Fine Tuning LLMs شرح ببساطة (مع مخططات وكود حقيقي)
Fine Tuning LLMs : الأساسيات في مقال واحد — كود حقيقي، مخططات وخطوات ملموسة، مقتطفات من دورة مكونة من 37 درسًا.
دليل مباشر وموجز: Fine Tuning LLMs مفكك بالرسوم البيانية والأمثلة العملية والأوامر المختبرة. كل المحتوى مستمد من دورة منظمة تضم 11 فصلاً — وإليكم أفضل ما فيها.
- المقدمة والتثبيت
- أساسيات نماذج اللغة الكبيرة
- إعداد البيانات
- الضبط الدقيق الكامل
- LoRA و QLoRA PEFT
Ollama والتكامل المحلي
الأهداف التعليمية
- تثبيت Ollama وتشغيل نموذج جاهز مسبقًا
- استيراد نموذج GGUF المخصص عبر Modelfile
- استخدام واجهة REST API الخاصة بـ Ollama من أي لغة برمجة
- دمج Ollama في تطبيق Python / Node / Rust
- تحسين الأداء حسب العتاد (CPU، M2، RTX)
تثبيت Ollama
تشغيل نموذج موجود
API الأصلية
| العتاد | النموذج | الرموز/ثانية |
|---|---|---|
| M2 16 GB | Mistral 7B Q4_K_M | 40 |
| M3 Max 64 GB | Mistral 7B Q4_K_M | 80 |
| M3 Max 64 GB | Llama 3 70B Q4_K_M | 10 |
| RTX 4090 24 GB | Mistral 7B Q4_K_M | 100+ |
| RTX 3060 12 GB | Mistral 7B Q4_K_M | 35 |
حالات استخدام Ollama في الإنتاج
إثبات مفهوم داخلي
تعريف الفرق التشغيلية بالنموذج دون بنية تحتية سحابية.
تطبيق سطح المكتب
مدمج في تطبيقات Tauri / Electron / Swift للتحليل المحلي.
الحافة / المحلي
بيانات حساسة يجب ألا تغادر الشبكة الداخلية.
قيود Ollama
رفع نموذجك إلى ollama.com
يمكنك مشاركة نموذجك المخصص على سجل Ollama العام:
تنسيقات Alpaca و ChatML و ShareGPT و JSONL
الأهداف التعليمية
- تحديد التنسيقات الأربعة الأكثر استخدامًا في 2026
- تحويل مجموعة بيانات بين Alpaca و ChatML و ShareGPT
- تطبيق قالب الدردشة الصحيح حسب النموذج المستهدف
- حفظ مجموعة البيانات بتنسيق JSONL قابل للبث
- اكتشاف أخطاء التنسيق قبل التدريب
التنسيق 1: Alpaca (الأبسط)
مستمد من مشروع Stanford Alpaca (2023). ثلاثة حقول: instruction، input (اختياري) و output.
التحويل بين التنسيقات
Alpaca → ChatML
يتولى Hugging Face ذلك تلقائيًا عبر tokenizer.apply_chat_template(). لا تكتب هذه القوالب يدويًا أبدًا.
تثبيت Python و PyTorch و Hugging Face
الأهداف التعليمية
- تثبيت Python 3.11 وبيئة افتراضية مخصصة
- اختيار وتثبيت الإصدار المناسب من PyTorch (CPU مقابل CUDA)
- تثبيت مكدس Hugging Face الكامل بإصدارات متوافقة
- التحقق من اكتشاف وحدة معالجة الرسوميات بواسطة PyTorch
- إنشاء حساب Hugging Face وتهيئة الرمز المميز
متطلبات النظام
| المكون | الموصى به | الحد الأدنى |
|---|---|---|
| Python | 3.11 | 3.10 |
| الذاكرة العشوائية | 32 GB | 16 GB |
| GPU NVIDIA | RTX 4090 (24 GB) | RTX 3060 (12 GB) أو Colab T4 |
| مساحة القرص الحرة | 200 GB SSD | 50 GB |
| CUDA Toolkit | 12.1 | 11.8 |
bitsandbytes على Windows) لا تدعم Python 3.12 بشكل كامل بعد. التزم بـ 3.11 لهذه الدورة.الخطوة 1: تثبيت Python 3.11 وبيئة افتراضية
أنشئ مجلد عمل ثم بيئة افتراضية مخصصة للدورة. يجنب ذلك أي تعارض مع مشاريع Python الأخرى.
GPU NVIDIA مع CUDA 12.1
peft
الضبط الدقيق الموفر للمعاملات. ضروري لـ LoRA و QLoRA.
bitsandbytes
التكميم 8 بت و4 بت. يتيح QLoRA. يجب أن يطابق إصدار CUDA لديك.
الخطوة 4: إنشاء حساب ورمز مميز على Hugging Face
تغطي هذه المقالة أكثر المقتطفات فائدة — الدورة الكاملة Fine Tuning LLMs (11 فصلاً، 37 درسًا، تمارين محلولة ومشروع ختامي) تأخذك إلى النهاية.
./acceder-au-cours-complet cours gratuit : Ingénierie de promptsالأسئلة الشائعة
كم من الوقت يستغرق تعلم الضبط الدقيق لنماذج اللغة الكبيرة؟
هل هناك متطلبات سابقة؟
من أين أبدأ عمليًا؟
📬 هل تريد تلقي هذا النوع من الأدلة أسبوعيًا؟ اشترك مجانًا — كود حقيقي، بدون حشو.