسة أو المشوّشة.
جودة الأمثلة هي الفيصل في أداء التوجيه بأمثلة قليلة
ثلاثة أمثلة مختارة بعناية تتفوّق باستمرار على عشرة شبه متطابقة، لأن النموذج يتعلّم حدود المهمة من التنوّع الذي تعرضه لا من الكمّ. معظم النتائج المخيّبة تعود إلى اختيار الأمثلة لا إلى عددها.
- 1غطِّ المدى كاملًا لا الحالات السهلة فقط. أدرج التذكرة الملتبسة والقصيرة جدًا ورديئة الصياغة؛ فهذه بالضبط هي المدخلات التي تفشل في الإنتاج.
- 2وازن التسميات. إذا كانت أربعة من خمسة أمثلة `bug_report` فسيفرط النموذج في التنبؤ بها. امنح كل فئة تمثيلًا متقاربًا.
- 3اخلط الترتيب. تمنح النماذج الأمثلة المتأخرة وزنًا أكبر، فتجنّب تجميع التسميات المتطابقة في نهاية الكتلة.
- 4حافظ على صيغة متطابقة تمامًا في كل مثال. المسافات وعلامات الاقتباس وترتيب المفاتيح غير المتسق يعلّم النموذج أن الصيغة قابلة للتفاوض.
- 5استمدّ الأمثلة من مدخلات إنتاج حقيقية. الأمثلة النظيفة المكتوبة يدويًا تعلّم النموذج توقّع مدخلات نظيفة لن تصله أبدًا.
- 6لا تضع بيانات عملاء حقيقية داخل قالب موجّه أبدًا. أخفِ الهوية أو استخدم بيانات اصطناعية؛ فكتل الأمثلة تُخزَّن ويُدار إصدارها وتُشارَك تمامًا كالشيفرة.
التوجيه بأمثلة قليلة يكلّف رموزًا في كل استدعاء
الأمثلة ليست تكلفة إعداد لمرة واحدة، بل تُرسَل كرموز إدخال مع كل طلب على حدة. خمسة أمثلة بنحو 120 رمزًا لكل مثال تضيف قرابة 600 رمز إدخال لكل استدعاء: أمر لا يُذكر في الاختبار، وملموس عند مليون استدعاء شهريًا.
وهذا هو السبب العملي لقياس خط الأساس الصفري أولًا. فإذا كان الصفري يبلغ عتبة الدقة لديك، فلن تشتري الأمثلة شيئًا وستظل تُحاسَب عليها بلا نهاية.
🔍 خزّن كتلة الأمثلة مؤقتًا
كتلة أمثلة لا تتغيّر بين الاستدعاءات هي مرشّح مثالي للتخزين المؤقت للموجّه. تمنح Anthropic وOpenAI وGoogle خصمًا كبيرًا على الإدخال المخزَّن مؤقتًا — يصل إلى 90% في prompt caching لدى Claude — وهو ما يزيل معظم حجة التكلفة ضد الأمثلة في خطوط المعالجة عالية الحجم.
نماذج الاستدلال قلّصت فارق التوجيه الصفري
ضبط التعليمات القوي أغلق جزءًا كبيرًا من فارق الدقة الذي كانت الأمثلة القليلة تشتريه في النماذج المتقدمة. على Claude Opus 5 وGPT-5.6 وGemini 3.1 Pro، صارت التعليمة الصفرية المصاغة بدقّة تضاهي الأمثلة القليلة في كثير من المهام العامة — لكن هذا التقارب لا يسري على مشهد النماذج كله.
ما تزال الأمثلة تستحق رموزها في الصيغة والمفردات: مجموعات التسميات الخاصة، والمخططات الداخلية، ونبرة المؤسسة، والحالات الحدّية التي لم يصادفها النموذج في التدريب المسبق. وفي النماذج الأصغر أو المستضافة محليًا تظل الأمثلة أقوى رافعة دقة متاحة دون ضبط دقيق.
فئة النموذج | جودة التوجيه الصفري | هل تفيد الأمثلة القليلة؟ |
|---|---|---|
| استدلال متقدم (Claude Opus 5، GPT-5.6، Gemini 3.1 Pro) | عالية في المهام العامة | أساسًا لصيغة المخرجات وأسلوب المؤسسة والتسميات الخاصة |
| متقدم بلا استدلال (Claude Sonnet 5، Gemini 3.7 Flash) | جيدة | نعم — في المجالات الضيقة والمخططات الصارمة |
| نماذج صغيرة مستضافة (Claude Haiku 4.5، Gemini 3.5 Flash-Lite) | متفاوتة في المهام المتخصصة | نعم — عادةً أكبر مكسب دقة منفرد |
| نماذج محلية مفتوحة الأوزان 7–30B (Qwen3 8B، Llama 4 Scout، Gemma 4) | متغيّرة؛ الانحراف عن الصيغة شائع | نعم — غالبًا الفارق بين مخرجات صالحة وأخرى غير صالحة |
أخطاء شائعة
معظم إخفاقات التوجيه بأمثلة قليلة إخفاقات في المنهج لا في النموذج. هذه الخمسة تفسّر أغلب الحالات التي أدّت فيها إضافة الأمثلة إلى تدهور المخرجات بدل تحسينها.
❌ إضافة الأمثلة قبل قياس خط الأساس الصفري
Why it hurts: تدفع رموز إدخال إلى الأبد دون أن تعرف إن كانت الأمثلة قد أفادت أصلًا.
Fix: شغّل 50 حالة اختبار بالتوجيه الصفري وسجّل الدقة، ثم أضف الأمثلة وأعد القياس.
❌ كل الأمثلة تحمل التسمية نفسها
Why it hurts: يقرأ النموذج هذا الاختلال كاحتمال مسبق ويفرط في التنبؤ بتلك الفئة على المدخلات الحقيقية.
Fix: وازن الفئات عبر الأمثلة واخلطها كي لا تتجاور التسميات المتطابقة.
❌ أمثلة تناقض التعليمة المكتوبة
Why it hurts: عند اختلاف التعليمة عن العرض التوضيحي يتّبع النموذج العرض عادةً، وبصمت.
Fix: أعد قراءة التعليمة أمام كل مثال بعد أي تعديل، وتعامل مع الأمثلة بوصفها المواصفة.
❌ أمثلة أطول أو أنظف بكثير من المدخلات الحقيقية
Why it hurts: يتعلّم النموذج توقّع نص مرتّب فيتراجع أداؤه أمام النص الفوضوي الذي يصله فعلًا.
Fix: اختر عيّنات الأمثلة من حركة الإنتاج الحقيقية، بما فيها الحالات الرديئة.
❌ ترك بيانات عملاء حقيقية داخل كتلة الأمثلة
Why it hurts: قوالب الموجّهات تُدار إصداراتها وتُشارَك وتُسجَّل، فتتحوّل البيانات الشخصية داخلها إلى مخاطرة امتثال أمام أنظمة حماية البيانات الخليجية (PDPL).
Fix: أخفِ هوية كل مثال أو استبدله ببيانات اصطناعية قبل دخوله إلى قالب مخزَّن.
كيف يساعدك PromptQuorum على الاختيار
PromptQuorum أداة توزيع ذكاء اصطناعي متعددة النماذج تتيح لك اختبار الموجّهات الصفرية والمدعومة بالأمثلة عبر عدة مزوّدين في مكان واحد. يمكنك إرسال الموجّه ذاته بتعليمة فقط والموجّه ذاته مع أمثلة إلى نماذج مثل GPT-5.6 وClaude Opus 5 وGemini 3.1 Pro جنبًا إلى جنب.
داخل PromptQuorum يمكنك:
- البدء بموجّهات صفرية عبر أطر مثل Single Step أو RTF أو CO-STAR للحصول على خطوط أساس سريعة.
- الانتقال إلى موجّهات بأمثلة قليلة بتضمين أمثلة ممثِّلة داخل أطر مثل SPECS أو دليل Google للتوجيه حين تحتاج إلى تحكّم أدق.
- حفظ النسختين كقوالب ثم مقارنة الدقة وزمن الاستجابة وتكلفة الرموز عبر النماذج مع مرور الوقت.
كيف تختار بين التوجيه الصفري والتوجيه بأمثلة قليلة
- 1في المهام الروتينية المباشرة ابدأ بالتوجيه الصفري (بلا أمثلة). مثال: "صنّف هذه المراجعة إيجابية أم سلبية." فإذا كانت الدقة كافية، فالصفري أسرع وأرخص.
- 2حين يكون أداء الصفري ضعيفًا (أقل من 80% دقة أو جودة) أضف من 2 إلى 5 أمثلة. اعرض على النموذج 2–3 مراجعات إيجابية و2–3 سلبية بتسمياتها الصحيحة؛ فالأمثلة تعلّم بالعرض.
- 3في المهام ذات الفروق الدقيقة أو الأنماط النادرة استخدم من 5 إلى 10 أمثلة. فإذا تطلّبت المهمة كشف السخرية أو التحيّز الضار أو دقائق المجال، فالمزيد من الأمثلة يفيد.
- 4اختر أمثلة تغطي مدى المدخلات المتوقّعة. إذا كنت تصنّف مراجعات المنتجات فأدرج المتحمّسة والفاترة والسلبية، ولا تعرض الحالات السهلة وحدها.
- 5قِس فائدة الأمثلة على مجموعة اختبار قبل اعتمادها في الإنتاج. شغّل الموجّه نفسه بصفر أمثلة ثم بخمسة على 50 حالة. فإذا أضافت 10 نقاط مئوية أو أكثر فاعتمدها، وإذا كان المكسب أقل من 5% فابقَ على الصفري.
- 6بعد اعتماد الأمثلة في الإنتاج، خزّن كتلتها مؤقتًا وراجعها كل ربع سنة. الأمثلة القديمة تُرسّخ بصمت فئات وصيغًا لم يعد منتجك يستخدمها.
الأسئلة الشائعة
كم مثالًا يُعدّ "أمثلة قليلة"؟
من مثالين إلى نحو عشرة. المثال الواحد يسمّى one-shot. تستوي المكاسب عادةً بعد ثمانية أمثلة تقريبًا، وبعدها تدفع رموز إدخال مقابل عائد متناقص. وإذا احتجت عشرات الأمثلة لبلوغ هدف الدقة، فالضبط الدقيق (fine-tuning) هو الأداة الأنسب غالبًا.
هل التوجيه بأمثلة قليلة هو نفسه الضبط الدقيق؟
لا. التوجيه بأمثلة قليلة تعلّم في السياق؛ الأمثلة تبقى داخل الموجّه لاستدعاء واحد ولا تغيّر شيئًا في النموذج. أما الضبط الدقيق فيحدّث الأوزان ويستمر أثره عبر كل الاستدعاءات. الأول يكلّف رموز إدخال لكل طلب، والثاني يكلّف جولة تدريب ونموذجًا مخصصًا لاستضافته.
هل ما زالت الأمثلة القليلة تفيد مع نماذج الاستدلال؟
أقل من السابق بالنسبة للدقة المجرّدة، وأكثر مما تتوقّع بالنسبة للصيغة. على Claude Opus 5 وGPT-5.6 وGemini 3.1 Pro تضاهي التعليمة الصفرية الدقيقة الأمثلة القليلة في كثير من المهام العامة. لكن حين تحتاج إلى مخطط JSON محدد أو مفردات تسميات خاصة أو نبرة مؤسسية بعينها، تبقى الأمثلة أوثق طريق للوصول إليها.
لماذا ساءت مخرجاتي بعد إضافة الأمثلة؟
غالبًا بسبب اختلال التسميات أو التناقض أو انحراف الصيغة. فإذا اشترك معظم الأمثلة في تسمية واحدة أفرط النموذج في التنبؤ بها، وإذا ناقض مثال تعليمتك المكتوبة مال النموذج إلى اتّباع المثال، وإذا كانت الأمثلة أنظف من المدخلات الحقيقية تراجع أداؤه أمام النص الفوضوي الذي يصله فعلًا.
هل يهمّ ترتيب الأمثلة؟
نعم. تمنح النماذج الأمثلة المتأخرة وزنًا أكبر، فكتلة تنتهي بثلاث تسميات متطابقة تحرف التنبؤ نحو تلك التسمية. اخلط الفئات وأعد الاختبار بعد أي إعادة ترتيب؛ فأثر الترتيب قد يحرّك الدقة عدة نقاط.
كيف أبقي الموجّهات المدعومة بالأمثلة معقولة التكلفة على نطاق واسع؟
استخدم التخزين المؤقت للموجّه. كتلة الأمثلة الثابتة متطابقة في كل استدعاء، وهو ما يجعلها هدفًا مثاليًا للتخزين المؤقت؛ إذ تحاسب Anthropic وOpenAI وGoogle الإدخال المخزَّن بخصم كبير يصل إلى نحو 90% في prompt caching لدى Claude. ضع الأمثلة في مقدمة الموجّه كي تبقى البادئة المخزَّنة ثابتة.
هل يمكن الجمع بين الأمثلة القليلة وتوجيه سلسلة التفكير؟
نعم، وهو من أقوى التركيبات المتاحة. يعني ذلك أن تُظهر أمثلتك خطوات الاستدلال لا الإجابة النهائية فقط. يكلّف ذلك رموز مخرجات أكثر من كل تقنية على حدة، لكنه في المهام متعددة الخطوات أوثق عادةً من عبارة "فكّر خطوة بخطوة" في سياق صفري.
المصادر وقراءات إضافية
- Brown, T., Mann, B., Ryder, N., et al. (2020). "Language Models are Few-Shot Learners." NeurIPS 2020. arXiv:2005.14165 — الورقة التي قدّمت الأنماط الصفري والواحد والقليل بوصفها أنظمة توجيه.
- Zhao, Z., Wallace, E., Feng, S., Klein, D., & Singh, S. (2021). "Calibrate Before Use: Improving Few-Shot Performance of Language Models." ICML 2021. arXiv:2102.09690 — عن انحياز التسمية الغالبة وانحياز الحداثة في ترتيب الأمثلة.
- Lu, Y., Bartolo, M., Moore, A., Riedel, S., & Stenetorp, P. (2022). "Fantastically Ordered Prompts and Where to Find Them." ACL 2022. arXiv:2104.08786 — عن حساسية دقة الأمثلة القليلة لترتيبها.
- Min, S., Lyu, X., Holtzman, A., et al. (2022). "Rethinking the Role of Demonstrations." EMNLP 2022. arXiv:2202.12837 — أدلة على أن صيغة الأمثلة وتوزيع مدخلاتها أهم من صحة تسمياتها.
- Anthropic. "Prompt caching." وثائق منصّة Claude — تسعير الإدخال المخزَّن مؤقتًا للبادئات الثابتة مثل كتل الأمثلة.